Token-Set Choice Confounds POPE：VLM 幻觉评测中 Yes/No 提取的系统性审计

论文审计了 POPE 基准上视觉语言模型的 Yes/No 读取方式，发现仅读取 token 的选择本身就会造成大幅 F1 波动。LLaVA-1.5-7B 在对抗集上测得 82.21 F1，比计划对比的基线高 1.21 至 8.67 分；改用覆盖带空格形式的八 token 查找后，对抗集 F1 变为 0.8221，6.13 分的偏移超过所调查六篇论文中五篇报告的对抗集增益。