视觉语言模型（VLM）正越来越多地被用于判断 AI 生成图像是否包含可见伪影，但模型究竟如何分析这些伪影，学界仍缺乏深入理解。一个正确的图像级判断可能掩盖重要失败：模型也许正确标记了伪影，却依赖错误的视觉线索、选错区域，或描述了图像并不支持的缺陷。为直接评估这些行为，由 Xiaoxiao Sun 等五位作者组成的研究团队提出了 SalArt-VQA，这是一个面向 AI 生成图像中显著伪影细粒度理解的诊断基准。该论文于 2026 年 6 月 10 日提交至 arXiv（编号 2606.12671），属于计算机视觉与模式识别（cs.CV）领域，全文共 23 页，含 7 幅图和 7 张表。
SalArt-VQA 包含 950 张图像和 3,681 道由人类编写的多项选择题，图像类型覆盖含伪影图像、匹配的真实参考图像以及成对的生成参考图像。基准设计了四种相互对齐的问题类型，分别评估伪影存在检测、语义定位、空间接地以及基于证据的缺陷识别。与此同时，参考图像拆分用于测试模型在标注缺陷实际不存在时的校准能力和弃权行为，即模型是否会在没有伪影时避免作出无依据的伪影声明。
研究团队在 20 个 VLM 上进行了评估，结果揭示了图像级检测准确率所掩盖的失败模式。表现最强的模型在伪影图像上达到 99.37% 的检测召回率，但在同一批图像上，四类伪影侧问题全部回答正确的比例仅为 53.26%。这意味着，即便模型能够识别出图像中存在伪影，它在定位伪影位置、将缺陷与具体视觉证据对应起来等方面仍可能频繁出错。
进一步比较伪影图像与无伪影参考图像，研究发现了敏感性与校准之间的权衡关系：敏感的模型往往会对没有伪影的图像提出缺乏依据的伪影声明，而保守的模型虽然较少误报，却主要通过漏检真实伪影来实现这一点。换言之，高检测准确率并不等同于有依据的伪影理解。SalArt-VQA 通过细粒度评估暴露了这些隐藏的失败模式，并为判断 VLM 的伪影声明是否有局部视觉证据支持提供了系统化工具。该基准的数据集已公开，论文还提供了完整的提交历史与引用信息，方便后续研究复现和扩展。