2026，〈A Comprehensive Survey and Guide to Multimodal Large Language Models in Vision–Language Tasks〉，Computers。一篇 2026 年視覺語言多模態大型模型調查，整理影像描述、視覺問答、跨模態檢索、視覺定位、多影像推理與長影片理解等任務，並討論資料處理限制、統計共現偏差、幻覺、空間推理錯誤、長影片時間混淆與非英語資源不足。調查指出，模型可能根據訓練資料中常見的共現關係產生貌似合理、但未由眼前影像支持的答案。這提醒使用者必須檢查回答是否真正落在輸入證據上。
思與行
- 對模型的圖像描述要求指出具體可見線索，並用裁切、遮蔽、反例或多張相似影像測試其依據。
- 將語言流暢度與感知正確性分開評估，特別測試非英語與非主流文化素材。