Forskare på arXiv rapporterar att vision-language-modeller (VLM:er) beter sig annorlunda när de först får frågan om vad en regissör kan se. I en ”Director Task”, där ett stort block är dolt för regissören, ökade sannolikheten att modellen valde det dolda blocket med 12 till 88 procentenheter för sex GPT-modeller och med 17 procentenheter för Qwen‑3.8‑27B när den fick frågan vilka block regissören kunde se. Modellerna återgav fortfarande regissörens synfält korrekt, men den föregående frågan fick dem att i sitt efterföljande val utgå mer från sitt eget perspektiv.
Varför det spelar roll
Utvärderare måste ta med ett jämförelsevärde utan en fråga om perspektiv, annars riskerar de att felbedöma VLM-modellernas faktiska förmåga att resonera om andra.
