arXiv 2026年10月5日该工作提出免训练的 Relevant Evidence Decoding（RED），用逐点互信息把音视频联合预测拆分为音频、视频与残差交互三部分，并通过仅问题推理判断所需证据类型后只增强对应贡献；在三个音视频幻觉基准与三个 AV-LLM 上，RED 相对标准解码最高提升 CMM 7%、AVHBench 6.3%、SVHalluc 3.8%，平均首 token 时间约为标准解码的 1.5 倍。该工作提出免训练的 Relevant Evidence Decoding（RED），用逐点互信息把音视频联合预测拆分为音频、视频与残差交互三部分，并通过仅问题推理判断所需证据类型后只增强对应贡献；在三个音视频幻觉基准与三个 AV-LLM 上，RED 相对标准解码最高提升 CMM 7%、AVHBench 6.3%、SVHalluc 3.8%，平均首 token 时间约为标准解码的 1.5 倍。RED 免训练解码方法在三个音视频幻觉基准上把准确率最高提升 7%，首 token 时间约为标准解码的 1.5 倍该工作提出免训练的 Relevant Evidence Decoding（RED），用逐点互信息把音视频联合预测拆分为音频、视频与残差交互三部分，并通过仅问题推理判断所需证据类型后只增强对应贡献；在三个音视频幻觉基准与三个 AV-LLM 上，RED 相对标准解码最高提升 CMM 7%、AVHBench 6.3%、SVHalluc 3.8%，平均首 token 时间约为标准解码的 1.5 倍。该工作提出免训练的 Relevant Evidence Decoding（RED），用逐点互信息把音视频联合预测拆分为音频、视频与残差交互三部分，并通过仅问题推理判断所需证据类型后只增强对应贡献；在三个音视频幻觉基准与三个 AV-LLM 上，RED 相对标准解码最高提升 CMM 7%、AVHBench 6.3%、SVHalluc 3.8%，平均首 token 时间约为标准解码的 1.5 倍。