研究提出 JUPE 基准：看似合理的解释可误导多模态模型评判
原文标题：A Plausible Explanation Is Enough to Mislead Multimodal Judges
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 JUPE 视觉问答基准，固定答案而变换解释文本，测试 14 个多模态大模型评判器。结果显示普通但听起来合理的解释会显著降低对错误答案的拒绝率，降幅达 12.7 至 13.8 个百分点，作者称之为「合理性俘获」。该现象跨领域、跨解释生成器普遍存在，可能高估模型评测成绩。
- 问题
- 多模态模型作为评判者时，是否会被看似合理的解释带偏。
- 方法
- 构建 JUPE 基准，固定答案只变换解释文本，测试 14 个多模态评判器。
- 结果
- 普通解释与思维链理由分别使错误答案拒绝率下降 12.7 和 13.8 个百分点。
- 影响
- 用模型当裁判的评测与训练管线可能系统性高估成绩，需重新设计评判协议。
深读 · 结论先行AI 生成展开看要点与影响 ↓
JUPE 基准显示普通但合理的解释会让 14 个多模态评判器对错误答案的拒绝率下降 12.7 至 13.8 个百分点。
- •基准固定答案、只变换解释文本，测试 14 个多模态大模型评判器。
- •普通解释与思维链理由分别使错误答案被拒绝率下降 12.7 和 13.8 个百分点，效果平均上与刻意说服性论证相当，作者称为「合理性俘获」。
- •信号检测理论分析显示判定标准显著向接受偏移，但平均辨别力无明显变化。
- •该现象跨领域、跨解释生成器、跨评判协议存在，测试的缓解手段保护有限且依赖模型。
为什么重要：当 MLLM 作为训练与评测裁判并同时看答案和解释时，成绩可能被系统性抬高，直接影响评测结论的可信度。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。