感知还是偏见：多模态大语言模型能否超越对性格的第一印象？

多模态大语言模型（MLLM）正越来越多地应用于面向人类的角色中，在这些角色中，性格感知至关重要。然而，现有的基准测试仅通过大五人格（Big Five）数值评分预测来评估这一能力，这就留下了一个悬而未决的问题：模型究竟是通过行为理解真正感知到性格，还是仅仅通过肤浅的模式匹配进行预先评判。我们通过三项贡献填补了这一空白：(i) 一项新任务：我们将“具据性格推理”（Grounded Personality Reasoning, GPR）正式化，该任务要求 MLLM 通过“评分、推理、寻据”的链条，将每个大五人格评分锚定在可观察的证据中。(ii) 一个新数据集：我们发布了 MM-OCEAN（包含 1,104 个视频、5,320 个多选题），该数据集由多智能体流水线产出并经人工验证，包含带时间戳的行为观察、基于证据的特质分析，以及七类线索寻据（cue-grounding）多选题。(iii) 基准测试与分析：我们设计了一个三层评估（评分、推理、寻据）以及四个样本级故障模式指标：偏见率（PR）、虚构率（CR）、集成失败率（IR）和整体寻据率（HR），并对 27 个 MLLM（13 个闭源，14 个开源）进行了基准测试。分析揭示了显著的“偏见差距”（Prejudice Gap）：在整个领域中，有 51% 的正确评分并没有立足于检索到的线索，而整体寻据率仅在 0-33.5% 之间。这些发现暴露了“获得正确分数”与“因正确原因进行推理”之间的脱节，为 MLLM 中具据社会认知（grounded social cognition）的研究指明了路线。