先分后融：利用模态特定思维链缓解音视频大语言模型推理中的跨模态干扰

针对音视频大语言模型中因跨模态交互失控导致的干扰与幻觉问题，本文提出“先分后融”（SFFL）推理框架。该方法强制实施模态特定的思维链推理，生成独立的音频与视觉推理轨迹，并在证据融合阶段整合信息。通过构建模态偏好标签作为强化学习的辅助奖励，鼓励模型根据实例动态偏好模态线索。实验表明，该机制在保持模态隔离的同时有效利用跨模态信息，显著提升了通用基准及抗幻觉基准上的准确率与鲁棒性。