视觉干预并非越深越好：等强度编辑在解码中段失去杠杆，按题型校准后再用才把属性准确率提上去

视觉干预的效果随解码深度变化，存在一个效果持续走低的区段，其起点被命名为证据锚定边界（EAB，即该编辑对最终答案影响力开始明显衰减的层位置）。 此前的工作多从注意力图或中间状态定位有希望的干预层，但定位到一个可读的层并不等于该层上的编辑仍能改变最终答案。 在三个模型家族共六个检查点上，对同一视觉残差编辑逐层施加并把每次编辑的均方根强度对齐，冻结在标定查询上选出的边界后，在完全不相交的评测查询上边界之前的效果大于边界之后的效果，每个图像簇置信区间都不包含一。

答案偏好的稳定与视觉编辑的有效性不是同一件事：模型在编辑已基本失效之后仍在继续形成答案偏好。 一种自然的解释是效果下降只是因为答案已经定型，但中间读出显示并非如此。 把EAB与答案承诺点（ACP，即解码出的答案符号与候选排序开始与最终预测保持一致的层）比较，读出在EAB之后仍可继续改善；在每模型96组受控三元组审计中，该窗口编辑只纠正了LLaVA-7B的两个基线错误，其余三个检查点为零。

反事实相减是否有益取决于它移除的是哪一种偏好，同一操作在不同题型上可以是纠正、冗余或破坏。 相减此前常被当作普遍适用的修正手段，而全量相减在完整属性集上中性或有害。 在反事实偏好指向错误候选的AMBER困难属性子集上，相减在LLaVA-7B、LLaVA-13B和InternVL上分别把配对准确率提高；但在完整属性集上变化为中性或负向，直接接触关系上两个LLaVA检查点也出现下降。

按题型校准的选择性路由默认保留原始预测，只在标定支持时才施加干预，从而把相减的收益集中到可用之处。 全量相减在三个检查点上对完整属性集准确率的变化为中性或有害，而路由在同一批图像上取得提升。 路由在LLaVA-7B、LLaVA-13B和InternVL三个检查点上提高完整属性集准确率，三个增益的图像簇置信区间都在零以上；规则由五折图像不相交交叉验证选出，每张图像由未见过它的规则打分。

报告面向研究多模态大模型幻觉修正的研究人员与工程师，覆盖LLaVA-1.5-7B/13B、Qwen2.5-VL-7B、InternVL3.5-8B四个基础检查点，并在LLaVA-NeXT-34B与Qwen2.5-VL-32B上复现深度趋势。EAB描述的是所测试的视觉残差编辑在给定检查点上的效果轨迹，标定与评测使用不相交图像，边界在标定后冻结再评测。路由增益主要建立在二值属性声明上，作者提出在施加视觉修正前先测量所选算子在目标深度的影响力，再在目标任务上评估由此产生的决策。

边界位置由一条操作规则给出，48例标定与72例评测的划分支持所报告的效果对比，但作者指出需要更大、更多样的样本来估计边界位置在不同设定下的泛化精度。数值结果覆盖一条边界规则和一个主要Q1算子，新模型、提示、算子或任务类别都需要重新标定。PEC只在经过标定的POPE对抗设定中使用，冻结配置迁移到TextVQA与MME时出现下降。额外的反事实前向带来计算开销，墙钟延迟与浮点运算开销尚未测量。