视觉语言因果推理中的抽象差距

视觉语言模型（VLMs）能生成流畅的因果解释，但现有评估难以区分语言合理性与忠实因果推理。本文提出双重探测方法隔离这两项属性：文本探测衡量语言质量，链式文本探测要求生成显式因果链。提出的“抽象差距”（AG）指标量化归一化性能差异。在涵盖 Pearl 因果层级的 CAGE 基准上评估八个 VLM 发现，七个模型 AG 超过 0.50，虽文本得分高但链式得分低。微调未能缩小差距，但某模型接近零 AG，表明该能力取决于预训练与架构选择。CAGE 为评估 VLM 忠实因果推理提供了诊断工具。