在遗忘之前，先学会记忆：重新审视大型视觉语言模型遗忘基准中的基础学习失败

大型视觉语言模型（LVLM）虽功能强大，却因无意记忆敏感个人信息而引发隐私风险。现有遗忘基准常使用虚构身份，却忽视了一个关键的阶段一失败：模型未能有效记忆目标信息，导致后续遗忘评估不可靠。本文诊断了记忆不足和多跳诅咒为根本原因，提出了 ReMem，一个可靠的多跳多图像记忆基准。ReMem 通过原则性的数据扩展、感知推理的问答对及多样的视觉上下文，确保稳健的基础学习。此外，提出新的暴露度指标以量化模型内部概率分布中的信息擦除深度。实验表明，ReMem 为诊断 LVLM 的学习与遗忘行为提供了严谨可信的框架。