当关系破裂时：分析旋转和噪声下视觉语言模型中的关系幻觉

视觉语言模型（VLM）实现了强大的多模态性能，但仍然容易产生关系幻觉，这需要对对象间交互进行准确的推理。我们研究了视觉扰动的影响，特别是旋转和噪声，结果表明，即使是轻微的扭曲也会显着降低模型和数据集之间的关系推理能力。我们进一步评估基于提示的增强和预处理策略（方向校正和去噪），发现虽然它们提供了部分改进，但它们并不能完全解决幻觉。我们的结果揭示了感知鲁棒性和关系理解之间的差距，凸显了对更鲁棒、几何感知的 VLM 的需求。