这项由首尔大学、韩国科学技术院（KAIST）和德国图宾根大学联合完成的研究发表于2026年的ICLR（International Conference on Learning Representations）会议，论文编号为arXiv:2602.01984v1。有兴趣深入了解的读者可以通过该编号查询完整论文。
当你同时向AI展示几张照片并提问时，是否发现它有时会把不同照片的内容混淆？比如你问"第一张图片里有没有自行车"，它却回答了第二张图片的内容。这种现象就像一个健忘的朋友，明明你分别给他看了几张照片，他却总是把照片内容记混。
这个看似简单的问题背后，其实隐藏着现代AI系统的一个关键技术挑战。当前最先进的多模态大语言模型（就是那些能同时理解文字和图片的AI系统）在处理单张图片时表现卓越，但一旦面对多张图片，性能就会显著下降。这种现象被研究人员称为"跨图像信息泄露"，就好比厨师在做菜时，明明准备了不同的食材放在不同的盘子里，但在烹饪过程中却总是搞混各种调料的归属。
为了解决这个问题，现有的AI系统都会在每张图片前后插入特殊的"分隔符"，就像在文档中使用分页符一样
