当话语压力发生冲突时：视觉语言模型输出中的信息结构

视觉语言模型（VLM）越来越多地被评估是否能够识别正确的视觉内容，但人们对它们是否以适合话语的形式表达这些内容知之甚少。我们使用信息结构（IS）来解决这一研究差距，测试 VLM 是否在视觉基础的问答中区分话语旧主题和话语新焦点。我们利用匈牙利语，这是一种将主题和焦点映射到专用句法位置的语言，使 IS 选择在文本中可见。将六个 VLM 与人类参与者进行比较，我们发现模型产生与 IS 相关的结构，但过度规范了这种敏感性。在话语状态、语法角色（对主题主题的偏好）和确定性（对不定焦点的偏好）的相互作用的压力下，人类选择不同的IS实现策略。相比之下，VLM 会崩溃到狭窄的响应模板上，类似于模式崩溃（Kirk 等人，2024）。我们的研究结果表明，VLM 评估应该超越内容准确性，而关注如何为话语打包内容。