多模态AI推理链延长致幻觉增多，技术瓶颈亟待突破

斯坦福大学等机构的研究指出，多模态大模型（MLLMs）在生成更长推理链时反而产生更多幻觉。研究发现，随着推理链变长，模型对视觉输入的关注减少，转而依赖语言先验，导致跨模态语义失配。问题根源包括视觉编码器与语言模型的不平衡、视觉特征压缩导致的注意力漂移，以及训练机制无法约束跨模态一致性。解决方案方向包括改进视觉编码器结构、优化跨模态接口设计和引入更有效的训练损失函数。