清华团队提出"视觉源幻觉"新机制，仅用 0.9% 数据实现多基准 SOTA

清华大学研究团队在 ACM MM 2026（第 34 届 ACM 国际多媒体会议）发表论文，提出多模态大模型物体幻觉的新解释机制——"视觉源幻觉"（visual-origin hallucination）。

传统观点认为，模型幻觉主要源于"语言先验"——训练语料中某些概念的共现统计使模型产生偏见。但清华团队发现，当模型输出很短（如仅回答 Yes/No）时，语言先验的作用大幅削弱，此时幻觉根植于视觉特征提取本身。研究人员据此提出 ACFT 方法，仅用 COCO 数据集 0.9% 的数据量、且不增加任何推理开销，就在 POPE、MME 及四个描述级幻觉基准上，于 LLaVA、MiniGPT-4、Qwen2.5-VL 三个模型上取得优异表现。

论文链接：http://arxiv.org/abs/2609.00231

【AICOR 点评】"视觉源幻觉"的发现具有范式意义：它证明多模态模型的可靠性瓶颈不仅在于"怎么说"，更在于"怎么看"。对于部署 AI 视觉系统的企业——尤其是自动驾驶、医疗影像等高风险场景——这一研究提醒我们：幻觉治理不能只在文本侧做文章，视觉编码器的质量同样决定系统安全边界。AICOR 认为，可信 AI 的建设需要跨模态的全链路审视，而非单点优化。