TIGER：基于图证据路由的可追踪推理缓解多模态生成幻觉

TIGER框架正式公开：用图证据路由实现多模态生成事实级修复

科研团队日前在arXiv上发布了一项新成果——TIGER（基于图证据路由的可追踪推理框架），专门用于缓解多模态生成中的幻觉问题。这个框架的设计意图很明确：当AI生成一段文字或图像时，如果其中某个具体事实与输入不符，TIGER能定位并单独修补这个“事实级”错误，而不是推翻整个输出重来。论文编号arXiv:2606.00232v1，核心思路是重新设计反馈机制，让修复过程更加精准。

现有修复方案为什么不够用？

目前主流的方法是“联合条件反馈”——把输入和当前输出同时喂给模型，生成一条笼统的修改意见。但这里面藏着两个麻烦：一是输出里已有的错误说法会反过来干扰模型对输入的理解，就好比一个人记错了事实，再让他检查自己，往往越看越糊涂；二是自由文本形式的反馈没办法按事实级别排序或调度，模型不知道该先修哪个漏洞。TIGER正是冲着这两个痛点去的，它把反馈改造成了可追踪、可排序的格式。

图证据路由是怎么运作的？

TIGER的核心机制叫“图证据路由”，说白了就是把输入中的相关信息编织成一张证据图，然后当模型生成某个陈述时，系统会沿着这张图去追踪这个陈述到底有没有证据支撑。如果某一句话在图上找不到对应的证据节点，就会被标记为可疑，并触发局部修复。这种设计让整个推理过程变得透明——哪个说法有问题、问题的源头在哪，全都一目了然。相比之下，传统方法更像一个黑箱，你只知道结果不对，却说不清是第几步出的岔子。

具体工作流程大致分三步

• 第一步：把输入内容（比如一段图文资料）拆解成细粒度的证据节点，并构建它们之间的关联图。
• 第二步：模型生成输出时，每个事实陈述都会自动与图中的节点做比对，缺乏证据支撑的语句会被标记。
• 第三步：只对被标记的事实执行局部重写或修补，不改动其他正确部分。

这件事凭什么值得关注？

多模态生成模型的实用化，一直卡在“看着挺对、细想不对”这个坎上。比如AI根据图片写一段产品说明，可能流畅得像个专业文案，但里面某个数字、某个日期却完全是编的。TIGER提供了一条挺务实的解决路径：不追求模型永远不犯错，而是确保一旦出错，能快速、精准地修好。对于需要高可信度的场景——比如医学影像报告生成、新闻配图解释——这种事实级修复能力可以说是刚需。

难道多模态生成的幻觉问题有希望就此缓解了？TIGER至少给出了一个具体、可追踪的答案，接下来就看它在实际应用中是否能撑住场面了。