يقترح الباحثون Grounded Context Preference Optimization (Groc-PO)، وهو إطار عمل مصمم لمعالجة قضايا عدم الصدق مثل الهلوسات البصرية وتزوير المحتوى في نماذج اللغة الكبيرة متعددة الوسائط (MLLMs). تتعامل الطريقة مع تحدي تعيين الائتمان حيث يفشل تحسين التفضيل المباشر القياسي (DPO) في كبح انتشار الأخطاء من مراحل التأسيس الأولى عن طريق تطبيق الإشراف فقط على الإجابة النهائية.
- يقدم Groc-PO إشرافًا صريحًا على التفضيلات عبر مراحل متعددة متجذرة بدلاً من المخرجات النهائية فقط.
- قام المؤلفون ببناء Grounded Context Preference Dataset (GCPD) بعينات متعددة المراحل تغطي Object Grounding وContextual Grounding وGrounded Reasoning.
- تهدف هذه الطريقة إلى التقاط تكوين وتكامل واستخدام السياق المتجذر للتخفيف من انتشار الأخطاء عبر المراحل.
تُظهر التجارب المكثفة أن Groc-PO يحسن الأداء في تخفيف الهلوسات، والاستدلال الموثوق، والموثوقية العامة مقارنة بـ DPO القياسي والأسس الأخرى.