LDU-Bench：布局变化电路背景下光刻缺陷理解的多模态 LLM 评估

多模态大语言模型在工业异常检测中表现出了强大的缺陷识别能力。然而，在光刻审查中，仅仅确定图像是否包含缺陷对于工程检查来说是不够的；模型还必须了解缺陷形态、空间位置以及有可见证据支持的潜在原因。为此，本文提出了LDU-Bench，一种用于光刻缺陷理解的多任务多模态基准。 LDU-Bench 由真实光刻和集成电路审查图像构成，将审查工作流程分解为四个独立的任务：缺陷分类、形态识别、粗定位和图像条件原因分析。它使用任务级指标、诊断读数和光刻闭合分数 (LCS) 系统地评估模型。实验结果表明，虽然现有的 MLLM 可以相对可靠地执行缺陷分类，但这种能力并不能稳定地转移到下游审查阶段。形态学对齐、有效定位和证据到原因映射仍然是主要瓶颈。进一步的诊断表明，这种能力中断不是单个指标的波动，而是反映了跨语义级别的结构化理解不足。总体而言，LDU-Bench 提供了一个可量化和诊断的统一平台，用于评估光刻审查链中工业 MLLM 的可用性、故障点和能力边界。