摘要
大型视觉语言模型（VLMs）快速融入关键基础设施，承诺革新个性化医疗和饮食管理。然而，在食品系统领域，自主代理面临着独特且持续的挑战：视觉外观与内在营养成分之间的“系统性信息不对称”。现有基准主要集中于粗粒度分类任务，如食品类别识别，未能评估实际饮食管理所需的复杂推理链，特别是从识别隐藏成分到估计物理质量，再到综合安全关键的医疗建议。
在本文中，我们介绍了 OmniFood-Bench，这是一个基于 MM-Food-100K 数据集构建的综合基准。与以往的工作不同，OmniFood-Bench 评估 VLMs 的三个渐进能力：基础感知（成分与烹饪方法）、定量推理（份量大小与营养分析）和安全关键建议（疾病特定建议）。我们评估了六个最先进的 VLMs，包括 gpt-5.1、gemini-3-flash 和 qwen3-vl-8B。
我们的广泛实验揭示了一个惊人的“语义-物理差距”：虽然模型在命名菜肴时接近人类准确度，但在质量估计上表现出灾难性的失败，并且经常为高风险糖尿病患者提供虚假的建议。
这项工作为部署在公共健康中的自主代理建立了严格的可信标准。代码和数据集可在此获取：OmniFood-Bench。
博主点评： OmniFood-Bench 通过评估 VLMs 在营养推理和健康建议方面的能力，填补了现有基准的空白。尤其是其对“语义-物理差距”的分析，强调了模型在实际应用中的局限性，为未来的研究提供了重要的方向。