幻觉（Hallucination），即生成事实错误或不一致的信息，已成为视觉 - 语言模型 ( VLMs）可靠性面临的核心挑战。随着 VLMs 在自动驾驶、医疗诊断等关键领域的广泛应用，幻觉问题因其潜在的重大后果而备受关注。

然而，当前针对幻觉问题的研究面临多重制约：图像数据集的有限性、缺乏针对多样化幻觉触发因素的综合评估体系，以及在复杂视觉问答任务中进行开放式评估的固有困难。

为突破这些限制，来自哥伦比亚大学和 Google DeepMind 的研究团队提出了一种创新的视觉问答数据集构建方案。

该方案通过整合真实图像与合成生成图像，利用基于提示的图像生成技术，克服了传统数据集（如 MS-COCO 和 Flickr）在图像多样性和特殊性方面的局限。这一名为 HaloQuest 的数据集采用 " 机器 - 人工 " 协同的数据生成流程，重点收集了三类针对当前 VLM 模型固有弱点的挑战性样本，旨在系统性地触发典型幻觉场景：

a. 基于错误前提的诱导性问题；

b. 缺乏充分上下文支持的模糊性问题；

c. 其他具有高度复杂性的疑难问题；

此外，HaloQuest 创新性地引入了基于大语言模型（LLM）的自动评估系统（AutoEval），实现了开放式、动态化的评估机制，并探索了合成图像在 VLM 评估中的革命性应用价值。传统评估方法通常局限于多项选择题或有限词汇的封闭式回答，这种评估方式不仅限制了模型展现复杂推理和细微表达能力，也难以准确评估模型在现实场景中的实际表现。

特别是在处理生成式幻觉预测时，现有方法无法全面衡量模型生成连贯性、细节丰富度及上下文一致性等方面的能力。HaloQuest 提出的 AutoEval 系统通过支持对模型响应的细粒度、开放式评估，建立了一个可随技术发展动态演进的评估框架，为 VLMs 的可靠性评估提供了新的范式。

HaloQuest 介绍

图 2 展示了 HaloQuest 数据集的构建流程，该流程通过整合真实图像与合成图像，确保了数据集的丰富性和多样性。真实图像选自 Open Images 数据集的随机样本，而合成图像则来源于 Midjourney 和 Stable Diffusion 在线画廊。为确保图像质量，筛选过程优先考虑高浏览量和正面评价的图像，并结合精心设计的主题词列表进行搜索查询。

在人类标注阶段，图像需满足两个标准：既需具备趣味性或独特性，又需易于理解。例如，展示罕见场景、包含非常规物体组合（如图 2 所示的 " 穿着报纸的狗 "），或具有视觉冲击力的图像被视为 " 有趣 "。同时，这些图像即使违背现实物理规律，也需保持视觉连贯性和清晰度，确保人类能够理解其内容。

这一两重标准的设计，旨在平衡生成具有挑战性的场景与确保模型响应的可解释性，从而能够准确归因于模型在推理或理解上的特定缺陷。

图像筛选完成后，人类标注者与大语言模型协作，围绕图像设计问题和答案，重点关注创造性、细微推理能力以及模型潜在偏见的检测。HaloQuest 包含三类旨在诱发幻觉的问题：

a. 错误前提问题（False Premise Questions）：这些问题包含与图像内容直接矛盾的陈述或假设，用于测试模型是否能够优先考虑视觉证据而非误导性语言线索。

b. 视觉挑战性问题（Visually Challenging Questions）：这些问题要求模型深入理解图像细节，例如物体计数、空间关系判断或被遮挡区域的推理，用于评估模型的复杂视觉分析能力。

c. 信息不足问题（Insufficient Context Questions）：这些问题无法仅凭图像内容得出明确答案，旨在探测模型是否会依赖固有偏见或无根据的推测，而非承认信息的局限性。

在问题创建过程中，人类标注者为每张图像设计两个问题及其答案。首先，他们需提出一个关于图像中某个视觉元素的问题，但该问题无法仅通过图像内容回答。其次，标注者需提出一个关于图像中微妙细节的问题，该问题需有明确且客观的答案，避免主观偏见的干扰。

为提高效率，HaloQuest 还利用 LLMs（如 IdealGPT 框架，结合 GPT-4 和 BLIP2）自动生成图像描述。这些描述被拆分为多个原子陈述（例如：" 这是一只金毛猎犬的特写 "，" 狗的背上披着报纸 "）。人类标注者评估每个陈述的真实性（是 / 否），随后 LLMs 基于这些评估结果生成对应的问答对。

为进一步提升数据质量，HaloQuest 采用筛选机制：首先，高性能 VQA 模型对初始问题池进行预回答；随后，经验丰富的人类标注者审查问题及模型回答，确保问题的挑战性和答案的清晰性。过于简单的问题会被修改或丢弃，模棱两可的答案会被标记，以确保每个问题都具有足够的难度和明确的解答。

通过这一严谨的流程，HaloQuest 构建了一个高质量、高挑战性的数据集，为 VLM 的评估提供了更可靠的基准。下图展示了 HaloQuest 的部分数据样本，并与其他数据集进行了对比，凸显了其在多样性和复杂性方面的优势。

自动评估

为了大规模支持自由格式和开放式视觉 - 语言模型（VLM）幻觉评估，HaloQuest 开发了一种基于大语言模型（LLM）的自动评估方法。尽管原则上任何 LLM 只需基础提示即可执行此类评估，但 HaloQuest 提出了一种更为高效和精准的评估框架。

具体而言，HaloQuest 引入了 Langfun 结构，该方法通过结构化提示设计，帮助 Gemini 模型准确提取模型响应与参考答案的核心内容，并判断二者之间的一致性。图 7 展示了用于实现自动评估的 Gemini 提示词及其结构，而图 8 则提供了 Auto-Eval 评估的具体示例。

如图所示，Gemini 模型需要根据输入的问题、模型回答和参考答案，填充 PredictionEvaluation 类的相关属性。通过 Langfun 结构，HaloQuest 不仅解决了 VLM 幻觉评估中的技术挑战，还为未来更广泛的 AI 模型评估提供了创新思路和实践经验。

实验与分析

研究发现，现有视觉 - 语言模型（VLMs）在 HaloQuest 数据集上的表现不尽如人意，幻觉率较高。这一结果揭示了模型在理解和推理能力上的显著不足，同时也凸显了开发更稳健的幻觉缓解方法的迫切需求。

关键发现：

a. 模型规模与幻觉率的关系

研究发现，更大的模型规模并不一定能够降低幻觉率。出乎意料的是，较小的 BEiT-3 模型在多个任务上表现优于更大的模型。这一发现表明，单纯依赖模型扩展并不能有效解决幻觉问题，数据驱动的幻觉缓解策略可能更具潜力。

b. Auto-Eval 的可靠性

Auto-Eval 与人工评估结果具有较高的相关性。这一结果表明，在人工评估不可行或成本过高的情况下，Auto-Eval 可以作为一种可靠的替代方案，为大规模模型评估提供支持。

c. 微调的有效性

在 HaloQuest 上进行微调显著降低了 VLMs 的幻觉率，同时并未影响模型在其他基准测试上的表现。这证明了 HaloQuest 在提升模型安全性方面的潜力，且不会削弱其整体有效性。

d. 跨数据集的泛化能力

表 6 展示了各模型在 POPE 幻觉基准测试上的表现。结果显示，经过 HaloQuest 训练的模型在新数据集上的表现也有所提升，进一步验证了 HaloQuest 能够帮助模型在新环境中避免幻觉。

合成图像与真实图像的对比

研究还按照真实图像和合成图像分别评估了模型的表现。尽管大多数模型在真实图像上的幻觉率更高，但合成图像上的幻觉率仍然显著。值得注意的是，合成图像在数据集构建中具有独特优势

低成本与可扩展性：合成图像提供了一种经济高效的解决方案，有助于快速扩展数据集规模。

降低幻觉率：实验结果表明，训练数据加入合成图像有助于降低模型的幻觉率（见表 5 和表 7）。

技术进步的潜力：尽管目前合成图像的难度略低于真实图像，但随着图像生成技术的进步，这一差距有望缩小。

实际应用的重要性：随着图像生成技术的广泛应用，确保模型在合成图像上具备抗幻觉能力将变得愈发重要。

幻觉成因与模型表现

研究进一步分析了模型在 HaloQuest 三类问题上的表现：

错误前提问题（False Premise Questions）：开源模型在处理此类问题时表现较差，但 GPT-4 展现出一定优势。

信息不足问题（Insufficient Context Questions）：模型普遍表现不佳，表明其在处理模糊信息时容易依赖偏见或无根据的推测。

视觉挑战性问题（Visually Challenging Questions）：模型表现略有提升，但 GPT-4 在此类任务上的表现不如其他模型。

这些发现为未来研究提供了新的方向，包括：

数据集优化：通过改进数据集构建方法，进一步提升模型的抗幻觉能力。

受控图像生成：利用更先进的图像生成技术，创建更具挑战性的合成图像。

标注偏差缓解：减少数据标注过程中的偏差，提高数据集的多样性和公平性。

针对性优化：针对不同模型的特定弱点，开发定制化的幻觉缓解策略。

结论

HaloQuest 是一个创新的视觉问答基准数据集，通过整合真实世界图像和合成图像，结合受控的图像生成技术和针对特定幻觉类型设计的问题，为分析 VLMs 的幻觉触发因素提供了更精准的工具。实验结果表明，当前最先进的模型在 HaloQuest 上的表现普遍不佳，暴露了其能力与实际应用需求之间的显著差距。

在 HaloQuest 上进行微调的 VLMs 显著降低了幻觉率，同时保持了其在常规推理任务上的性能，这证明了该数据集在提升模型安全性和可靠性方面的潜力。此外，研究提出了一种基于大语言模型（LLM）的 Auto-Eval 评估机制，能够对 VLMs 的回答进行开放式、细粒度的评估。与传统方法相比，Auto-Eval 克服了限制模型表达能力或难以评估复杂幻觉的局限性，实现了评估效率和准确性的显著优化。

HaloQuest 不仅为 VLMs 的幻觉问题研究提供了新的基准，还通过其创新的数据集构建方法和评估机制，为未来多模态 AI 的发展指明了方向。随着图像生成技术和评估方法的不断进步，HaloQuest 有望在推动更安全、更可靠的视觉 - 语言模型研究中发挥重要作用。

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

学术投稿请于工作日发邮件到：

ai@qbitai.com

标题注明【投稿】，告诉我们：

你是谁，从哪来，投稿内容‍

附上论文 / 项目主页链接，以及联系方式哦

我们会（尽量）及时回复你

点亮星标

科技前沿进展每日见