GradeTrap：图像中的权威提示改变了 VLM 的判断，尽管有明确指示忽略它们

随着视觉语言模型（VLM）的能力越来越强并被部署在相应的现实世界环境中，它们必须独立评估证据，而不是不加批判地服从人类权威。我们引入了 GradeTrap，这是一种受控评估，将两种社会线索置于直接冲突中：学生的答案应该引起阿谀奉承，而归因于同伴、老师或官方答案的冲突答案应该吸引基于权威的尊重。模型产生自由形式的答案，同时明确指示独立解决并忽略所有学生的答案、反馈和评分。我们在 60 个综合的现实世界权衡场景中测试了模型。五次中立试验建立了稳定的模型相对偏好，然后对包括对照在内的六种实验线索进行了三次重复。在 Gemini 3.5 Flash-Lite、GPT-5.6 Luna 和 Claude Haiku 4.5 的 45 项公共交叉点上，通用第二答案控制产生 5.4% 的冲突答案选择。相对于该控制，汇总的项目内更改没有显示出可靠的同行评审效应、6.9 分的教师评审效应和 19.5 分的官方关键效应。相比之下，单独显示的冲突学生答案与单独显示的学生参考答案相比，仅将选择率从 2.2% 提高到 5.2%。因此，尽管有明确的忽略指令和与官方密钥一起给出的相反的学生答案，但官方密钥的出处比学生答案或通用第二答案控制更能重定向判断。三个模型的影响程度各不相同。