当观察不足时：视觉注意力结构揭示多模态大语言模型中的幻觉

多模态大语言模型（MLLMs）已成为视觉推理和基于图像问答的关键接口，但仍易受视觉幻觉影响，即生成内容与图像矛盾或提及不存在对象。本文指出，幻觉并非仅因缺乏视觉关注，模型可能在分配大量注意力仍得出错误结论。研究发现，通过层间拉普拉斯能量衡量的视觉注意力高频结构，能揭示幻觉偏好出现及真实答案短暂恢复的层级。据此提出 LaSCD，一种无需训练的解码策略，利用拉普拉斯能量选择信息层并重构下一 token 概率。实验表明该方法显著减少幻觉且保持通用能力。