感知还是偏见：MLLM能否超越对人格的第一印象？

多模态大语言模型（MLLM）正日益被部署到人格感知至关重要的人机交互角色中，但现有基准仅以Big Five数值分数预测来评估这一能力，模型究竟是通过行为理解真正感知人格，还是仅凭表面模式匹配进行预判，仍悬而未决。我们以三项贡献弥补这一空白。（i）新任务：我们形式化了扎根人格推理（Grounded Personality Reasoning, GPR），要求MLLM通过评分、推理与证据锚定构成的链条，把每个Big Five评分锚定在可观察证据上。（ii）新数据集：我们发布MM-OCEAN（1,104个视频、5,320道MCQ），由多智能体流水线生成并经人工校验，包含带时间戳的行为观察、证据锚定的特质分析，以及七类线索锚定MCQ。（iii）基准与分析：我们设计了三层评估（评分、推理、证据锚定）加四项样本级失败模式指标——偏见率（Prejudice Rate, PR）、虚构率（Confabulation Rate, CR）、整合失败率（Integration-failure Rate, IR）与整体锚定率（Holistic-grounding Rate, HR），并对27个MLLM（13个闭源、14个开源）进行基准测试。分析揭示出一个惊人的偏见鸿沟（Prejudice Gap）：全领域范围内，51%的正确评分并未锚定在所检索的线索上，整体锚定率仅在0-33.5%之间。这些发现暴露了“拿到正确分数”与“为正确理由而推理”之间的脱节，并为MLLM的扎根社会认知绘制了路线图。