Tri-PvP 用 8000 条三模态冲突样本证明：全模态大模型普遍偏向图像，且视觉偏好感知证据、音频偏好命题证据
研究者构建了 Tri-PvP——一个 8000 样本、覆盖动物、情绪、环境、音乐四个日常领域的三模态冲突基准，让图像与音频各自以感知形式（真实照片/录音）或命题形式（文字卡片图/TTS 语音）出现、文本始终为命题形式，在四个证据类型条件下评测五个全模态大模型，发现图像偏向在 20 个（模型×条件）组合中的 18 个里占主导，且存在系统性不对称：模型在视觉上更偏向感知证据、在音频上更偏向命题证据，这种偏向在早期隐藏层即可被线性解码，用对比解码只能部分缓解并带来残余文本偏向。