标签
该论文审查了文生3D评测中的配置脆弱性：在固定300个已生成场景的前提下改变渲染与字幕设置，结果发现配置方差常常超过生成器之间的方差，且基于视觉语言模型（VLM）的评测器即使在底层场景完全不变的情况下，也经常改变其评出的赢家。
论文提出 MIST（误导性图像压力测试）基准，测试 13 个 VLM 判定器在存在对齐、误导或缺失图像时标签的稳定性，发现改变判断的主要因素是图像是否出现，而非图像内容，说明可替代性结论对评测配置同样敏感。