计算机科学 > 计算机视觉与模式识别
[提交于 2025年7月1日
]
标题: 仅:单层干预足以减轻大型视觉-语言模型中的幻觉
标题: ONLY: One-Layer Intervention Sufficiently Mitigates Hallucinations in Large Vision-Language Models
摘要: 近年来的大型视觉-语言模型(LVLMs)通过文本响应引入了一种理解与推理图像输入的新范式。 尽管它们在多种多模态任务中取得了显著的性能,但它们面临着幻觉这一持续性的挑战,这会引入实际的弱点,并引发对其在现实应用中可靠部署的担忧。 现有工作已探索对比解码方法以缓解此问题,其中原始LVLM的输出与扰动版本的输出进行比较和对比。 然而,这些方法需要两次或更多次查询,这会减慢LVLM的响应生成,使其不太适合实时应用。 为了克服这一限制,我们提出了ONLY,一种无需训练的解码方法,在解码过程中只需一次查询和一层干预,从而实现高效的实时部署。 具体来说,我们通过使用每个标记的文本到视觉熵比率,有选择地增强文本输出中的关键文本信息。 广泛的实验结果表明,我们的ONLY在各种基准测试中始终优于最先进方法,同时需要最少的实现努力和计算成本。 代码可在 https://github.com/zifuwan/ONLY 获取。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.