大部分「测模型懂不懂颜色」的工作，最后都变成再造一个 benchmark，然后报一个分数。这篇来自瓦伦西亚（Malo / Laparra 组）的论文换了个做法：它把桌游《Hues and Cues》的棋盘搬进了实验室——用色度计逐格实测那 16×30 共 480 个色块，映射到 CIE xy 色度图上，于是一张零售桌游变成了一个有实测坐标的离散色度空间。然后它做了一件更重要的事：先把「人自己能做到多好」量出来，再去打分。
问题在哪
「模型的颜色语义对不对」一直缺参照系。说 CLIP 认为「苹果」是红的，偏了多少算偏？人和人本来就不一致——不同人心里的「submarine」是什么颜色，分歧可能比模型和人的分歧还大。没有这条底线，分数无从解释。
方法的关键转折
作者用自建的网页界面收集了 325 名观察者在 100 个词（分七个语义类别）上的颜色联想，然后做留一交叉验证（LOO）：把每个人轮流拿出来，用其余人的共识去预测他，得到的误差就是「人类一致性基线」——一条经验意义上的误差下界。模型再强，也不该指望穿过这条线。
接着他们评了 162 个对比式视觉语言模型（OpenAI CLIP 系约 58%，其余为 SigLIP、CoCa/ConvNeXt、MobileCLIP、EVA 等），用两个统计量分别问两件事：Mahalanobis 距离问「Top-1 预测是否落在人类共识的 95% 置信椭球内」，Hotelling T² 问「Top-5 的整个分布是否和人类质心一致」。这两把尺子不能混着读。
结果分两层。具体物体上，模型确实复刻了人的认知偏差——按 Mahalanobis Top-1，SigLIP 在植物类的失败率 0.050、MobileCLIP 0.10，都低于人类基线 0.13；也就是说模型给出的是那种被理想化了的记忆色（草更绿、番茄更红），和人一样。但在抽象、主观和流行文化类上系统性溃败——按 Top-5 的 Hotelling T²，流行文化类各家在 0.51–0.71，人类基线 0.20；食物类 0.44–0.60，人类基线 0.11。
失效模式有两种：一是语义误分类（整个色类都搞错）；二是「不确定性坍缩」——给模型喂无意义词时，27.78% 塌成中性无彩色，45.06% 表现为高熵随机，还有 27.16% 会固定塌到某个具体颜色，最常见的是棋盘上 I18 那格蓝。另外一个干净的结论：精选数据集（DataComp/DFN）的误差分布明显比海量未筛语料（LAION、YFCC）更紧。
能迁到影像工作流的地方
第一是记忆色。 模型对「食物、植物」给的不是物理测量色，是理想化记忆色——这恰好就是 ISP 偏好色再现（preferred color reproduction）在调的东西。当「把天空调蓝一点」这类自然语言指令交给模型执行时，它心里的天空先验就是 ISP 的目标色；这篇给出了一个可以直接测量这个先验落在色度图哪里的办法。
第二是那条 LOO 下界，方法论价值比结论更大。 任何颜色度量、任何画质/色彩 benchmark，在打分之前都该先画出观察者间变异这条地板线。否则「我们把误差从 2.1 降到 1.8」可能只是在噪声里滑动。这一点可以原样搬到色差模型评估和主观评测设计上。
第三，精选数据 > 海量数据，对颜色相关微调是可操作的指导。
局限与存疑
最要命的一处：人的数据是在未校准的个人设备、不受控观看条件下采的，却要和色度计实测的棋盘坐标比。 这条测量链是断的，论文只在附录里用 von Kries 色适应做了一次稳健性辩护，不足以撑起色度级的结论。
第二处更微妙：受试群体以年轻、西语人群为主，而「流行文化类失配最严重」这个结论恰恰最依赖文化锚定——这里的人类共识本身就是群体局部的，模型和它对不上，未必是模型错，也可能是共识太窄。这个差距是被混淆的，不是干净的证据。
最后，这篇只评了对比式检索模型，没评自回归的大视觉语言模型。它是同一批人在《Do Vision Encoders Exhibit Human-like Color Thresholds?》之后，改从「命名共识」而非「辨别阈」再问一次同一个问题——两条线都还停在编码器层。