本文提出了一种无需训练的方法,通过引导音频-视觉大语言模型重点关注专门存储跨模态融合信息的跨模态sink token,有效缓解了音视频联合推理中的物体幻觉问题。
机构:KAIST
来源:arXiv 2605.10815 | AI4Papers 论文推荐平台