作者引入了OmniFood-Bench，这是一个基于MM-Food-100K数据集构建的综合基准，用于评估Vision-Language Models (VLM)在营养推理和个性化健康建议方面的能力。与以往侧重于粗粒度分类的基准不同，这项工作评估了三种渐进式能力：对食材和烹饪方法的基本感知、对份量和营养分析的定量推理，以及对特定疾病建议的安全性关键指导。

  • 该基准评估了六种最先进的VLM，包括gpt-5.1、gemini-3-flash和qwen3-vl-8B。
  • 实验揭示了一个“语义-物理差距”，即模型在命名菜肴时能达到接近人类的准确率，但在质量估算上却出现灾难性失败。
  • 模型经常为高风险糖尿病人群产生无害建议的幻觉，突显了公共卫生应用中严重的可信度问题。

这项工作通过暴露这些关键的推理缺陷，为部署于公共卫生领域的自主代理的可信度确立了严格标准。