新基准CulturalMenuBench揭示：多模态模型识别食物高分，却难将菜品归因中国地方菜系
研究团队构建含4870项、覆盖18个地区10种语言的CulturalMenuBench基准，测试12个模型发现，在标准选择题上超过94%的模型，在将菜品归因于中国地方菜系时准确率最高仅56%。
AI解读：多模态语言模型在食物识别测试中接近满分，但新发布的CulturalMenuBench基准表明，这种高分可能只是视觉匹配，而非真正的文化理解。研究测试了12个模型，发现它们在标准多选题上超过94%的准确率，在将菜品归因到中国地方菜系时却跌至至多56%，且错误模式与随机猜测一致。关键证据是：模型仅凭菜名分类菜系比看图片更准（高出7到18个百分点），说明知识已存在于模型中，但无法通过视觉输入激活。这项研究对模型开发者的直接启示是，训练需明确连接视觉感知、烹饪步骤和文化背景，否则识别能力再高也无法支撑跨文化的实际应用。对普通用户而言，不必急于行动，但可预期未来美食推荐或菜谱理解类AI在文化归属上仍可能出错，尤其在涉及地域菜系时需谨慎依赖。
多模态语言模型在食物识别基准上接近满分，但新研究指出，这一成功可能只反映视觉匹配，而非真正的文化理解。为检验这一区别，研究团队推出CulturalMenuBench基准，包含4,870个项目，覆盖10种语言、18个地区；其10项任务将成品菜与分步烹饪图像，同食材、步骤文本和地区标签配对，范围从基础识别到基于过程的文化归因。
研究者评估了12个模型，发现存在显著的知识应用差距：在标准多选题上超过94%准确率的模型，在将菜品归因于中国地方菜系时，最高准确率仅56%，尽管两者都采用相同的四选一格式。诊断分析显示，错误模式与随机猜测一致，准确率随视觉显著性而非文化结构变化，且模型仅凭菜名分类菜系的准确度比凭图像高出7至18个百分点。
基准设计与实验方法
CulturalMenuBench由Bo Zeng、Linfeng Gao、Peiqin Lin等研究者提出，论文收录于EMNLP 2026 Findings。代码和数据已公开。研究团队构建了4,870个项目，覆盖10种语言、18个地区，包含10项任务，将成品菜和分步烹饪图像与食材、步骤文本和地区标签配对。
一个消融实验确认这些任务确实需要过程证据：移除连续的烹饪图像，会有选择地降低依赖于过程的任务表现，而其他任务保持稳定。