不止于眼见：通过语义锚定衡量视觉语言模型中的半语义鸿沟

视觉语言模型在逼真的图像生成方面表现出色，但常在表示抽象意义方面受限，例如名词复合词的习语性解释。为研究是否高视觉保真度干扰习语性组合性质于视觉抽象化，我们引入DIVA，一个受控基准，将高保真视觉细节替换为图示化图式，通过为字面和习语读法生成配对、sense-anchored 可视化来实现。我们进一步提出语义错位差 ($\Delta$)，一种无架构依赖的指标，用于量化字面和习语视觉对齐之间的差异。我们引入方向性符号偏差 $b(t)$，单独衡量字面偏好的方向和强度。评估8个最新视觉语言模型，揭示了持续的字面优势偏差：模型规模本身无法解决字面偏好，增加的视觉保真度与较弱的符号对齐相关，暗示了来自超高保真图像的认知干扰。我们的发现表明，改进组合理解需要对视觉输入进行图示化抽象化，并将解释和生成锚定在预期意义上。