细粒度多图像物体幻觉基准

多模态 大语言模型 (MLLM) 越来越多地部署在需要跨视觉上下文进行复杂推理的多图像场景中。然而，当前的 MLLM 从根本上仍然受到物体幻觉的限制——生成看似合理但实际上与物体不一致的描述。现有的基准主要针对单图像设置或仅提供高级多图像评估，无法系统地诊断视觉复杂性和推理需求如何触发幻觉。为了解决这一差距，我们引入了 MIOH，一种细粒度的多图像物体幻觉基准，它在三种受控对抗压力（视觉上下文尺度、感知难度、上下文偏差）下通过三种多图像推理模式（综合、比较、选择性）系统地评估四个基本任务（存在、计数、属性、位置）的物体幻觉。通过对 29 个模型的评估，我们发现即使是像 GPT-5 和 Gemini-2.5-Pro 这样最先进的系统，在不同的推理模式和任务中也会表现出不同的故障模式。我们的评估表明，幻觉不仅源于感知失败，还源于维持多个图像中的对象表示时的整合阶段限制。 MIOH 提供了一个用于分析多图像物体幻觉的受控框架，并作为开发更可靠的多模式人工智能系统的关键评估工具。