模态贡献解耦

多模态大模型关注何处、依赖什么：解释自回归词元生成

Where MLLMs Attend and What They Rely On: Explaining Autoregressive Token Generation

提供一种黑盒、低显存的归因框架，可把 MLLM 生成的任意词元追溯到紧凑的图像区域，并量化语言先验与视觉证据的相对贡献；做 VLM 幻觉诊断或视觉 grounding 分析时，可直接复用其充分性/必要性目标与稀疏区域贪心搜索来定位模型真正依赖的图像证据。