驯服幻觉：通过反事实视频生成提升 MLLM 的视频理解

多模态大型语言模型 (MLLM) 在视频理解方面取得了显著进展。然而，他们面临一个关键漏洞：过度依赖语言先验，尤其在处理反事实视频时，容易产生视觉无依托幻觉。这一局限性源于文本与视频之间数据不平衡，因而难以通过收集和标注反事实数据来缓解。为此，我们提出了 DualityForge——一种新型反事实数据合成框架，采用可控的扩散基于视频编辑将真实视频转化为反事实情景。通过将结构化情境信息嵌入视频编辑和问答生成过程中，该框架自动产生高质量的问答对，并伴随原始-编辑视频对，用于对比训练。基于此，我们构建了 DualityVidQA——一个大规模视频数据集，以降低 MLLM 的幻觉现象。此外，为充分利用配对数据的对比特性，我们提出了 Duality-Normalized Advantage Training (DNA-Train)，这是一种两阶段 SFT-RL 训练方案，其中 RL 阶段采用成对的 $\ell_1$ 优势归一化，从而实现更稳定和更高效的策略优化。在 DualityVidQA-Test 上的实验表明，我们的方法在反事实视频上显著降低了模型幻觉现象，相较于 Qwen2.5-VL-7B baseline 实现了约 24.0% 的相对提升。此外，我们的方法在幻觉和通用基准测试中均取得显著 gains，表明其具备强大的泛化能力。我们将公开数据集和代码。