SHARP：通过表征工程引导 LVLMs 中的幻觉

基于摘要分析。该研究针对大型视觉语言模型（LVLMs）生成看似合理、实际错误或缺乏证据支持的回答这一问题，提出 Steering HAllucination via RePresentation Engineering（SHARP），通过推理时干预内部表征来抑制幻觉，研究对象并非 EEG 或 BCI。 研究聚焦两类在既有工作中被认为重要的幻觉成因：过度依赖文本先验，以及在用户提示与视觉证据冲突时偏向提示。作者报告，表征探测发现，相关幻觉呈现可区分的内部表征模式。SHARP 据此识别与先验偏置、视觉上下文冲突有关的功能表征，并在推理过程中实时联合调整内部激活。摘要尚未说明探测标签、表征提取位置、干预方向的构造方式或调节强度，因此不能据此认定这些细节或表征与幻觉之间的因果关系。 作者报告，在三个大型视觉语言模型及多个基准上的评估显示，SHARP 能减少幻觉，同时保持模型性能与泛化能力。摘要未提供模型和基准名称、具体指标、数值、数据划分及对照方法，现阶段无法判断效果大小、适用边界或推理开销；实验协议、消融及统计信息尚未验证。 该工作的直接贡献是多模态生成模型的表征级幻觉干预。材料未建立其与 EEG 解码或 BCI 任务的具体对应关系，不应将原领域结果视为 BCI 有效性证据；相关 EEG 工作尚未检索确认。