Activation Steering Decoding：通过双向隐状态干预缓解大型视觉语言模型中的幻觉

基于摘要分析。本文研究大型视觉语言模型（LVLMs）生成内容与视觉输入不一致的幻觉问题，提出 Activation Steering Decoding（ASD）：从生成过程的中间激活中识别幻觉相关方向，再通过双向隐状态干预和对比解码抑制幻觉，无需重新训练模型或修改架构。 机制方面，作者报告幻觉内容在模型隐状态空间中呈现可识别的模式。ASD 使用小规模校准集识别这些方向性模式，并计算正向与负向引导预测之间的差异，以抑制幻觉相关生成。摘要未说明校准样本的构造与标注方式、干预位置、方向估计方法，以及对比预测如何组合为最终解码分布，这些实现条件尚未验证。“无需训练”也不等于无需校准数据或额外推理开销。 结果方面，作者报告该方法在多个基准上显著减少幻觉，同时维持一般视觉理解任务表现；但摘要未提供基准名称、模型、指标、数值、对照方法或统计检验信息，因此尚不能判断改善幅度、模型间一致性及部署成本。实验协议、消融及统计信息尚未验证。 本文主要贡献属于 LVLM 生成阶段的激活干预，而非 EEG/BCI 解码方法，也不能仅凭来源栏目将其认定为状态空间模型研究。摘要未给出与神经信号处理的具体机制对应，因而不据此推断其具有 EEG/BCI 效果。