Lie 结构解析：诊断视觉语言模型中幻觉的多阶段框架
计算机视觉与模式识别
2026-03-17 v1
摘要
视觉语言模型（VLMs）常常会出现“幻觉”——生成看似合理却不符合事实的陈述——这构成了其可靠部署的关键障碍。本文提出了一种新的诊断幻觉范式，将其从静态的输出错误重构为模型计算认知中动态的病态过程。我们的框架基于计算理性的规范原则，使我们能够将VLMs的生成建模为动态的认知轨迹。我们设计了一套信息论探针，将该轨迹投射到可解释的低维认知状态空间中。我们的核心发现是，我们提出的“几何-信息二元性”原理：认知轨迹在该空间中的几何异常，本质上等价于其高信息论惊讶值。幻觉检测被视为几何异常检测问题。在多样化的评估场景中——从严谨的二元问答（POPE）和全面推理（MME）到无约束的开放式描述生成（MS-COCO）——我们的框架实现了最先进的性能。关键在于，方法在弱监督条件下仍具高效性，即使校准数据被严重污染，仍保持高度鲁棒。这种方法使我们能够对故障进行因果归因，将可观察的错误映射到具体的病态状态：感知不稳定（通过感知熵测量）、逻辑因果失效（通过推理冲突测量）以及决策模糊（通过决策熵测量）。最终，这为构建推理透明、可审计且可诊断的AI系统指明了道路。
引用
@article{arxiv.2603.15557,
title = {Anatomy of a Lie: A Multi-Stage Diagnostic Framework for Tracing Hallucinations in Vision-Language Models},
author = {Lexiang Xiong and Qi Li and Jingwen Ye and Xinchao Wang},
journal= {arXiv preprint arXiv:2603.15557},
year = {2026}
}