圖中體現(xiàn)了兩種幻覺，紅色部分錯誤地描述了狗的顏色（屬性幻覺），藍色部分描述了圖中實際不存在的事物（目標幻覺）?；糜X對模型的可靠性產(chǎn)生了顯著的負面影響，因此引起了許多研究者的重視。

以往的方法主要集中在 MLLM 本身，通過在訓練數(shù)據(jù)以及架構(gòu)上進行改進，以重新微調(diào)的方式訓練一個新的 MLLM。這種方式會造成較大的數(shù)據(jù)構(gòu)建和訓練開銷，且較難推廣到各種已有的 MLLMs。

近日，來自中科大等機構(gòu)的研究者們提出了一種免訓練的即插即用的通用架構(gòu)“啄木鳥（Woodpecker）”，通過修正的方式解決 MLLM 輸出幻覺的問題。

論文鏈接：

https://arxiv.org/pdf/2310.16045.pdf

代碼鏈接：

https://github.com/BradyFU/Woodpecker

方法

關(guān)鍵概念提?。?/span>關(guān)鍵概念指的是 MLLM 的輸出中最可能存在幻覺的存在性目標，例如上圖描述中的“自行車；垃圾桶；人”。我們可以 Prompt 大語言模型來提取出這些關(guān)鍵概念，這些關(guān)鍵概念是后續(xù)步驟進行的基礎(chǔ)；

問題構(gòu)造：圍繞著前一步提取出的關(guān)鍵概念，Prompt 大語言模型來提出一些有助于檢驗圖片描述真?zhèn)蔚膯栴}，如“圖中有幾輛自行車？”、“垃圾桶邊上的是什么？”等等；

視覺知識檢驗：使用視覺基礎(chǔ)模型對提出的問題進行檢驗，獲得與圖片以及描述文本相關(guān)的信息。例如，我們可以利用 GroundingDINO 來進行目標檢測，確定關(guān)鍵目標是否存在以及關(guān)鍵目標的數(shù)量。這里我們認為像 GroundingDINO 這類視覺基礎(chǔ)模型對圖片的感知能力比 MLLM 本身的感知能力更強。對于目標顏色等這類屬性問題，我們可以利用 BLIP-2 來進行回答。BLIP-2這類傳統(tǒng) VQA 模型輸出答案的長度有限，幻覺問題也更少；

視覺斷言生成：基于前兩步中獲得的問題以及對應(yīng)的視覺信息，合成結(jié)構(gòu)化的“視覺斷言”。這些視覺斷言可以看做與原有 MLLM 的回答以及輸入圖片相關(guān)的視覺知識庫；

幻覺修正：基于前面得到的，使用大語言模型對 MLLM 的文本輸出進行逐一修正，并提供目標對應(yīng)的檢測框信息作為視覺檢驗的參照。

實驗效果

此外，研究者還應(yīng)用更全面的驗證集 MME，進一步測試 Woodpecker 在面對屬性幻覺時的修正能力，結(jié)果如下表所示：

從表中可見 Woodpecker 不僅在應(yīng)對目標幻覺時有效，在修正顏色等屬性幻覺時也具有出色的表現(xiàn)。LLaVA 的顏色得分從 78.33 分大幅提升到 155 分！經(jīng)過 Woodpecker 修正后，四個基線模型在四個測試子集上的總分均超過 500 分，在總體感知能力上獲得了顯著提升。

• 準確度：模型的答復相對于圖片內(nèi)容是否準確

• 詳細程度：模型答復的細節(jié)豐富度