幻觉的迷宫：DeCo算法与大型语言模型的真相之旅

🌌 序章：幻觉的迷宫

在人工智能的世界里，幻觉（Hallucination）就像一只调皮的狐狸，时不时在模型输出中留下虚假的脚印。无论是多模态大型语言模型（MLLMs），还是单模态的LLMs，这一问题都如影随形。尤其在医疗、法律等高风险领域，幻觉不仅仅是“说错话”那么简单，甚至可能引发灾难性的后果。

而DeCo（Dynamic Correction Decoding，动态校正解码）算法的出现，仿佛为这片迷雾点亮了一盏探路灯。它能否带领我们走出幻觉的迷宫？又是否适用于所有类型的语言模型？让我们一探究竟。

---

🧠 DeCo的诞生：多模态模型的幻觉克星

DeCo算法由Wang等人于2024年提出，最初的目标是解决多模态大型语言模型（MLLMs）在处理图文任务时的幻觉问题。研究发现，虽然MLLMs在早期层能够准确识别视觉对象，但在深层输出时，语言模型的“知识先验”会压制这些视觉信息，导致模型“看见”了却“说错了”。

DeCo的核心思想是：动态选择早期层的视觉信息，并将其按比例整合到最终输出中，校正模型的决策<