多模态大模型的物体幻觉，长期被归因于语言先验。 先看下面两组对话。 第一组，一张只有小狗的照片，问模型「图中有椅子吗」，它答「没有，图中是一只狗」，完全正确； 第二组，另一张照片，问「图中有餐桌吗」，模型却言之凿凿地回答「有一张餐桌，还有一个男孩站在它前面」，而画面里根本没有餐桌。 这就是困扰多模态大模型（MLLM）落地的物体幻觉：模型会「看见」并不存在的物体，或者对明明存在的物体视而不见。在自动驾驶、医疗辅助等高风险场景中，这种错误的代价可能非常高。 过去的主流解释是： 这都怪语言先验。 模型在训练语料里见惯了「餐桌」和「男孩」共同出现，于是即便图里没