Pesquisadores relatam no arXiv que os modelos de visão e linguagem (VLMs) se comportam de maneira diferente quando primeiro são questionados sobre o que um diretor consegue ver. Em uma “Tarefa do Diretor”, na qual um bloco grande fica oculto para o diretor, perguntar ao modelo quais blocos o diretor vê aumentou em 12 a 88 pontos percentuais a probabilidade de escolher o bloco oculto em seis modelos GPT; no Qwen‑3.8‑27B, o aumento foi de 17 pontos. Os modelos ainda informaram corretamente o que o diretor via, mas a pergunta anterior desviou a ação seguinte para a perspectiva deles próprios.
Por que importa
Os avaliadores devem incluir uma linha de base sem uma pergunta sobre perspectiva, ou correm o risco de avaliar incorretamente a capacidade real dos VLMs de raciocinar sobre outras pessoas.
