视觉语言模型（ VLM ）在过去十年中在视觉推理方面取得了显着进展。大多数评估使用了简单的场景（ MS-COCO ） ，这些场景没有展示复杂的人类互动或行为，只有少数非精确的人类描述作为基准，并且没有专注于理解模型的错误类型。在这里，我们将介绍复杂社会行为（ CSB ） da

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2607.09654v1)获取最准确的信息。

---
🔗 **原文链接**: [Evolution of Accuracy and Visual-Cognitive Errors in a Decad](https://arxiv.org/abs/2607.09654v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Shravan Murlidaran, Miguel P. Eckstein

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。
多模态正在逼近实用门槛。如果你想做产品级落地，这篇文章值得读。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-07-13 14:01