CXR-ContraBench：医疗 VLM 中否定选项吸引力的基准测试

当胸部 X 光检查显示实变，但问题询问存在哪种发现时，医学视觉语言模型可能会回答“无实变”。这不仅仅是一个错误的选择：它是一种极性反转，发出与图像相矛盾的临床陈述。我们将这种失败研究为否定选项吸引力，其中模型被吸引到否定答案选项，即使它与视觉证据和问题都冲突。我们推出 CXR-ContraBench（胸部 X 射线矛盾基准），这是一种涵盖内部 ReXVQA 切片以及外部 OpenI 和 CheXpert 协议的诊断基准。该基准以现有发现问题为中心，其中尽管存在可见 X，但选择“无 X”会产生主要临床风险，并使用缺席发现问题作为模型是否复制否定措辞的二次测试。在 CheXpert 协议中，失败是严重且持续的。在严格的直接存在探针上，MedGemma 和 Qwen2.5-VL 分别仅达到 31.49% 和 30.21% 的准确度；在匹配的 135,754 条记录 CheXpert 训练分割协议中，两个模型对超过 62% 的存在问题都选择了否定选项。思想链提示减少了一些在场方的逆转，但并不能消除它们，并且可能放大不在场方的矛盾。最后，QCCV-Neg（否定的问题条件一致性验证器）无需重新训练即可确定性地修复测量的极性混淆子集，将 MedGemma 和 Qwen2.5-VL 在直接存在探针上的准确率提高到 96.60% 和 95.32%。这些结果表明，标准精度可以隐藏具有临床意义的推理时间极性失败。源代码和基准构建脚本可在 https://github.com/fangzr/cxr-contrabench-code 获取。