攻克VLM多图幻觉难题：解析API差异与两阶段工程解法

本文深入探讨了视觉语言模型（VLM）在处理多张图像时面临的“幻觉”挑战，特别是在跨场景三维理解等复杂任务中。研究发现，当输入图片超过一定数量，模型常出现逻辑混乱，且网页端与API调用表现差异显著。文章分析了注意力分散与Token成本之间的矛盾，否定了简单拼图的方案，并提出了一种“两阶段解法”来弥补工程短板，为解决多模态AI的视觉一致性难题提供了极具参考价值的实战思路。