论视觉语言模型中的文化时代错乱与时间推理

视觉语言模型（VLM）正日益应用于文化遗产领域，但常出现“文化时代错乱”，即用不合时宜的概念误读历史文物。本文提出 TAB-VLM 基准，包含 600 个问题及 1600 件印度文物，旨在评估模型的时间推理能力。对十个最先进模型的系统评估显示显著缺陷，最佳模型准确率仅 58.7%。结果表明，无论架构或规模如何，文化时代错乱均是视觉 AI 的重大局限，尤其影响非西方视觉文化的解读。该研究为提升多模态系统的时间认知奠定了基础。