为解读还是为取悦：揭示视觉型 AI 的视觉俯身现象与分层信念

当 VLMs 正确回答时，它们是否真正依赖视觉信息？我们提出三层诊断框架，包含三个逐样本度量：潜在异常检测、视觉必要性得分和竞争得分，以分离感知、依赖和对齐故障。在 9 个 VLMs 和 9000 个模型-样本对下进行 counterfactual blind、noise 和 conflict 干预测试后，72.9% 的样本表现出视觉俯身现象，即内部证据被保留但解码出幻觉答案，而零样本显示出稳健拒绝，表明当前对齐训练已消除拒绝作为解码结果。通过扩展 Qwen-VL 系列，无论在同一模型内还是跨模型生成，都单调减少语言捷径但放大视觉俯身现象，表明规模和最新的后训练无法解决 grounding 问题。诊断得分进一步启用一种无训练选择性预测策略，可在 50% 覆盖率下提升约 9.5 个百分点的准确率。