音频大模型说“有声音”时，证据在不在那段波形里：抹掉CLAP定位区，翻转率16.8%对随机3.1%
把音频大模型声称听到的那段波形单独抹掉，比抹掉同样长的随机片段更能推翻它的“有声音”判断，说明这类幻觉至少部分依赖可定位的音频证据，而按位置做对比解码还能把Qwen2-Audio的准确率从57.1%提到71.9%。
AnswerMap 用行、列条带的“yes”后验外积生成 VLM 空间解释图，在四个模型上删除其区域可翻转 53% 的正确答案
该工作提出 AnswerMap：把图像切成 K 个行条带与 K 个列条带，分别单独送入冻结的视觉语言模型并问一个关于查询的是/否问题，取行、列“yes”后验的外积得到查询条件下的空间图，再在图上定义固定读出（如期望、最大值）直接导出连续输出；在四个模型、三种查询分布上，该图与模型自身生成点的 AUC 为 0.85（注意力为 0.38），删除其区域使 53% 的正确答案翻转（注意力为 19%），并可用最大值标记幻觉对象、用期望在模型自身指向失败时定位、用最高质量区域裁剪修正约一半错误答案。
跨25个模型定位VQ视觉语言模型的L0注意力路由回路，仅消融该回路使开放生成物体幻觉相对下降31%
该研究用激活修补在横跨八个LLM家族的二十五个模型上识别出VQ分词视觉语言模型共有的早期层（L0）注意力路由回路，提出三门槛诊断区分出十个携带该回路的模型并排除其余十五个，通过单变量架构替换（LLaVA-1.6 CLIP+MLP→VQ+Linear）证明向量量化是该病理性信号的来源，并显示只有L0消融能在开放生成中降低物体幻觉（CHAIR_i相对下降31%），而调优后的DoLA与VCD无此效果。
已读完全部报道