文章首次系统评估了四种大型视觉语言模型（CLIP、LLaVA、OpenFlamingo、GPT-4o）在艺术史属性分类任务中的表现，包括艺术风格、作者和时期预测。通过WikiArt和JenAesthetics基准数据集及自建挑战集ArTest的分析表明，GPT-4o在风格分类上表现最佳（ArTest准确率65.31%），但仍显著低于专用模型的71.24%。研究发现模型对印象派、巴洛克等流行风格识别较好，但对立体主义分支等复杂风格存在混淆。添加作者和年代信息可提升LLaVA性能20%，但模型仍会犯艺术史专家不可接受的错误，强调该领域仍需专家监督。
艺术史分类涉及作者、时期、地理起源等多维度属性，传统上依赖专家人工分析。尽管自动化分类能提升艺术品管理效率，但艺术风格的多样性（从写实到抽象）使其成为极具挑战的任务。大型视觉语言模型（VLMs）在多领域表现出色，但尚未在艺术史领域被系统评估。
文章评估四种前沿VLMs：CLIP（基于对比学习的图像-文本匹配）、LLaVA（视觉指令微调的多模态助手）、OpenFlamingo（自回归视觉语言模型）和GPT-4o（闭源多模态模型）。所有测试均在零样本场景下进行，未针对任务微调。
采用三个核心数据集：WikiArt（81,449幅画作，27种风格）、JenAesthetics（1,576幅油画，11个时期）和专家策划的ArTest挑战集（147幅关键作品，含毕加索多风格作品及艺术史经典）。ArTest特别包含36幅WikiArt未收录的非常规画作。
聚焦三个艺术史属性预测：
1. 艺术风格分类（27类）
2. 作者识别（最高1,119位艺术家）
3. 时期预测（按世纪/十年评估）
创新性地探索上下文提示增强策略，如在LLaVA提示中加入作者和创作年份信息。
GPT-4o表现最优（WikiArt 51.62%，ArTest 65.31%），但仍落后专用模型11个百分点。所有模型对巴洛克、印象派等流行风格识别较好（F1最高0.9），但对行动绘画、新现实主义等风格识别率为零。添加作者和年份信息使LLaVA在JenAesthetics准确率提升20.47%，但对俄语艺术家作品无效。
模型混淆具有时空相似性的风格：
- CLIP将现实主义误判为浪漫主义（训练集偏差）
- LLaVA将37%的立体主义作品错误归为分析立体主义
- GPT-4o将弗兰克·斯特拉的《马拉喀什》（色域绘画）误判为欧普艺术
OpenFlamingo存在严重词汇缺陷，常输出"鱼类学"等无关标签。
作者识别中，CLIP在ArTest达63.27%（知名艺术家优势），但将9幅毕加索作品误归乔治·布拉克。时期预测上，CLIP世纪级准确率最高（WikiArt 89.25%），而LLaVA因频繁输出"19世纪"（实际画作均创作于1900年后）表现差于随机基线。
VLMs在艺术史多任务处理上展现潜力，但存在根本局限：
1. 对艺术运动边界理解不足，尤其立体主义等复杂风格
2. 描述缺乏专业性（如将"湿壁画"误认为艺术风格）
3. 非知名艺术家识别率骤降
文章强调当前模型无法替代艺术史专家，需建立专家监督机制避免错误传播，未来需融合艺术史知识图谱改进模型。