Chain-of-Thought VLM Safety Monitoring Hallucination Control Adversarial Prompting
摘要

针对建筑行业高发的可预防伤亡事故,本文提出一种被动式轮班后安全监测流程。该系统采用三阶段架构:首先利用微调的 YOLO11 检测防护装备与隐患,接着通过 SAM 3 优化分割与人员去重,最后引入 Qwen3-VL-8B-Instruct 模型,执行基于方法派表演框架的角色扮演及三遍对抗性思维链协议,以进行合规性验证并控制幻觉。实验表明,该提示设计使精度提升 12%,尤其在易幻觉类别上效果显著,并能生成映射 OSHA 标准的详细安全报告。

AI 推荐理由

论文核心创新在于利用角色扮演的对抗性思维链(CoT)协议进行合规验证,显著提升了推理精度并抑制幻觉。

研究机构
Department of Computer Science, University of Maryland, College Park, MD, USA
论文信息
作者 Ananth Sriram, Neel Mokaria, Rajveer Singh
发布日期 2026-05-19
arXiv ID 2605.19869
相关性评分 8/10 (高度相关)