上个月读过一篇「颜色在视觉大模型里被存成了什么」——那问的是表征的全局结构。今天这篇问的是另一件事，也更贴工程：模型手里那把局部色差尺子，刻度对不对。
为什么现在该问这个
一个颜色要偏多少人才看得出来，是色彩科学最老的题目之一，答案最终被写成了 CIEDE2000——而且是椭圆不是圆，因为人眼容差在不同色相、不同彩度上各向异性。
今天的影像系统里，「距离」这件事悄悄换了人做。感知损失、CLIP 相似度、latent 空间的重建误差，都在以特征距离的身份充当「像不像」的裁判。它们一旦进了 ISP 调参回路、进了生成模型的保真度评价，实际上就在替代色差公式。那就该问：它们的等距面，长得像 CIEDE2000 的椭圆吗？
方法的关键转折
作者（Ehab 等，含 Vazquez-Corral、Malo 两位色彩视觉方向的人）没让模型「说」颜色，而是把心理物理实验的形状直接搬进特征空间。
CIELAB 上取 18 个参考色，恒亮度，跨 4 个彩度层 C∈{5, 20, 60, 80}；围绕每个参考色在圆域内采 500 点，250 个落在 CIEDE2000 划出的等色差域内、250 个在域外；过编码器取特征，按与参考色的余弦距离取最近的 250 点当作模型自己的辨别域，再与人类参照域算 IoU。于是「有没有人眼式阈值」变成一个能对任意 encoder 批量跑的重合度测试——50 多个模型，CNN 与 ViT 一起上。
结果是一条低平线：全体家族对齐都弱，最好的 mIoU 也 < 0.25。自监督（DINOv2、Perception Encoder）总体好于有监督；语言监督（CLIP 系）最两极分化，榜首榜尾都有；VGG16 不输现代 Transformer。图 1 那组 C=60 更直白：DINOv2 0.157、VGG16 0.151、OpenAI CLIP 0.142、SD3-VAE 0.139、Perception Encoder 0.111。
但真正的数字论文没给。 该协议下 |𝒢|=|𝒫|=250、总样本 500，所以随机选点时交集期望 125、并集 375，IoU 的随机基线 ≈ 0.333（超几何分布，标准差约 0.02）。也就是说，论文报告的所有分数都低于随机。这是我按其协议算的，论文全文没提任何 chance level——但它把结论从「对得不好」抬成了「系统性反向」。
图 1 正好给出机制：这些相似度场多是横贯整个圆盘的条带，不是围着参考色收拢的紧致区域。余弦距离被某个全局色度方向主导、局部没有以参考色为中心的极小结构，那它选出的 250 点必然偏向圆盘一侧，与居中的小椭圆系统性错开——低于随机是这种几何的必然结果，不是噪声。
会流到哪些真实工作流
- 感知损失对小色差是结构性失明的。 特征距离在参考色附近没有局部结构，意味着颜色偏一点点几乎不产生梯度——修图、上色、去噪模型的偏色，可能不是数据问题，是损失函数看不见。
- 别拿基础模型特征当色彩保真度的代理。 这直接打在「用 VLM 打分闭环调 ISP」这类做法上：色彩那一维的分数很可能不是从色差来的。前阵子读的 TPIPS 与 Language-based Color ISP Tuning，正是这条线的一头一尾。
- SD3-VAE 排名中下值得单记一笔。 它是 latent diffusion 的入口；latent 空间不保色差，意味着扩散模型做颜色任务时存在一个天然误差地板——你在 latent 里做的色彩控制，落回像素的色差代价是看不见的。
局限与存疑
第一，参照系是 CIEDE2000 算出来的等色差域，不是实测观察者数据。严格讲结论是「模型不像 CIE 标准」，不是「不像人」；文中也没写明用的 ΔE₀₀ 阈值。
第二，刺激是合成、静态、恒亮度的裸色块，无空间上下文。而色恒常与色貌恰恰依赖上下文——拿裸色块去问一个从自然图像学表征的编码器，问在了它的弱项上。
第三，等基数设定（模型辨别域面积被先规定死）让随机基线可算，这是好事；但论文没算，也就没能把「低于随机」这个更强的结论收进去。