英文题目：Multi-Faceted Evaluation and Mitigation of Emotion Hallucinations in MLLMs
标签：#语音情感识别 | #评测协议 | #测试时自适应 | #模型评估 | #音视频
评分：6.7/10 | 创新 1.4/2 | 技术严谨 1.1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Bowen Zeng：机构信息未在 arXiv HTML 中可靠披露
- Peipei Song：机构信息未在 arXiv HTML 中可靠披露
- Weidong Chen：机构信息未在 arXiv HTML 中可靠披露
- Shengeng Tang：机构信息未在 arXiv HTML 中可靠披露
- Song Ye：机构信息未在 arXiv HTML 中可靠披露
- Yuanhong Zhong：机构信息未在 arXiv HTML 中可靠披露
- Beier Zhu：机构信息未在 arXiv HTML 中可靠披露
- Xun Yang：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
开放式情绪推理需从视频、音频与文本生成自由文本解释，难点在于情绪线索隐式且推理链长，对象级幻觉指标与封闭问答无法覆盖多面错误。EHR评估器先将生成拆成可验证声明并映射到表情、动作、音频、直觉、逻辑与结论六个切面，再由法官模型给出支撑与否标签并定位幻觉词元跨度以计算切面幻觉率。HMER以幻觉记忆累积幻觉跨度的全词表分布方向，用目标对数修正抑制与幻觉方向相关且当前上下文高概率的词表项，重塑下一轮解码轨迹。同时锚记忆只收录每句修正候选中幻觉率最低的可信句子作为后续自回归上下文，阻断被拒候选的错误历史进入后续推理。与粗粒度对比解码只做全局压制不同，HMER用词表级抑制方向做目标修正并用可信锚点做轨迹级隔离，因而能同时降低感知与推理幻觉而不牺牲流畅性。在OV-MERD+零样本开放式情绪推理评测设置下，HMER方法的总体幻觉率指标EHRtotal为23.52%，低于AffectGPT基线的32.43%。该结论适用边界受限于三个情绪推理数据集与三类基座的零样本生成场景，依赖自动评测与人工高度一致假设，对长尾情绪与强遮挡多模态冲突的外推尚未验证。推理开销随最大修正轮数增长，K为3时单样本延迟已达157.44秒，输入输出词元与延迟同步上升，需以早停控制实际成本。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
输入是什么，目标是什么，读完要能复述什么？
本文输入是包含视频、音频、文本的多模态情绪样本，模型要生成开放式自然语言情绪解释，而不是从固定标签里单选。目标有两个，先能量化这种自由生成里的情绪幻觉，再在不训练模型的前提下降低幻觉。读者读完应能复述 6 个评估分面是什么、声明如何切分与判定、幻觉记忆与锚记忆如何构造与使用、实验在哪些数据与模型上比较了哪些基线。资源状态方面，本次未发现来源绑定且完成验证的资源，因此不得声称代码、模型或数据已公开，只能按论文文字复述方法与条件。
白话先说情绪幻觉，就是模型说出了没有证据或推理站不住的情绪判断，例如把低头看成兴奋，或把正常音量说成怒吼。英文是 emotion hallucination。后文简称情绪幻觉。物体幻觉是传统多模态幻觉研究的对象，英文是 object hallucination，指说错物体存在、属性或关系。两类错误验证方式不同，物体可对照画面实体核对，情绪需要同时核对表情动作声音等信号与心理推理链条。
情绪幻觉 × 物体幻觉： 情绪幻觉指模型生成缺乏多模态证据或心理推理支撑的情绪解释，如虚构皱眉或误判语气；物体幻觉指误报物体存在、属性或关系。情绪幻觉更隐式且组合性强，需要同时检查感知证据与推理链条，因此论文不沿用只核对物体的 CHAIR 类指标，而建立分面声明级核查。
本解读只讲论文实际研究的开放式情绪推理任务。教学例子明确标为例子，例如模型看到皱眉与提高音量后，一条路径从皱眉推出愤怒，另一条路径从提高音量推出愤怒，两条路径都可能合理，封闭问答只问是否愤怒就无法保留这种差异。例子不附加无源数值，只用来理解为何需要自由生成评估。
同输入同目标的已有路线卡在哪里？
第一条路线是情绪多模态大模型，从判别式分类走向生成式解释。早期工作预测预设类别，近期工作借助多模态大语言模型的理解与表达能力生成超出固定分类的解释。论文指出这类生成缺乏显式接地约束，会编造情绪线索或心理上不合理的推理，可靠性仍是开放问题。
第二条路线是多模态幻觉的评估与缓解。评估有判别式探针、生成忠实度、声明级核查、大模型验证等，缓解有推理时干预、表示干预、测试时扩展等，也有专用基准。论文把这些工作定位为以物体为中心，处理存在、属性、关系错误，而情绪幻觉更隐式多面。已有情绪幻觉工作 EmotionHallucer 采用对抗二值问答，论文认为它难以覆盖开放式推理中的多样错误。
对照点是输入、目标、监督与运行阶段。情绪路线输入同样是多模态，目标同样是情绪理解，但多用分类准确率，缺少自由推理可靠性度量。物体幻觉路线运行阶段同样有推理时校正，但证据多为视觉实体，抑制方向与验证证据与情绪的多模态心理链条不同。因此论文不是在同条件下比较谁的分类分数更高，而是先补一个心理学依据的分面评估，再把评估信号转为生成时可控机制。
为什么要把情绪幻觉拆成六个面？
论文提出两个难点。第一是多面认知，情绪理解从多模态感知到心理推理，超出物体范围。例如回避目光或攻击性语气这类线索，物体指标无法评估。第二是自由生成，不同模型可用不同但都合理的线索与轨迹得出结论，例如一个靠高声，一个靠皱眉，封闭问答无法容纳多条有效路径。
为此论文借鉴 Ekman 情绪信号系统与 Shamay-Tsoory 双系统共情理论，把过程看作证据获取加认知综合。感知层三面是表情、动作、音频，分别对应面部与微表情、身体运动与手势、副语言声音信号。心理层三面是本能、逻辑、结论，分别对应直接情感评价、与证据一致的推理桥接、全局一致的情感判断。
感知幻觉 × 心理幻觉： 感知幻觉负责检查情绪主张是否有可观察证据支撑，分表情、动作、音频三面；心理幻觉负责检查在感知成立后推断是否合理，分本能、逻辑、结论三面。二者搭配的理由是情绪理解先取证再综合，前者错误会滚雪球到后者，组合后才能定位错误发生在看错还是想错。
下面导读图 1，它把动机、评估方式与缓解差异放在一张图里。左侧是多模态输入示例，中间是两种旧评估的失效，右侧是新评估与缓解对比，读时先分块再连起来。
看图路径： 1. 先看左侧多模态输入与中间两块失败示例，确认 CHAIR 与 POPE 各自漏掉了什么；2. 再看中间彩色文本的感知与心理分色，理解自由生成如何被分面标注；3. 最后看右侧雷达图中四条方法的六轴包络，比较本方法是否在各轴都更靠内
论文图 1。原论文 Fig. 1:：“(a) Object-centric evaluation such as CHAIR miss emotion-specific cues.”。
图 1 可见 3 个信息。左上显示模型说女子斜视与攻击性语气时，物体评估漏掉情绪特有线索。左下显示封闭问答只判断是否愤怒，漏掉不同有效推理。中间用不同颜色区分感知与心理主张，说明评估要分面且容纳自由文本。右侧雷达图显示缓解方法在六轴上表现不一，论文方法包络更靠内，支持粗粒度校正存在分面权衡的判断。像素可辨的是面板布局与曲线相对位置，具体数值以正文表格与文字为准。
评估器与缓解器如何组成闭环？
全流程沿一个样本走一遍。输入是视频、音频、文本三元组，模型自回归生成包含多个句子的情绪解释，每步产生词元 logits。评估器先把生成切成声明并分面，再逐声明验证并定位幻觉词元跨度。缓解器维护两个记忆，幻觉记忆存不可靠主张用于 logit 校正，锚记忆存可靠句子用于稳定后文生成。如此评估反馈既用于打分排序，也直接重塑下一轮解码轨迹。
下面导读图 2，它是评估器加缓解器的总览。左列是模型与输入，中上是评估器，右中是幻觉记忆，右下是锚记忆，箭头构成迭代环路。
看图路径： 1. 沿左下输入经 MLLM 到右上评估器的环路，确认迭代校正的主路径；2. 观察幻觉记忆中红色块经 MAX 到词汇分布的箭头，理解抑制方向来源；3. 观察锚记忆绿色块拼回底部输入的虚线，理解可信上下文如何回送
论文图 2。原论文 Fig. 2:：“Overview of the EHR evaluator and HMER.”。
图 2 可见评估器内部是原子化器加判断模型，输出分面幻觉率与幻觉词元。幻觉记忆一侧用最大值汇聚构造词汇级方向，再回送做 logits 校正。锚记忆一侧把低幻觉句子拼回输入前端作为可信上下文。两路分别对应压制可疑延续与防止错误历史进入自回归历史，像素层面可按箭头确认主环与两条支路的汇合点。
声明如何切分、判定与计分？
评估器分两步。第一步是声明原子化，把回答切成语义连贯、可独立验证的主张，每个主张映射到六面集合中的一面。例如面部动作归表情，动作线索归动作，声音线索归音频，直接印象归本能，证据桥接归逻辑，最终情绪判断归结论。分面决定验证时需要什么证据，表情与动作主要看视觉，音频看听觉，推理主张看多模态与所述推理上下文。
声明原子化 × 声明验证： 声明原子化把自由文本回答切分为可独立验证的单一主张并标注所需分面；声明验证由判断模型对照相应模态证据给出支撑或幻觉的二值标签。原子化分工是让评估可定位，验证分工是让判断有证据依据，二者串联才把长回答转为可计算的分面幻觉率并输出可用于校正的词元跨度。
符号与输入先说清。设回答为生成文本，声明集合为切分结果，每个声明带分面标签。判断器以多模态输入与分面为条件，给出二值可靠性标签，取值为支撑或幻觉。对需要生成时缓解的情形，评估器还定位每个幻觉声明对应的词元跨度，存入幻觉记忆。
\[\mathcal{C}=\{c_{i}\}_{i=1}^{N}=\mathrm{Atomize}(G),\quad c_{i}\mapsto s_{i},\ s_{i}\in\mathcal{S},\]上式是原子化，把回答映射为声明集合与分面标签。下一步是逐声明判定，判定结果只取支撑或幻觉两值，不输出连续分数。
\[r_{i}=\mathrm{Judge}(c_{i}\mid X,s_{i}),\quad r_{i}\in\{0,1\},\]计分按分面统计幻觉声明占比。分面幻觉率是该面幻觉声明数除以该面声明总数。感知组与心理组分别在组内汇总，缺失模态的声明集合视为空集，不计入分子分母。总体幻觉率是在全部六面声明上汇总。
\[\texttt{EHR}_{s}=\frac{1}{|C_{s}|}\sum_{c\in C_{s}}\mathbb{I}(r_{c}=0),\quad s\in\mathcal{S},\]幻觉记忆 × 锚记忆： 幻觉记忆保存被评估器判为不可靠的主张及其分面与词元 logits，用于构造抑制方向做词表级 logit 校正；锚记忆保存每步中总幻觉率最低的可靠句子，用作后续生成的可信上下文。二者搭配是因为只抑制当前词不能阻止错误历史污染后文，只保留正确历史不能修正当前分布，组合实现局部抑制加轨迹稳定。
Logit 校正 × 信任锚推理： Logit 校正利用幻觉记忆构造的词汇分布方向，在下一轮解码中对可疑延续做针对性压制；信任锚推理把已选出的低幻觉句子拼回输入作为推理上下文，防止被否决候选进入自回归历史。校正管当前一步的分布，锚定管跨句的传播，组合后评估反馈既重塑解码轨迹又约束历史继承。
两个记忆如何构造与使用？
记忆构造先讲幻觉记忆。对候选句子，评估器返回幻觉集合，每项包含不可靠声明、分面与对应词元。若一个声明含多个幻觉词元，每个词元存为独立条目，并附该位置的词表级 logits。条目还记录句子序号与校正轮次，用于追踪迭代过程。锚记忆则在每句的多个候选中选总幻觉率最低者作为可信锚，逐句累积，为后文提供可靠推理上下文。
词汇级幻觉方向的构造是对同一轮所有幻觉词元取逐词表项最大值。取最大值的理由是保留最强的词汇级信号，避免被较弱倾向稀释。论文强调方向来自幻觉位置的完整词表 logits，捕捉模型赋予高概率的替代延续，而不仅是最终输出的词。例如只压制攻击性一词，模型可能换成敌对而保持无支撑解释，分布级方向则保留更广的倾向。
\[\mathbf{d}_{l,v}^{k-1}=\max_{(c_{i},s_{i},\tau_{i})\in\mathcal{H}_{l}^{k-1}}\mathbf{z}_{\tau_{i},v}.\]校正时把该方向经归一化后与当前分布相乘作为门控，再按系数压制原始 logits。归一化使抑制项非负且跨轮可比，当前分布作为软门把强抑制限制在既与幻觉方向相关、当前又可能生成的词上，减少对无关词与流畅性的干扰。采样得到新候选后再评估并更新记忆，进入下一轮。
\[\mathbf{z}^{(k)}_{\mathbf{new}}=\mathbf{z}^{(k)}_{\mathbf{raw}}-\lambda\cdot\left(\mathbf{p}^{(k)}_{\mathbf{raw}}\odot\mathrm{Softmax}(\mathbf{d}_{l}^{k-1})\right),\]信任锚推理的使用是把已累积的可信句子与多模态输入一起作为下一句的生成条件，被否决候选不进入自回归历史，从而减少无支撑主张沿轨迹继承。论文用算法流程组织外层逐句循环与内层多轮校正，每句先基于锚记忆生成初稿，再评估、更新记忆、构造方向、校正重采样，直到幻觉率为零或达到最大轮数，最后选最低总幻觉率候选存入锚记忆。
本研究训练了什么，没有训练什么？
本研究没有训练被评估或被缓解的多模态大模型。论文明确提出免训练的生成时框架，缓解靠推理时维护记忆与修正 logits 实现，不更新模型权重。因此不存在对主干模型的梯度路径、优化器更新或参数冻结后微调的安排。未报告的内容是评估器内部原子化器与判断模型是否额外微调，论文只说明实现时采用本地部署的模型作为原子化器与判断模型，未给出训练细节，对此缺项只能如实指出，不能从模型名称推定实现。
实际计算过程是检索与生成交替的仿真式推理。外层按最大句子数推进，内层按最大校正轮数重试。每轮包含 1 次模型前向生成、1 次评估器原子化与判定、1 次记忆写入、1 次方向构造与 logit 修正。评估器分数同时用于选择锚记忆，不只用于事后排序。早停条件是某候选总幻觉率为零或达到最大轮数，实际平均有效轮数低于上限，从而控制额外开销。推理开销与输出长度、评估调用次数、校正轮数直接相关，不能把免训练等同于确定性求解，也不能从参数冻结推定输出确定。
在哪些数据与条件下测幻觉与缓解？
评估设置分幻觉评估与幻觉缓解两类。开放式情绪推理在 OV-MERD+ 上零样本评估，该数据集包含 532 个样本，特点是情绪类别不固定、每实例标签数多样，超出受限分类体系。缓解泛化在 CMU-MOSI 与 CH-SIMS 上检验，分别覆盖英文与中文情绪推理。指标包括分面幻觉率、感知组、心理组、总体幻觉率，以及情绪预测的 F1 与召回。论文报告缓解时以 AffectGPT 为跨数据集主干，另选 Qwen2.5-Omni 与 R1-Omni 做多主干对比。
被评估模型覆盖 19 个，含情绪专用、音频中心、视频理解、通用与闭源模型。缓解基线包括 VCD、ICD、M3ID 等物体幻觉对比解码方法，以及 EmotionHallucer 自验证方法，论文说明为公平比较做了复现。实现条件按原文交代，原子化器与判断模型采用本地部署模型，迭代校正设置惩罚系数、最大重试轮数与最大句子数，实验在一块 A800 上进行。缺失模态按空集处理，不计入幻觉率分子分母，这是复现时必须保留的聚合口径。
下面整理实现超参数，数字来自原文连续句，裸值不擅自添单位，含义按原文表述保留。
| 项目 | 取值来源 | 惩罚系数 | 最大重试轮数 | 最大句子数 |
|---|---|---|---|---|
| 迭代校正配置 | 原文实现细节 | 50 | 3 | 20 |
| 运行硬件 | 原文实现细节 | 单卡类型 A800 | 本研究未训练主干 | 生成时迭代 |
表后需要说明，该表只是配置记录，不能代替效果表。惩罚系数控制抑制强度，最大轮数控制每句重试上限，最大句子数控制回答长度上限。论文在超参数分析中报告中等惩罚最好、轮数增大收益饱和而延迟上升，因此全实验采用中间取值。硬件只说明实验在一块 A800 上进行，未报告完整训练预算，因为主干无需训练，但迭代评估仍带来 token 与时间成本，后文用延迟表展开。
幻觉有多普遍，缓解是否顾此失彼？
先看普遍性问题。论文在 OV-MERD+ 上报告总体幻觉率在多个模型上居高不下，感知与推理可靠性存在明显落差。模型增大或模态增多不能可靠解决幻觉，全模态模型未一致优于视频语言模型，提示多模态干扰可能。推理层幻觉常高于感知层，说明情绪幻觉是多层可靠性失效。
| 条件 | 指标 | 基线模型 A | 基线模型 B | 可靠性落差示例 |
|---|---|---|---|---|
| OV-MERD+ 总体 | 总体幻觉率 | Otter 为 42.2% | LLaMA-VID 为 35.3% | 多模型总体仍高 |
| Qwen3-VL-8B 分层 | 感知与心理幻觉率 | 感知为 5.7% | 心理为 18.9% | 感知好但推理仍高 |
表前已提出比较问题与指标方向，幻觉率越低越好，比较在同一数据集与同一评估器下进行。表后解释是普遍性得到支持，但总体趋势不等于每组都成立，个别强模型感知已较低，残留错误仍分布多面。未胜出项是部分通用大模型在某些分面已较好，不能据此说幻觉已解决，还需看心理层与跨模型一致性。
再看评估器可信度。论文在 100 个随机样本上请 3 位专家按 6 维打分，自动 EHR 与人工判断接近，报告了 4 种一致性系数。
| 评估对象 | 一致性指标 | Pearson | Spearman | Kappa | ICC |
|---|---|---|---|---|---|
| 自动 EHR 相对人工 | 6 维打分一致性 | 0.8364 | 0.9167 | 0.7692 | 0.7959 |
表前说明这是验证评估器能否作为人工的可扩展代理，数值越高一致性越好。表后解释是系数支持评估器可用，但这只是相关性与一致性，不是因果证明，也未测量误判率随领域变化的情况，换数据集仍需复核。
缓解对比的核心判断是已有方法常改善某些面而恶化另一些面，而本方法在各设置下降低全部六面。论文以 R1-Omni 上的 VCD 为例，感知与心理幻觉率均上升，说明物体中心缓解不直接迁移到情绪多面证据。EmotionHallucer 在指令跟随强的模型上较好，在其他主干上不稳定。
| 条件 | 指标 | 对比基线变化 | 本方法总体变化 | 情绪准确率变化 |
|---|---|---|---|---|
| R1-Omni 感知心理 | 感知与心理幻觉率 | VCD 从 42.16% 升至 48.71%，从 40.62% 升至 41.70% | 本方法总体下降 | F1 从 42.88 升至 44.24 |
| AffectGPT 跨 3 个数据集 | 总体幻觉率降幅百分点 | 基线增减不一 | 在 3 数据集分别降 8.91、9.89、11.85 个百分点 | F1 从 52.22 升至 55.23，召回从 53.00 升至 58.45 |
| CMU-MOSI 与 CH-SIMS | 情绪 F1 | 基线多下降或波动 | 从 77.77 升至 78.41，从 79.99 升至 82.41 | 支持未牺牲预测 |
表前说明比较在相同主干与数据集上进行，幻觉率越低越好，F1 与召回越高越好。表后解释是本方法同时降低感知与推理幻觉，且情绪预测分数上升，支持抑制幻觉推理未使模型过度保守。但需保留代价与反例，个别分面降幅较小，个别基线在单面可能更低，不能把总体最优推广为每面每步都最优。 下面导读图 3，它直接比较人工与自动评估在各面的高度。
看图路径： 1. 按表情、动作、音频、本能、逻辑、结论、总体的横轴顺序逐组比较两根柱子；2. 注意感知三组与心理三组的高度差异，判断哪一层幻觉更重；3. 检查总体组两柱是否接近，以判断自动评估与人工评分的一致程度
论文图 3。原论文 Fig. 3:：“Human vs.EHR evaluator assessments of emotion hallucination.”。
图 3 可见感知 3 组中自动与人工柱高接近，心理 3 组同样接近，总体组两柱几乎持平。像素层面可辨的是每组两柱的相对高低与总体落点，支持评估器可作为可扩展代理的判断，但具体系数以正文文字为准，不从柱高反推精确数值。
哪个组件起作用，参数与代价如何权衡？
消融按去掉信任锚、去掉 logit 校正、测试时 Best-of-N 采样与完整方法比较。论文在 AffectGPT 上报告只加 logit 校正总体从基线下降，只加信任锚下降更多，说明逐句验证对防止长文错误滚雪球更关键，两者合用最好。Best-of-N 用评估器分数选优，能降低幻觉，但依赖输出多样性，在推理路径趋同的模型上效果有限，而生成中干预能抑制幻觉路径。
| 条件 | 指标 | 基线总体 | 仅 logit 校正 | 仅信任锚 | 逻辑可靠时结论仍错比例示例 |
|---|---|---|---|---|---|
| AffectGPT 消融 | 总体幻觉率 | 32.43% 降至 29.02% 对应仅校正 | 进一步降至 25.29% 对应仅锚定 | 完整方法最低 | Qwen2.5-Omni 为 12.84%，AffectGPT 为 21.26%，R1-Omni 为 53.44% |
| 实现参数 | 惩罚与轮数 | 系数为 50 | 最大重试为 3 | 最大句子为 20 | 早停使平均有效轮低于上限 |
表前说明消融在同一主干与数据上比较，幻觉率越低越好，最后一列是机制分析中逻辑可靠但结论仍错的比例，用于理解结论捷径。表后解释是组件贡献得到支持，但未胜出项是某些主干上 Best-of-N 在个别面接近完整方法，不能说测试时采样无用，只能说其稳定性依赖多样性。机制分析还报告感知靠前、推理靠后，早期感知幻觉影响逻辑与结论，幻觉情绪词对倾向高共现词，轻量模型更明显，这些是相关性发现，待验证是否为因果。 下面导读图 4，它展示惩罚系数与最大迭代的权衡。
看图路径： 1. 先看左图横轴惩罚系数从 0 增大时纵轴幻觉率的先降后升拐点；2. 再看右图横轴最大迭代增大时平均有效轮数的饱和趋势；3. 结合两图判断为何论文在效果与效率间选择中间参数
论文图 4。原论文 Fig. 4:：“Hyperparameter analysis of \lambda and K. Performance peaks at \lambda=50, and we set K=3 to balance rectification effectiveness and efficiency.”。
图 4 左图可见系数为零时幻觉率高，中等系数处最低，过大后回升，峰值在 50 附近。右图可见最大迭代增大时平均有效轮数上升但增益饱和。像素可辨的是曲线走向与拐点位置，论文据此在效果与效率间取最大重试为 3。延迟方面原文用 token 与秒数报告轮数增大成本上升，但平均有效轮低于上限，早停使实际成本相对可控，具体秒数以原文表为准，不在此硬读像素数值。
哪些结论不能推广，哪些代价必须说清？
第一是评估依赖。自动评估依赖原子化器与判断模型，论文只在 100 样本上验证一致性，未报告跨语言、跨领域误判率，也未测量评估器自身幻觉。把自动指标当成人评是误用，不同指标差值不能混放，百分点降幅与相对百分比不同，复述时必须保留原文口径。
第二是缓解代价。迭代校正增加输入输出 token 与端到端延迟，论文报告轮数增大成本上升。总体趋势不等于每句都需多轮，早停使平均有效轮低于上限，但在部署预算紧张时仍需权衡。论文案例也显示强抑制可能带来保守或重复表达，例如无法确定的措辞，这是幻觉压制与探索的权衡。
第三是泛化边界。实验覆盖 3 数据集与三主干缓解，支持跨中英文本与多架构有效，但未评测边界包括更多闭源模型、长视频、噪声音频与实时交互。情绪专用微调后逻辑可靠但结论仍错的比例更高，论文表述为可能与容量再分配有关，属于有限解释，不是已验证因果。相关性发现如情绪共现偏差同样不能直接当作因果机制。
要复现先做什么，需要补哪项验证？
复现先固定评估口径。在 OV-MERD+ 上按六面切分声明，表情动作看视觉，音频看听觉，推理看多模态与上下文，缺失模态视为空集。记录分面、感知组、心理组、总体幻觉率，以及 F1 与召回，核对数据集、模型、阶段、指标、单位与聚合对象。数值相同不代表同一指标，必须同时核对条件。
再实现缓解环路。按最大句子数外循环、最大校正轮数内循环组织生成，每轮评估后把幻觉词元与 logits 写入幻觉记忆，把最低总体幻觉率候选写入锚记忆。方向构造用逐词表项最大值，校正用归一化方向与当前分布门控相乘并按系数压制。保留惩罚系数为 50、最大重试为 3、最大句子为 20 的起点，再做系数与轮数扫描。基线必须保留可实际运行的 VCD、ICD、M3ID 与 EmotionHallucer，搜索最优或事后最优另行标注，不能代替可部署收益。
还需补的验证是评估器在新数据上的人工抽检、延迟与 token 成本在目标硬件上的实测、保守表达比例的人工复核。资源方面本次无可用公开链接，不得写当前可用或已公开，只能写本次未能确认可达或未发现绑定资源，复现应以论文文字与本地模型为准。
何时值得尝试这种分面记忆校正？
当任务是开放式情绪解释，且错误既可能看错又可能想错时，值得尝试先分面评估再分面校正。幻觉记忆适合压制当前分布中的可疑延续，锚记忆适合阻断错误历史污染后文，两者合用对长文推理更重要。如果输出多样性充足且预算只允许重排序，可先试 Best-of-N，但论文显示其在路径趋同模型上不稳定。
不适合的情形是延迟敏感或评估器不可靠时。迭代评估带来额外调用，若判断模型在新领域误差大，校正方向与锚选择都会受影响，应先补人工一致性验证。复述层面记住三句话，六面把看错与想错分开，记忆把局部抑制与轨迹稳定分开，实验把总体下降与分面权衡分开。如此才能在不夸大因果、不承诺未测量收益的前提下，把方法真正用起来。
📎 论文与评分元数据
排名：前50% | 文档类型：方法研究 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses