HKVLM：通过将语言查询绑定至冻结检测器实现忠实的推理 grounding

许多视觉请求需要推理而非简单的类别匹配。现有视觉语言模型（VLM）常出现“看对说错”的绑定失败。本文提出 HKVLM，将定位从语言生成路径中解耦：利用冻结的检测器生成区域提议，冻结的语言模型编码推理指令，并通过轻量级对齐钩子在共享嵌入空间中将二者绑定。该方法引入感知基础的忠实性否决机制以抑制幻觉。实验表明，仅训练钩子即可显著提升 grounding 准确率并大幅降低幻觉率，证实剩余误差主要源于感知而非绑定。