新基准显示 VLM 文化知识文本与视觉脱节，编辑难迁移。
资讯摘要
论文提出 CulturalBind 基准，含 6 个领域、1K 个概念的 3.2K 张图像，用于评估视觉语言模型的文化感知跨模态知识与概念级知识编辑。作者报告，编辑前评估显示文本与视觉知识解耦：模型常具备文化概念的文本知识，却无法从图像中识别。现有编辑方法虽能纠正单个视觉识别错误，但跨模态可迁移性低，顺序编辑下性能快速下降。
要点速读
- 论文提出 CulturalBind 基准，覆盖 6 个领域、1K 个概念、3.2K 张图像，用于评估 VLM 的文化知识与概念级知识编辑。
- 作者报告编辑前评估发现文本与视觉知识解耦：模型有文化概念的文本知识，但难以从图像识别。
- 现有编辑方法能纠正单个视觉识别错误，但跨模态可迁移性低，顺序编辑下性能快速下降。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。