¿Puede MLLM ver? Decodificación de Corrección Dinámica para la Mitigación de Alucinaciones.

MLLM can see? Dynamic Correction Decoding for Hallucination Mitigation

October 15, 2024

Autores: Chenxi Wang, Xiang Chen, Ningyu Zhang, Bozhong Tian, Haoming Xu, Shumin Deng, Huajun Chen

cs.AI

Resumen

Los Modelos de Lenguaje Multimodales de Gran Tamaño (MLLMs) frecuentemente presentan fenómenos de alucinación, pero las razones subyacentes siguen siendo poco comprendidas. En este artículo, presentamos un análisis empírico y encontramos que, aunque los MLLMs generan incorrectamente los objetos en la salida final, en realidad son capaces de reconocer objetos visuales en las capas previas. Especulamos que esto puede deberse a los fuertes conocimientos previos del modelo de lenguaje que suprimen la información visual, lo que conduce a alucinaciones. Motivados por esto, proponemos un novedoso método de decodificación de corrección dinámica para MLLMs (DeCo), que selecciona de forma adaptativa las capas previas apropiadas e integra proporcionalmente conocimiento en la capa final para ajustar los logits de salida. Cabe destacar que DeCo es independiente del modelo y puede incorporarse fácilmente con diversas estrategias clásicas de decodificación y aplicarse a diferentes MLLMs. Evaluamos DeCo en benchmarks ampliamente utilizados, demostrando que puede reducir significativamente las tasas de alucinación en comparación con los baselines, resaltando su potencial para mitigar las alucinaciones. El código está disponible en https://github.com/zjunlp/DeCo.

English

Multimodal Large Language Models (MLLMs) frequently exhibit hallucination phenomena, but the underlying reasons remain poorly understood. In this paper, we present an empirical analysis and find that, although MLLMs incorrectly generate the objects in the final output, they are actually able to recognize visual objects in the preceding layers. We speculate that this may be due to the strong knowledge priors of the language model suppressing the visual information, leading to hallucinations. Motivated by this, we propose a novel dynamic correction decoding method for MLLMs (DeCo), which adaptively selects the appropriate preceding layers and proportionally integrates knowledge into the final layer to adjust the output logits. Note that DeCo is model agnostic and can be seamlessly incorporated with various classic decoding strategies and applied to different MLLMs. We evaluate DeCo on widely-used benchmarks, demonstrating that it can reduce hallucination rates by a large margin compared to baselines, highlighting its potential to mitigate hallucinations. Code is available at https://github.com/zjunlp/DeCo.