超越单字：评估 MLLM 的句子级甲骨文理解能力

现有的 AI 辅助甲骨文（OBI）视觉识别与理解研究主要聚焦于字符级，忽略了完整卜辞中蕴含的长文本连贯性与上下文依赖。近期，多模态大型语言模型（MLLM）强大的视觉感知能力为 OBI 信息处理开辟了新可能。在本工作中，我们引入 S-OBI，一个用于评估 MLLM 句子级 OBI 理解能力的新型基准。S-OBI 不使用噪声多且不完整的拓片作为视觉输入，而是通过字形替换与组合合成清晰、标准化的句子级 OBI 实例。根据 95 份经专家识别、校正与验证的带翻译原始拓片，我们将原始拓片中的字符替换为来自现有 OBI 数据集的对应干净字形样本，同时保持整体铭文结构与语义组织。这减轻了低层失真的影响，从而能够更专注地评估句子级 OBI 理解。在此基础上，我们设计了语义匹配、语义槽抽取和上下文推理任务，并获得了 695 个问答对。实验揭示了当代 MLLM 在句子级 OBI 理解上的不足。特别是，未掩码区域的视觉感知错误在推理链中传播，导致对掩码字符的错误预测，这表明当前模型对句子级 OBI 的理解仍强烈依赖于字符级识别。总体而言，S-OBI 提供了一个诊断基准，用于评估 MLLM 能否超越孤立的字符识别，迈向结构化的铭文级理解。