ClueTracer：面向多模态推理中无训练幻觉抑制的问到视觉线索追踪

大型多模态推理模型通过显式的长链推理解决复杂视觉问题：它们从图像中收集视觉线索，并将线索解码为文本 token。然而，这一能力也会导致幻觉现象——模型生成的内容不受输入图像或问题的支持。为理解这一失效模式，我们识别出\emph{推理漂移}：在线索收集过程中，模型过度聚焦于与问题无关的实体，稀释了对任务相关线索的注意力，进而逐渐使推理轨迹与视觉 grounding 脱节。作为结果，许多针对非推理模型的推理时定位或干预方法，难以在推理场景中精准定位真实线索。鉴于这些洞察，我们引入 ClueRecall，用于评估视觉线索检索的指标，并提出 ClueTracer，一种无需训练、无需参数、且与模型架构无关的插件，用于幻觉抑制。ClueTracer 从问题开始，沿模型的推理路径（问题 $\rightarrow$ 输出 $\rightarrow$ 视觉 token）追踪关键线索如何传播，从而局部化任务相关的 patch，同时抑制对无关区域的注意力。令人惊讶的是，在\textbf{无需任何额外训练}的情况下，ClueTracer 对所有\textbf{推理}架构（包括 \texttt{R1-OneVision}、\texttt{Ocean-R1}、\texttt{MM-Eureka} 等）均实现 $\mathbf{1.21\times}$ 的提升。当迁移到\textbf{非推理}场景时，亦可获得 $\mathbf{1.14\times}$ 的增益。