C³PO基准揭示多模态模型推理缺陷：注意力过度集中于文本

多模态大语言模型（MLLMs）虽能处理多种感官输入，但其推理能力仍存在明显缺陷。最新研究提出C³PO基准，包含3,404个涵盖视频、音频、图像和文本的样本，专门评估两种关键能力：信息组合（融合分散证据）和反事实冲突（解决故意矛盾）。

该基准采用四层设计，通过25个逻辑模板自动构建，揭示了当前模型的局限性。人类在该基准上达到88.64%的准确率，而表现最佳的Gemini-3.1-Pro模型仅达73.17%，开源模型在冲突场景下更是表现崩溃。

研究发现，86-95%的失败源于模态主导现象：模型倾向于承诺单一模态而忽略矛盾证据，87-95%的注意力集中在文本上。注意力熵分析表明，中间层注意力熵能预测正确性——持续探索成功，过早崩溃失败。

值得注意的是，复杂度相当的模板间存在56个百分点的准确率差距，表明性能取决于模态在冲突解决中的结构角色，而非简单组合。这些发现警示，多模态感知并不保证稳健推理，模型架构需要支持持续的跨模态注意力机制，避免过早决策崩溃。