PRISM-BENCH发布：诊断多模态推理的接地与忠实度

Vansh Bhatia等人在arXiv发布PRISM-BENCH，一个包含1,000道专家标注题目的多模态推理诊断基准，每题附有人工撰写并经二次校验的理想推理轨迹，覆盖五个被低估的推理类别，用于超越最终答案准确率、评估视觉语言模型的接地性与推理忠实度。 论文对GPT-5与Claude Opus 4.6等25个开源与闭源系统进行评测：最高准确率仅66.0%，在有人类基线的四类上落后人类18.4分；感知探针将约85%的前沿模型失败归因于误感知，轨迹对齐在25个系统上预测正确性的macro AUROC为0.66，配套的CORE效率指标使24.2%的模型对排序发生变化。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。