服装与场景如何影响视觉语言模型对同一项链的估价

同一廉价项链的估价随服装场景变化，纯文本描述也能触发。

资讯摘要

论文用一条网购价2.43美元的粗金链项链，拍摄正式着装配木墙、派对、回收站休闲装及无人平铺四种照片，在1164次API会话中让六个前沿语言模型估价。四个能回答图像提示的模型中，正式照片估价为平铺的1.9至3.3倍（p<0.01）；纯文本描述场景也出现2.2至3.9倍差异。平铺估价本身为收据价的7.8至18.7倍，提示部分“服装倍数”来自基线高估。作者仅用单一物品与单一佩戴者，呼吁后续多物品与人类基准复现。

要点速读

1. 四个能处理图像提示的模型中，同一项链在正式着装照片中的估价是平铺照的1.9至3.3倍（p<0.01）。
2. 纯文本描述场景时，六个模型的正式与回收站场景估价比为2.2至3.9，说明效应不依赖像素。
3. 平铺照估价本身是收据价的7.8至18.7倍；单条忽略服装与场景的指令仅在一个模型中显著削弱效应。

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 2026/10/28 08:00:17（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。