审计12个VLM的阿拉伯书法识别能力

2026年10月16日，arXiv Computer Vision 刊出 Niaz Mohaiman Abtahi 等作者的论文，审计 12 个视觉语言模型（VLM）在阿拉伯书法识别基准上的表现。研究使用清理后的 1,195 张图像、六分类基准，采用数字、视觉线索和 Diwani 优先三类提示。在闭集设置下，闭源/API 模型的最佳数字提示准确率为 60.9%，开源权重模型为 47.2%。研究还发现普遍存在默认标签坍缩：12 个模型中有 8 个默认输出 Thuluth；GPT-4o 将全部图像中 52.9% 标为 Thuluth，而该类别在数据集中仅占 18.1%。提示效果不均衡：视觉线索对部分模型提升准确率超过 10 个百分点，却损害另一些模型；将 Diwani 前置往往只是转移默认标签，而非消除默认行为。目前进展为论文发布，尚无后续跟进报道。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。