陪审团职责：文化模糊下 MLLM 作为法官的校准和定位失败

MLLM 作为法官通常通过与人类注释的一致性来验证，但当人类池具有文化异质性时，该指标是不确定的。我们引入了 VOIR DIRE，这是一个包含 626 个文化配对图像的多模态基准——跨越美国和中国大陆的食品、时尚和建筑领域的提示工件，其注释器池在池内可靠（a = 0.86/0.74），但在评估上存在跨池分歧（Q1 r = -0.12）。在六个 MLLM 中，偏差分解为两种失败：积极性底线校准失败（压缩尺度使用）和方向失败（默认为一种文化规范）。在这个语料库中，对有争议的项目进行抽样以划分两个池，地板自动验证更宽松的中文阅读；角色提示部分恢复了校准，但方向残差仍然存在，这证明倾斜不能简化为尺度压缩。参考池上下文演示加深了方向残差并夸大了高端，而不是恢复了低端的使用。模型原点添加了一个小的附加倾斜（~0.10 MAE），该倾斜在演示下近似不变。我们建议分别报告每个参考池的一致性，并将跨池差异视为判断属性。