研究表明 MLLM 可充当人类替身评估可解释 AI

一篇 arXiv 论文（编号 2611.13926）探讨能否用多模态大语言模型（MLLM）替代人类受试者来自动化评估可解释 AI（XAI）技术。现有评估依赖两类路径：代理指标难以反映解释的实际效用，真人评估虽是黄金标准但成本高、难扩展、不易复现。 作者提出一个"purpose-grounded"评估框架，指标可同时适用于 MLLM 与人类用户，并给出何时可信这类模型来自动化评估的概念性论证。实证测试覆盖五个应用方向（含模型改进）和十四个主流 MLLM。 结果显示所有模型呈正向趋势，其中 OpenAI 和 Qwen 系列与人类判断的对齐度普遍更高，是实际使用时的推荐选择。论文定位是补充而非取代用户测试，目标是让 XAI 研究减少对代理指标的依赖。