VLM存在模态顺序偏差

论文发现图像与问题输入顺序会显著影响视觉语言模型表现。

推荐理由：语义无关的图文顺序能稳定改变三类模型和三项基准表现，说明VLM仍在依赖脆弱的输入格式捷径；测试时训练提供了低成本修正路径。