多模态大语言模型（MLLM）在回答需要大量知识的视觉问答时，需要同时利用图像中的视觉证据和外部检索到的文本事实。然而，模型常常忽视关键证据，对答案所需的文本句子或视觉区域关注不足。已有方法通过在生成前高亮检索文本或标记视觉区域来缓解，但它们采用固定的一次性策略，无法适应三类变化：是否需要高亮、不同样本所需证据量以及答案生成过程中何时需要更新文本证据。\
我们提出 自适应相关性引导证据分配（AREA），这是一种在推理时无需额外训练的自适应高亮方法。AREA 首先在固定的主干层生成一个探针 token，用以读取视觉和文本的相关性分数，然后依据三条准则做出决策：\
- 是否介入：通过自然注意力覆盖率和视觉汇聚（sink）污染程度判断是否需要干预；\
- 证据量多少：依据相关性熵（relevance entropy）决定向模型暴露多少证据；\
- 何时刷新文本：当因果上下文注意力出现峰值时触发文本更新。\
在四个知识库视觉问答（KB‑VQA）数据集和七个标准多模态基准上，使用九个冻结的 MLLM 检查点进行实验，AREA 在所有训练无关的高亮方法中取得了最佳性能。\
点评