MLLM consegue ver? Decodificação de Correção Dinâmica para Mitigação de Alucinação

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

Resumo

Os Modelos de Linguagem Multimodais de Grande Escala (MLLMs) frequentemente apresentam fenômenos de alucinação, mas as razões subjacentes ainda são pouco compreendidas. Neste artigo, apresentamos uma análise empírica e descobrimos que, embora os MLLMs gerem incorretamente os objetos na saída final, na verdade são capazes de reconhecer objetos visuais nas camadas anteriores. Especulamos que isso pode ser devido aos fortes conhecimentos prévios do modelo de linguagem suprimindo a informação visual, levando às alucinações. Motivados por isso, propomos um novo método de decodificação de correção dinâmica para MLLMs (DeCo), que seleciona adaptativamente as camadas anteriores apropriadas e integra proporcionalmente o conhecimento na camada final para ajustar os logits de saída. Observamos que o DeCo é independente do modelo e pode ser incorporado facilmente a várias estratégias de decodificação clássicas e aplicado a diferentes MLLMs. Avaliamos o DeCo em benchmarks amplamente utilizados, demonstrando que pode reduzir significativamente as taxas de alucinação em comparação com os baselines, destacando seu potencial para mitigar alucinações. O código está disponível em 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.