Los autores presentan OmniFood-Bench, un benchmark integral construido a partir del conjunto de datos MM-Food-100K para evaluar Vision-Language Models (VLM) en razonamiento nutricional y asesoramiento de salud personalizado. A diferencia de los benchmarks anteriores centrados en la clasificación de grano grueso, este trabajo evalúa tres capacidades progresivas: percepción básica de ingredientes y métodos de cocción, razonamiento cuantitativo para el tamaño de la porción y perfil nutricional, y asesoramiento crítico para la seguridad en recomendaciones específicas de enfermedades.
- El benchmark evalúa seis VLM de vanguardia, incluyendo gpt-5.1, gemini-3-flash y qwen3-vl-8B.
- Los experimentos revelan una "Brecha Semántico-Física" donde los modelos logran una precisión cercana a la humana al nombrar platos, pero fallan catastróficamente en la estimación de masa.
- Los modelos con frecuencia alucinan consejos benignos para perfiles diabéticos de alto riesgo, destacando problemas significativos de confiabilidad en aplicaciones de salud pública.
Este trabajo establece un estándar riguroso para la confiabilidad de agentes autónomos desplegados para la salud pública al exponer estos fallos críticos de razonamiento.