MemeBench：LVLM解读文化依赖型迷因时遗漏了什么

大型视觉语言模型（LVLM）在描述视觉内容方面不断进步，但当含义依赖于像素之外的知识时，准确的描述并不能保证正确的解读。迷因（meme）恰好暴露了这一缺口，因为它们依赖文化实体、背景知识和社群惯例。大多数迷因基准将解读简化为标签或整体分数，掩盖了解释究竟在何处失效。我们提出MemeBench，一个包含1,253个中英文迷因的诊断型基准，配有人工撰写的参考答案和经质量控制的VIKR标注，聚焦动漫、漫画、游戏及相邻的网络亚文化。其VIKR模式将解释分解为Visual clues（视觉线索）、Identity links（身份关联）、Knowledge units（知识单元）与Reasoning mechanisms（推理机制）。在26个LVLM上，所有模型对可见内容的覆盖都比对解读所需知识的覆盖更可靠，即使最强的模型也仍存在22.6%的Visual-Knowledge差距。为检验这一诊断能否指导改进，我们提出KAR，一个基于CultureBase构建的实体引导检索基线。在四个受控模型上，KAR将VIKR Success提升3.6-7.4%，且与通用检索相比修复更多答案、破坏更少。然而在每一次对比中，两种检索条件都在提升Identity与Knowledge的同时降低了Visual覆盖。MemeBench能够揭示一次解读是否成功、缺失什么，以及有针对性的证据能否填补诊断出的缺口。