当视觉语言模型（VLM）同时接收图像和文本提示时，它们能够生成看似复杂的文字回答，但也会出现对象幻觉，危及安全关键场景。为捕捉这些幻觉，已有方法利用模型生成过程中的内部信号，甚至可能使用导致幻觉的同一信号进行检测。我们系统性分析了这些检测手段的鲁棒性。
首先，简单地把生成词在输出序列中的位置作为特征，就能得到与复杂方法相当的检测效果，说明位置本身是一条强启发式。进一步实验表明，一些方法实际上把词位置信号当作捷径，而非真正的视觉依据。
其次，我们考察了检测手段对语言和视觉模态的敏感度。结果显示，检测性能主要来源于对语言层面的幻觉识别；当方法依赖词位置信号时，它们的视觉 grounding 较弱，在幻觉出现在文本前段时鲁棒性下降。
最后，我们发现不同检测方法携带互补信息，弱方法加入到高性能方法的集成中仍能提升整体表现。总体而言，内部信号确实可以用于幻觉检测，但现有方法在利用这些信号时存在显著局限。
点评: 当前的内部信号检测虽有潜力，但仍需加强视觉依据并避免过度依赖词序，以提升在真实安全场景中的可靠性。