تتفوق النماذج الكبيرة متعددة الوسائط (MLLMs) في إنتاج ردود استنادًا إلى المدخلات البصرية. ومع ذلك، غالبًا ما تعاني من انحياز يدفعها إلى إنتاج ردود مشابهة لملف التدريب المسبق، مما يُهمّش أهمية المعلومات البصرية. ننظر إلى هذا الانحياز على أنه "تفضيل" مُستند إلى إحصائيات التدريب المسبق، وهو ما يعيق تأصيل النموذج في المدخلات البصرية. لمعالجة هذه المشكلة، نقترح تحسين التفضيل المُستند إلى التوليد (BPO)، الذي يُجري تعلم التفضيل باستخدام مجموعات بيانات تحتوي على ردود سلبية تم استخلاصها من النموذج نفسه. وبشكل خاص، نقترح الاستراتيجيتين التاليتين: 1) استخدام مدخلات صور مشوهة للنموذج متعدد الوسائط (MLLM) للحصول على ردود تحتوي على مؤشرات على الانحياز الناتج عن التدريب المسبق؛ 2) الاستفادة من النماذج اللغوية القائمة على النص (LLM) لإدخال عناصر خاطئة ولكن شائعة بشكل صريح في الرد الأصلي. تُستخدم هذه الردود غير المرغوبة مع الردود المُعلّمة الأصلية من المجموعات لبناء مجموعة بيانات التفضيل، والتي تُستخدم بعدها في عملية تعلم التفضيل. يُظهر نهجنا فعالية في تقليل انحياز النموذج المُدرّب مسبقًا، مما يعزز التأصيل في المدخلات البصرية. تُظهر التجارب الواسعة تحسينات كبيرة في الأداء عبر عدة معايير، ما يُسهم في تطوير الحالة الراهنة لنظم المحادثة متعددة الوسائط.