文章核心总结与创新点一、主要内容本文聚焦多模态大型语言模型（MLLMs）的幻觉问题（生成内容与输入视觉信息不一致），其根源在于"视觉忽视"（模型未能充分重视输入图像）。现有干预方法仅关注"如何干预"，而忽略"何时干预"，导致过度干预（引入新幻觉、增加计算开销）和通用任务性能下降。为此，作者提出轻量级视觉推理时干预框架V-ITI，通过两个核心模块协同解决问题：视觉忽视检测器（VND）：基于头级激活模式训练探针，精准识别视觉忽视发生的时机，避免无差别干预；视觉召回干预器（VRI）：仅在检测到视觉忽视时，将预存的视觉激活信息与当前头激活融合，强化模型对相关视觉令牌的注意力。实验覆盖8个基准数据集和不同MLLM家族（LLaVA-1.5、Qwen-VL），结果表明V-ITI在减少视觉相关幻觉的同时，保持了通用视觉语言任务性能，且计算开销与贪心解码接近，显著优于现有逻辑干预（VCD、ICD）和注意力干预（OPERA、INTER）方法。二、创新点问题揭示：指出MLLM幻觉缓解中被忽视的"过度干预"问题，系统分析视觉忽视的机制，证明头级激活模式可作为视觉忽视的有效检测信号；干预范式创新：提出首个同时解决"何时干预"和"如何干预"的视觉推理时干预框架，通过检测器与干预器的结合实现选择性、自适应干预；轻量化