SAVOR：通过置信度校准强化学习实现自我感知视觉落地，以缓解多模态幻觉

英文标题：SAVOR: Self-Aware Visual Grounding via Confidence-Calibrated Reinforcement Learning for Multimodal Hallucination Mitigation

论文提出 SAVOR，旨在缓解多模态大语言模型（MLLM）在视觉问答和图像描述中产生的多模态幻觉问题。此类模型虽然已在视觉理解任务上取得显著进展，但仍可能对图像中不存在或未被视觉证据支持的对象、属性和关系生成流畅但错误的描述。SAVOR 通过置信度校准的强化学习提升模型对自身视觉依据的感知能力，从而增强回答与图像内容之间的对应关系。该研究对需要可靠视觉 grounding 的 AI Agent、多模态 API 及高风险行业应用具有参考意义。

2.1 KB 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB