先说结论：这论文不冤，值得进 ASE。但值得的原因不是它「揭穿」了多模态模型有多瞎——瞎这事我早知道了。它干成的唯一一件事，是把「瞎」从玄学变成了可以重复测量的数字。
《Pattern over Pixels》，arXiv 2608.03691。说人话：模型看网页截图生成代码，页面上有个重复出现的 UI 模式，它宁可照着那模式输出个视觉上错了的东西，也不信自己眼睛。
听上去不新鲜。新鲜的是终于有人正经建了个基准来测它。
关键是那两个数字。卡片宽度扰动，平均偏差率 69.78%，准确率 21.17%。文本字号扰动——偏差率 80.22%，准确率 7.89%。
七点八九。一百个改动，做不对八个。
这还不是最扎眼的。
最扎眼的是「最牛的也拉胯」。五个模型里表现最好的 Codex-5.3，卡片宽度任务上准确率 68.61%，还行——换到文本字号任务，直接砸到 13.89%。
同一个模型，换个任务，掉 55 个百分点。这不是能力问题。这是病根没找对。
Flash-3.0 更离谱。字号任务偏差率 96.11%，几乎次次都选跟重复基线一致的那个错误答案。
闭着眼瞎猜，好歹还能蒙对几次。它不。它是有策略地错。
文章里有一段分析，说推理努力提上去、偏差倾向会降下来。本来想夸两句。结果往下读，定性证据那段直接把话噎回去了：模型哪怕已经识别出那个元素是异常的，最终作答时还是折回去选了符合重复模式的答案。
识别到了。然后无视。
这不叫推理不够。这叫自信地固执己见。检测模块说「这里有鬼」，生成模块说「我看不见」。逻辑闭环了属于是。
替这个研究说句公道话：实验设计确实讲究。1440 张截图，从 Design2Code 里挑 30 个网页造的，分结构卡片和文本样式两类，还搞了标准条件和叠加噪声两档。噪声一加，偏差率继续往上蹿，扰动越细微越容易翻车，元素靠边站也更容易出问题。
这段读起来像废话。但至少是数据兜底的废话，比某些发布会通稿里连废话都不如的形容词强。
扫描全能王锐评评分卡：数据扎实，测量方法可复现，ASE 收录不冤。
但论文能不能教会我们怎么让模型别这么倔？没答上来。它只告诉了你病有多重，没告诉你药在哪。这可能就是下一步的问题了。
哦对，第二作者里有个眼熟的，Oscar Chaparro，软件工程老将了。这团队不是来凑热闹的。
一句话：把「模型不懂像素」从玄学变成实证指标的论文。方向对了。路还长。