POPE
面向视觉语言模型幻觉评测的二分类基准，通过询问图像中物体是否存在来评估模型幻觉程度，包含adversarial、popular、random三个split
时间轴 (近 90 天)
POPE基准的Yes/No答案提取方式（token选择）本身可使VLM幻觉评测的F1分数产生数点漂移，且该变量在多数已发表工作中未被披露。
在LLaVA-1.5-7B上测得的adversarial split F1为82.21，比对照的三个adversarial基线（81.00、79.30、73.54）高出1.21到8.67个点。
改用覆盖空格前缀形式的八token查找表后，LLaVA-1.5-7B在adversarial、popular、random三个split上的F1分别为0.8221、0.8498和0.8713；仅读数修正一项，adversarial split就移动了6.13分。
6.13分的adversarial漂移幅度超过了研究者调研的六篇论文中五篇所报告的adversarial增益。
在固定基线上尝试的九种推理时修正方法，没有一种能超过基线。
对于依赖POPE等基准评估幻觉的工作，评测应披露Yes/No读数所用的token集合及其来源（硬编码ID还是分词器派生），并报告推理精度。
全部知识事实 (6)
POPE基准的Yes/No答案提取方式（token选择）本身可使VLM幻觉评测的F1分数产生数点漂移，且该变量在多数已发表工作中未被披露。
50%待验证在LLaVA-1.5-7B上测得的adversarial split F1为82.21，比对照的三个adversarial基线（81.00、79.30、73.54）高出1.21到8.67个点。
50%待验证改用覆盖空格前缀形式的八token查找表后，LLaVA-1.5-7B在adversarial、popular、random三个split上的F1分别为0.8221、0.8498和0.8713；仅读数修正一项，adversarial split就移动了6.13分。
50%待验证6.13分的adversarial漂移幅度超过了研究者调研的六篇论文中五篇所报告的adversarial增益。
50%待验证在固定基线上尝试的九种推理时修正方法，没有一种能超过基线。
50%待验证对于依赖POPE等基准评估幻觉的工作，评测应披露Yes/No读数所用的token集合及其来源（硬编码ID还是分词器派生），并报告推理精度。
50%