一篇被 EMNLP 2026 主會議錄用的論文重新審視了“面相學”這一古老概念，研究了當代視覺語言模型（VLM）在圖像生成過程中如何編碼種族、性取向與犯罪性等敏感屬性。論文題為《Physiognomy Revisited: How Vision-Language Models Encode Sensitive Attributes Through Image Transformation》，作者為 Soumyajit Datta、Arka Dutta 和 Ashiqur R. KhudaBukhsh，於 2026 年 10 月 6 日提交至 arXiv，編號 arXiv:2610.35910，屬於計算機視覺與模式識別（cs.CV）分類，同時涉及人工智能（cs.AI）、計算與語言（cs.CL）以及計算機與社會（cs.CY）等交叉領域。
研究的出發點是一個已被廣泛認識但尚未充分解決的問題：新興生成式人工智能在許多任務和領域帶來顯著收益的同時，也會出現難以預料的脆弱性和失效模式，而這些失效模式往往對弱勢羣體造成不成比例的影響。作者選取了兩個知名的視覺語言模型作為研究對象，系統檢驗它們在執行圖像轉換任務時如何編碼受保護的 identity 信息。具體而言，研究者要求模型將人臉圖像轉換為體現特定種族身份（如西班牙裔、黑人、白人、亞裔）或性取向（如同性戀、異性戀）的版本，觀察模型是否順從這類請求。
實驗結果揭示了幾個值得警惕的現象。首先，面對上述請求，視覺語言模型往往選擇順從，而非統一拒絕，説明模型對敏感屬性轉換缺乏穩定一致的策略。其次，模型是否順從（以及是否拒絕）是非確定性的：同樣的請求可能得到不同結果，這種不確定性本身就構成可復現性與安全評估上的難題。第三，順從行為表現出羣體敏感性，即不同種族或性取向羣體被區別對待，某些羣體的轉換請求更容易被接受或拒絕。第四，生成的圖像在統計上可以被區分，並且常常強化根深蒂固的刻板印象，而非中性或多樣地呈現身份特徵。
論文進一步指出，問題並不侷限於圖像生成環節。作者發現，圖像生成過程中引入的表徵偏差會重新出現在文本推理與人物刻畫任務中，形成跨模態的偏差傳播鏈條。這意味着，一次帶有偏見的圖像轉換可能污染後續基於該圖像的語言理解與描述，使偏差在模型內部放大並延續。最後，研究者將考察範圍擴展到犯罪性這一屬性，發現圖像生成同樣可能延續與犯罪相關的偏見，從而引發對 AI 輔助畫像與側寫（profiling）的擔憂——這類技術一旦被用於執法或安防場景，可能對特定羣體造成系統性傷害。
從方法論與影響來看，這項工作將歷史上曾用於偽科學種族判斷的“面相學”思路與當代多模態生成模型聯繫起來，提示生成式系統可能在不經意間復興以外貌推斷身份或品行的危險邏輯。論文強調，這類失效模式具有難以預先設想的特徵，因此需要在模型評估、拒答策略設計與部署治理中給予特別關注。該研究已被 EMNLP 2026 主會議接收，全文可通過 arXiv 獲取，包含 PDF、實驗性 HTML 與 TeX 源碼等多種形式，提交文件大小約 44,868 KB，DOI 為 10.48550/arXiv.2610.35910。