结论：Rochester理工学院、克莱姆森大学、Virginia Tech与Amazon团队于上海时间2026年8月28日（对应27 Aug 15:48 UTC）在arXiv公开BrailleBench预印本，系统检验大模型对盲文撰写内容的理解与盲文表达能力。在作者覆盖数学、常识与多跳问答共5,570例、6个代表模型的闭卷对照评估中，纯英文能力不自动迁移至盲文，任意涉盲文设置均显著低于英文基准，二级盲文（Grade2）输入尤为脆弱且端到端盲文交互进一步恶化；该结论仅来自作者受控实验，尚未经同行评审或独立验证，不能视为普遍可用性结论。
研究对象与方法
研究针对盲人与视障用户以盲文作为私密、可编辑输入输出通道而非语音替代的无障碍场景，提出BrailleBench的多准则评估框架：区分G→E（盲文输入、英文作答）、E→G（英文输入、盲文作答）与G→G（盲文端到端）三类交互方向，并对照Grade1（无缩写）与Grade2（高频词与字母组合缩写）两等级。为避免LLM生成偏置，方法采用任务感知归一化（数学公式线性化、问答结构对齐）、基于liblouis 3.32.0与固定UEB表en-ueb-g1.ctb/en-ueb-g2.ctb的确定性转写，同步生成Braille ASCII、Unicode与点位三形态并做跨形态单元一致性与回译诊断校验，再经专家复核；工具链以Braille Toolkit开源，可复用于自有数据的Grade1/2对照构建与模型输出合法性校验。
数据范围与评估条件
基准对齐5,570例源数据：GSM8K与CommonsenseQA全量测试集、AIME 2024、HotpotQA与2WikiMultiHopQA各1,500例开发集首段，经同一任务感知管道同步产出英文、Grade1与Grade2盲文对照记录。每例在7种英-盲文交互协议下以任务原生指令评估（数学要求\boxed{}数值、常识与多跳问答以“The answer is:”抽取Exact Match及F1），闭卷无示例、无检索、无盲文解码密钥，盲文一律以Braille ASCII呈现并辅以Unicode/点位变体可做表征消融。评测模型6个：Claude Opus 4.8（含CoT与非CoT）、Claude Haiku 4.5、Llama 3.3 70B Instruct、Llama 3.1 8B Instruct、Qwen3 32B与Qwen3 1.7B，生成长度AIME 4,096、其余1,024，盲文输出经格式感知门控与等级匹配回译后按原任务指标计分。
主要发现（作者报告，未独立验证）
作者报告：引入盲文后所有模型与数据集均出现广泛下降，最强英文模型相对保留更多但小模型常近乎失能，数学区分度最清晰。方向不对称明显：模型可在G→E部分恢复盲文问题，却在E→G已知答案转盲文时失效，G→G复合失败最不可靠。等级上Grade2输入显著难于Grade1，尤其在输入侧（Opus 4.8在GSM8K G→E中Grade1 89.8% vs Grade2 67.9%，CommonsenseQA 86.9% vs 34.6%），而仅需产出盲文时等级差相对缓和。作者强调长度不能解释难度：Grade2细胞更少但缩写使单细胞负载更多语义且依赖位置与上下文，错误易级联；完全盲文化指令（FULLBR）亦未缓解，提示盲文解码与上下文理解是独立瓶颈。结果同时揭示工程提示：仅以字符长度或常见分词评估会低估盲文无障碍缺口。
局限与同行评审状态
该工作为arXiv:2608.27268v1预印本，尚未经期刊或会议正式同行评审，无独立复现。关键限制包括：仅限英语统一盲文（UEB）Grade1/2，且数学内容按英文UEB线性化转写而非Nemeth盲文码，未覆盖中文、法语等盲文体系与真实触觉设备、屏幕阅读器的交互；仅6模型×5数据集的闭卷零样本评估，未测试指令微调、盲文专用预训练、检索增强或多轮纠错；基准虽经确定性转写与专家复核，但源数据仍为公开榜单的抽样子集，真实盲文用户提问分布、拼写变体与容错需求未纳入；指标以Exact Match为主，F1为辅，对空回应、拒答与不可解析输出零分处理，部署中可通过示例与交互设计缓解，结果不应直接外推为线上盲文可用性。
潜在意义
若后续获同行评审与多机构复现支持，该基准为以盲文为输入输出通道的无障碍LLM评估提供了可复现、确定性且避免LLM自生成偏置的度量，提示强英文推理能力不自动等同于盲文可达性，输入侧对缩写盲文的词汇与位置消歧是首要短板，对盲文输入解析、输出可读性校验与端到端交互的分别优化具参考价值；在落地前仍需在更多语言盲文、Nemeth数学盲文、真实用户编辑轨迹与可及性反馈闭环下的前瞻验证。