VL-Calibration：大型视觉语言模型推理的解耦置信度校准

大型视觉语言模型（LVLMs）虽具备强大的多模态推理能力，但常伴随高置信度的幻觉与错误回答。现有方法通常优化单一的整体置信度，无法区分感知失败与推理错误。为此，本文提出 VL-Calibration，一种强化学习框架，将置信度显式解耦为视觉置信度与推理置信度。通过结合图像扰动下的视觉接地度量与内部令牌熵，该方法在无真实感知标签下监督视觉置信度，并利用令牌级优势重加权抑制幻觉。实验表明，该方法在多个基准上有效提升了校准效果及视觉推理准确率。