同一道题，画成图或写成文字，信息完全一样——视觉语言模型却经常给出两个答案。SEAM 把这种不一致做成了可控测量。
发布重点
- 问题：把文字截图进图片的 OCR 式测试，分不清模型是看不懂图，还是不会推理。
- 方法：SEAM 用 FEN/棋盘、SMILES/分子图、ABC/乐谱、邻接矩阵/图像保证语义等价。
- 发现：视觉通常落后于语言，跨模态答案一致性也远低于理想水平。
- 意义：研究者可以区分“看不懂图”和“不会跨模态推理”这两类失败。
继续阅读
研究页包含领域背景、方法、关键图表和论文入口；评测设置与合作研究，欢迎直接联系实验室。