폐쇄형 예/아니오 (yes/no) 공간 벤치마크는 이미지가 이미지가 없는 문맥(no-image contexts) 이상의 지원을 거의 제공하지 않음에도 불구하고 정답에 보상을 줄 수 있습니다. 고정된 강제 선택 인터페이스(forced-choice interface) 하에서, 시각적 신용 감사 (Visual Credit Audit, VCA)는 두 가지 추정량(estimands)을 분리합니다: 벤치마크 이미지가 텍스트 전용(text-only) 및 공백 대조군(blank controls)보다 모델의 선언된 결정에 더 많은 근거를 제공하는지 여부, 그리고 모델이 관계 특화된 시각적 증거(relation-specific visual evidence)에 반응하는지 여부입니다. 첫 번째 감사는 학습 및 라벨이 필요하지 않으며(training- and label-free), 답변 반전(answer flip)을 요구하지 않습니다. 라벨을 적용하면 의존성 신용 정확도 (dependence-credited correctness, D-CC)를 얻을 수 있습니다. 정답 항목의 경우, 이는 동일 대조군 골드 정렬 양의 이득(same-control gold-aligned positive gain)과 동일하며, 예측 정렬(prediction alignment)은 감사를 오류까지 확장합니다. 4개의 오픈 멀티모달 대규모 언어 모델 (MLLMs)과 2개의 공간 벤치마크를 대상으로 조사한 결과, 결정의 12.73-26.25%가 정답이지만 신용을 받지 못했습니다(uncredited). 일치하는 동일 분할 이미지 순열(matched same-split image permutation)은 D-CC를 21.25-47.80포인트 감소시키며, 모든 쌍의 95% 신뢰 구간은 0보다 높습니다. 고정 픽셀 관계 대조(Fixed-pixel relation contrasts)와 3x3 증거 소스 요인 설계(evidence-source factorial)는 왜 영 대조군(null controls)이 관계 반응을 식별할 수 없는지를 보여줍니다. 통제된 '정답이지만 신용받지 못한' 일치 결정 중에서, 관계 반전(relation reversal)에 대한 반응은 81.57-100.00%에 달하는 반면, 통합된 32.11%는 답변을 변경했습니다. 108개의 기하학적 호환 편집(geometry-compatible edits)에 대한 독립적 감사 결과는 유계된 자연 이미지 대응 확인(bounded natural-image correspondence check)을 제공합니다. 이를 통해 VCA는 벤치마크의 성공을 정확성, 추가적인 이미지 지원, 그리고 관계 일관적 반응으로 분해합니다.