生成但验证：通过回顾性重采样减少视觉-语言模型的幻觉

视觉-语言模型（VLMs）在视觉理解方面表现出色，但常常受到视觉幻觉的影响，即生成对不存在的物体、动作或概念的描述，这在安全关键应用中带来了显著的风险。现有的幻觉缓解方法通常遵循两种范式之一：生成调整，通过修改解码行为使文本与视觉输入对齐；以及事后验证，利用外部模型评估和纠正输出。虽然这些方法有效，但生成调整方法往往依赖于启发式方法且缺乏校正机制，而事后验证则较为复杂，通常需要多个模型，并倾向于拒绝输出而非对其进行优化。在本研究中，我们引入了REVERSE框架，该框架将幻觉感知训练与即时自我验证相结合。通过利用包含超过130万个半合成样本的新幻觉验证数据集，以及一种新颖的推理时回顾性重采样技术，我们的方法使VLMs能够在生成过程中检测幻觉，并动态地修正这些幻觉。评估结果显示，REVERSE在减少幻觉方面达到了最先进的水平，在CHAIR-MSCOCO数据集上比现有最佳方法高出12%，在HaloQuest数据集上高出28%。我们的数据集、模型和代码可在以下网址获取：https://reverse-vlm.github.io。