arXiv 2026年10月5日该工作针对多模态大模型（MLLM）幻觉问题提出不确定性量化方法 Causal-Invariant Masking（CIM），通过测量原始预测与因果聚焦视图下预测之间的语义偏移来分解不确定性类型，并给出核心指标 Semantic Divergence 及理论证据说明其收敛于模型对非因果相关性敏感度的方差，同时提出快速几何代理指标 Expected Embedding Drift（EED），实验显示方法在多个基准上达到 state-of-the-art，EED 在性能可比的情况下加速近 50%。该工作针对多模态大模型（MLLM）幻觉问题提出不确定性量化方法 Causal-Invariant Masking（CIM），通过测量原始预测与因果聚焦视图下预测之间的语义偏移来分解不确定性类型，并给出核心指标 Semantic Divergence 及理论证据说明其收敛于模型对非因果相关性敏感度的方差，同时提出快速几何代理指标 Expected Embedding Drift（EED），实验显示方法在多个基准上达到 state-of-the-art，EED 在性能可比的情况下加速近 50%。CIM 通过因果不变掩码分解 MLLM 不确定性，EED 代理指标在近乎 50% 加速下保持可比性能该工作针对多模态大模型（MLLM）幻觉问题提出不确定性量化方法 Causal-Invariant Masking（CIM），通过测量原始预测与因果聚焦视图下预测之间的语义偏移来分解不确定性类型，并给出核心指标 Semantic Divergence 及理论证据说明其收敛于模型对非因果相关性敏感度的方差，同时提出快速几何代理指标 Expected Embedding Drift（EED），实验显示方法在多个基准上达到 state-of-the-art，EED 在性能可比的情况下加速近 50%。该工作针对多模态大模型（MLLM）幻觉问题提出不确定性量化方法 Causal-Invariant Masking（CIM），通过测量原始预测与因果聚焦视图下预测之间的语义偏移来分解不确定性类型，并给出核心指标 Semantic Divergence 及理论证据说明其收敛于模型对非因果相关性敏感度的方差，同时提出快速几何代理指标 Expected Embedding Drift（EED），实验显示方法在多个基准上达到 state-of-the-art，EED 在性能可比的情况下加速近 50%。