圖中體現了兩種幻覺，紅色部分錯誤地描述了狗的顏色（屬性幻覺），藍色部分描述了圖中實際不存在的事物（目標幻覺）。幻覺對模型的可靠性產生了顯著的負面影響，因此引起了許多研究者的重視。

以往的方法主要集中在 MLLM 本身，通過在訓練數據以及架構上進行改進，以重新微調的方式訓練一個新的 MLLM。這種方式會造成較大的數據構建和訓練開銷，且較難推廣到各種已有的 MLLMs。

近日，來自中科大等機構的研究者們提出了一種免訓練的即插即用的通用架構“啄木鳥（Woodpecker）”，通過修正的方式解決 MLLM 輸出幻覺的問題。

論文鏈接：

https://arxiv.org/pdf/2310.16045.pdf

代碼鏈接：

https://github.com/BradyFU/Woodpecker

方法

關鍵概念提?。?/span>關鍵概念指的是 MLLM 的輸出中最可能存在幻覺的存在性目標，例如上圖描述中的“自行車；垃圾桶；人”。我們可以 Prompt 大語言模型來提取出這些關鍵概念，這些關鍵概念是后續步驟進行的基礎；

問題構造：圍繞著前一步提取出的關鍵概念，Prompt 大語言模型來提出一些有助于檢驗圖片描述真偽的問題，如“圖中有幾輛自行車？”、“垃圾桶邊上的是什么？”等等；

視覺知識檢驗：使用視覺基礎模型對提出的問題進行檢驗，獲得與圖片以及描述文本相關的信息。例如，我們可以利用 GroundingDINO 來進行目標檢測，確定關鍵目標是否存在以及關鍵目標的數量。這里我們認為像 GroundingDINO 這類視覺基礎模型對圖片的感知能力比 MLLM 本身的感知能力更強。對于目標顏色等這類屬性問題，我們可以利用 BLIP-2 來進行回答。BLIP-2這類傳統 VQA 模型輸出答案的長度有限，幻覺問題也更少；

視覺斷言生成：基于前兩步中獲得的問題以及對應的視覺信息，合成結構化的“視覺斷言”。這些視覺斷言可以看做與原有 MLLM 的回答以及輸入圖片相關的視覺知識庫；

幻覺修正：基于前面得到的，使用大語言模型對 MLLM 的文本輸出進行逐一修正，并提供目標對應的檢測框信息作為視覺檢驗的參照。

實驗效果

此外，研究者還應用更全面的驗證集 MME，進一步測試 Woodpecker 在面對屬性幻覺時的修正能力，結果如下表所示：

從表中可見 Woodpecker 不僅在應對目標幻覺時有效，在修正顏色等屬性幻覺時也具有出色的表現。LLaVA 的顏色得分從 78.33 分大幅提升到 155 分！經過 Woodpecker 修正后，四個基線模型在四個測試子集上的總分均超過 500 分，在總體感知能力上獲得了顯著提升。

• 準確度：模型的答復相對于圖片內容是否準確

• 詳細程度：模型答復的細節豐富度