幻觉即利用：携带证据的多模态智能体

多模态智能体常因视觉幻觉导致未授权的工具调用，将回答质量错误转化为安全失效。本文形式化该问题为“幻觉到动作的转换”，并提出携带证据的多模态智能体（ECA）。ECA 将模型自由文本视为不可信证据，通过将工具调用分解为关键谓词，利用受限的 DOM/OCR 验证器获取类型化证书，仅当证书支持时才授予执行权限。实验表明，该方法在多种攻击场景下显著降低了不安全动作率，实现了从模型提议到外部证据授权的范式转变。