终结多智能体视觉幻觉“滚雪球”！新国立等提出ViF：无需改造模型，即插即用

智能体现在能hold住越来越多复杂任务了，但问题仍然不少。

比如，多智能体协同做视觉任务，常常轮次越多错得越离谱——根源不在模型能力不够，而在于智能体之间传递视觉信息的方式本身就有缺陷。

来自新加坡国立大学LV-Lab及其他国内外科研机构的研究人员关注到：

基于视觉语言模型（VLM）的多智能体系统（MAS）正成为复杂多模态协作的核心方案，却被一个致命痛点死死卡住：多智能体视觉幻觉滚雪球——单个智能体的视觉误判通过纯文本信息流逐级放大，早期细微错误最终演变成系统性崩溃。

此前方案几乎只聚焦「单智能体幻觉抑制」，根本无法阻断跨智能体的错误传播。长轮次协作中，模型性能被幻觉“滚雪球”越拖越垮。

针对这一难题，他们提出了 ViF（Visual Flow），一种轻量通用的视觉流范式。用「视觉流 + 注意力重分配」重构智能体间视觉传递逻辑，无需改造基座模型即可大幅压制幻觉滚雪球。

该工作已入选ICLR 2026，在8大基准、4种MAS结构、10款主流VLM上实现稳定提升。

纯文本流信息传递：导致视觉幻觉滚雪球效应

当前 VLM 多智能体协作，全程依赖文本流传递视觉信息，这一设计存在两大无法规避的缺陷：

• 内在幻觉：单智能体自身生成与图像不符的错误视觉描述；
• 幻觉传播：后续智能体过度依赖前置文本，将早期错误当作先验，视觉-文本转换的损耗与偏差被逐级放大。

此前优化方案几乎都只聚焦「单智能体幻觉抑制」，无法阻断跨智能体的错误传播；在长轮次协作中，模型性能可能会被视觉幻觉的“滚雪球”拖累，可能导致无法胜任复杂视觉任务。

三种纬度的注意力分析：锁定关键现象成因

研究团队从轮次、层级、令牌三个维度做深度注意力拆解，首次系统性的探究了幻觉滚雪球的本质：

1. 随智能体轮次增加，视觉令牌平均注意力分配在第20轮暴跌 62%，中层视觉注意力峰值直接消失；

2. 中层单峰注意力视觉令牌是保存原生视觉证据的核心载体，对视觉理解起决定性作用；

3. 这类关键令牌占比从首轮 1.22% 骤降至第20轮 0.10%，视觉信息彻底被

文本信息压制。

这些核心发现，为精准修复视觉信息流提供了最关键的依据。

视觉流替代文本流：即插即用，轻量且兼容

ViF彻底抛弃「纯文本传视觉」的逻辑，打造即插即用、模型无关的轻量「视觉直接传递」范式，两大核心设计直击痛点：

1. 视觉中继流（Visual Relay Tokens）精准筛选中层单峰视觉令牌作为视觉中继载体，结合指令做轻量化上下文编码，直接传递原生视觉证据，从根源避免「视觉→文本」转换带来的信息损耗与偏差。
2. 分层注意力重分配中：中间层放大关键视觉令牌注意力、回收无效注意力；深层优化注意力分布，让视觉信号持续贯穿长轮次协作。

此外，FlashAttention 兼容方案针对现代模型常用的 FlashAttention 2/3（无法获取注意力分数），设计Key-Norm 替代策略，兼顾效率与落地兼容性。该团队提出的方法开销较小，且可无缝适配不同 VLM 与 MAS 结构。

全维度提升：幻觉滚雪球降近 40%

ViF 经过了全面的实验验证：

1. 全覆盖稳定提升：8大综合 / 幻觉基准、4种MAS结构（线性/分层/随机/环形）、10款基座模型（LLaVA、LLaVA-OV、Qwen2-VL、Qwen2。5-VL等），平均提升2.4%~3.8%；
2. 视觉幻觉滚雪球抑制：提出了幻觉滚雪球分数HS，并平均下降超30%，交互最密集的环形结构降幅近40%；
3. 大模型增益更多：34B/32B大参数模型提升超4%，彻底解锁大模型多智能体潜力；
4. 多场景通吃：多图、视频等增强视觉场景，平均提升2.0%~4.9%；
5. 高效：仅增加8.1%~13.4%推理延迟、4.8%~11.9%计算开销，大模型下开销几乎可忽略。

对比5款SOTA单智能体幻觉方案，ViF在多智能体场景下实现断层式领先：传统方案只从单智能体出发，ViF从底层切断视觉幻觉传播，显著抑制多智能体幻觉滚雪球。

展望：解锁有效长轮次视觉多智能体协作

ViF 是业内首个从信息流重构层面解决多智能体视觉幻觉滚雪球的方案，直接打破长轮次协作「越做越错」的魔咒，它用较小的代价，建立了智能体间的视觉流信息传递，让多智能体协作真正可信、可用。

论文：https://arxiv.org/pdf/2509.21789

代码：https://github.com/YU-deep/ViF

文章来自于微信公众号 "量子位"，作者 "量子位"