CSS场景描述评估:受测视觉语言模型更依赖物体大小,对人的敏感性较低(在新窗口打开)UCSB团队用反事实语义显著性CSS框架,在307个原始场景及1306个物体移除变体上比较19个VLM与人类描述。受测模型更依赖大小等视觉特征,对人的敏感性较低;大小偏好与准确率差距相关。