文章总结与翻译一、主要内容本文针对医疗大型视觉语言模型（Med-LVLMs）在临床应用中存在的幻觉问题（生成看似合理但不符合事实的输出）展开研究，提出了一种名为Med-VCD的稀疏视觉对比解码方法。该方法无需二次解码的时间开销，通过视觉感知令牌稀疏化策略，在保留关键视觉上下文的同时修剪冗余信息，实现效率与可靠性的平衡。研究背景指出，现有幻觉缓解方法要么依赖大规模标注数据进行微调（医疗领域难以实现），要么通过多轮解码或外部工具导致计算开销大、实时性差。Med-VCD通过三大核心组件解决该问题：视觉感知令牌选择（VATS）、稀疏视觉对比解码（SVCD）和沉降注意力校准（SAC），分别实现令牌的精准筛选、无二次解码的对比逻辑校准以及注意力分布优化。实验在8个医疗数据集（涵盖放射学、眼科学、病理学等领域，包含视觉问答、报告生成和专门的幻觉基准测试）中展开，结果显示Med-VCD相比基线模型，事实准确率平均提升13%，幻觉准确率提升6%，同时在解码速度上优于现有方法，且在视觉误解、知识缺陷、上下文错位三类幻觉场景中均表现出稳健的缓解效果。二、创新点从解码阶段的令牌稀疏化角度切入缓解幻觉，提出一种即插即用的方法，将视觉感知增强与令牌稀疏化统一为优化问题，同时兼顾模型效率与保真度。设计视觉感知令牌选择技术（VATS）和基于稀疏的视觉对比解码策略（SVCD），避免多轮解码，利用嵌入生成对比逻辑，减少计算开销。引入沉降注意力校准（SAC）机制，抑制注意力过度集中于语义无关令牌的现象，保障视觉-文本模态的对齐稳定性。
