想象一位老侦探走进案发现场：厨房里，一个年轻男人背对镜头，双手撑着台面，微波炉亮着灯，客厅地上丢着一件沾着油渍的工作服。普通人看一眼只会说“有个男人在厨房”；老侦探却能像读一本小说一样读出画面背后的故事——“他刚下班，很疲惫，懒得做饭，只想快点热个剩饭吃。”这就是从“看见”到“看懂”的距离。VCR（Visual Commonsense Reasoning，视觉常识推理）要教AI做这样的事：不满足于认出画面里有什么东西，还要推理出画面里的人在想什么、为什么会这样做、接下来会发生什么。本文会带你完整认识VCR任务的定义、数据集、模型方法、评估方式与落地场景，用“老侦探”这条线索，把视觉常识推理的每个环节串成一条清晰的成长路径。
对AI从业者而言，VCR是通往“高级视觉理解”的必修课——掌握它，你就拥有了去做视频理解、剧情分析、智能监控等高阶任务的核心能力，这是从“CV工程师”走向“多模态智能体工程师”的关键一跃。
目录
可视化演示
展示视觉常识推理六阶段流水线、问答与理由联合生成训练过程、以及多模态融合交叉注意力机制，揭示VCR深层推理核心。
本节配有交互动效（进入视口后自动加载，约 3KB）。
视觉常识推理流水线 图像输入→目标检测→文本识别→常识推理 最终生成答案与推理理由的联合输出 Image → Detect → OCR → Commonsense → Answer + Rationale VCR从画面识别到深层常识推理的完整流水线
VCR任务定位：从“看图答题”到“看图懂心”
老侦探走进厨房，看到微波炉亮着、地上扔着工作服，他不会只说“厨房里有人”，而是会写下判断：“这个人刚下班，很疲惫，正打算热剩饭吃。”传统的视觉问答（VQA）只训练AI做前者——“说出图里有什么”；而VCR要训练AI做后者——“看懂图里的人为什么这样做”。这就是VCR任务的核心定位：它把视觉理解从“感知层”推进到了“认知层”。
VCR的官方任务形式是一个四选一的选择题：给定一张来自电影截图的图片作为上下文（context），再给一个问题（question），模型要从4个候选答案中选出正确的那个，同时还要从4个候选理由（rationale）中选出最能支撑这个答案的理由。注意，答案和理由要同时选对才算正确。这就像侦探汇报案情时，不仅要指出“谁是嫌疑人”，还要提交“为什么是他”的完整证据链。
所以，VCR不是“更难的VQA”，而是任务性质的升级：它要求模型具备把“看到的画面”与“人类社会的常识”连接起来的能力。回到老侦探的比喻，VCR就是给AI布置的“读心实习”——答案是你指认的凶手，理由是你拿出的作案动机。
- 条件概率（给定情境）$P(a, r \mid q, c)$ 表示“在看到这张图、听到这个问题之后，某个答案和理由的组合有多可信”。这就好比侦探在案发现场，一切判断都要基于眼前的线索。
- 候选组合（联合空间）$(a, r) \in A \times R$ 说明答案和理由是从两个候选集合中共同选取的，二者绑在一起评估，不能割裂。就像一个口供要同时满足“谁干的”和“为什么”。
- 最优决策（取最大值）$\arg\max$ 表示在所有组合中挑概率最高的。侦探不会随便指认一个人，他会在所有嫌疑人中挑证据链最完整的那一个。
数据集结构：19万道题组成的“悬案卷宗库”
老侦探的推理能力离不开他经手过的成千上万个案子。VCR数据集就是这样一个“悬案卷宗库”。它从好莱坞电影中采集了约11万个视频片段，每个片段都截取关键时刻的静态画面，并由人工标注了约29万道题（其中约19万道用于训练，其余用于验证与测试）。
这个卷宗库的设计非常有讲究。每一道题都包含一个自然语言问题、4个候选答案和4个候选理由。候选答案与理由都是由标注人员事先写好的，模型不需要自由发挥生成句子，只需要“做选择”。这大大降低了评估难度——就像侦探考试里提供了“嫌疑人名单”和“动机清单”，考生要做的是把正确的配对勾出来。
为什么要从电影里取材？因为电影是“人物动机最密集”的素材库：角色的表情、动作、对话和场景都在为剧情服务。老侦探翻遍卷宗，才能培养出“看到一个人皱眉就察觉他心事重重”的直觉；VCR模型也要靠这些精心标注的片段，学会把画面细节与人性常识对应起来。
- 答案候选数$K_a = 4$，即每道题给出4个可能的答案，只有1个正确。这是选择题的基本盘，给模型设置了明确的决策压力。
- 理由候选数$K_r = 4$，即每道题还附带4条理由，理由的候选集与答案独立设计，但评估时绑定在一起。
- 组合总数$K_a \times K_r = 16$，模型真正面对的是16种联合选择，而单一选对答案远远不够——理由选错照样不得分。
模型技术路线：侦探学院的“看听说”三段课
老侦探并不是天生就懂读心术，他需要经过系统的训练。VCR模型也是如此，它的训练路线可以概括为三堂课：学会看（图像编码）、学会听（文本编码）、学会把看到的和听到的对应起来（跨模态融合）。
第一堂课是图像编码。模型用ResNet或ViT这样的视觉骨干网络，把图片编码成一串向量，提取出“画面中有什么物体、什么位置、什么关系”。第二堂课是文本编码。问题、候选答案、候选理由都通过BERT这样的语言模型编码成向量，让模型理解“人类在问什么、在陈述什么”。第三堂课最关键——跨模态融合。模型要把图像特征和文本特征映射到同一个“语义空间”里，让“画面里的男人”与“刚下班的疲惫”这两个概念能够互相匹配。
在实际训练中，模型先在千万级规模的通用图文数据上做预训练，学到通用的视觉语言对齐能力，然后再用VCR数据集做微调。这就像老侦探先在警校学习犯罪心理学通识，再到具体辖区实习积累当地经验。预训练让AI“见过足够多的人间百态”，微调则让AI“熟悉本辖区的特殊案情”。
- 向量点积（衡量方向一致性）$\mathbf{v}_i \cdot \mathbf{t}_j$ 对两个向量做点积，值越大说明它们在语义空间中的方向越一致。就像把侦探的观察笔记和目击证词放在一起比对，重合度越高越可信。
- 向量模长（归一化）$\lVert \mathbf{v}_i \rVert \lVert \mathbf{t}_j \rVert$ 是向量长度的乘积，用来归一化，消除“向量本身长短”带来的干扰。这好比比较两个人的证词时，要先排除“谁话多谁就更有理”的偏差。
- 余弦相似度（最终得分）整个式子最终输出一个介于-1到1之间的分数，分数越高，图像与文本越匹配。多模态预训练模型（如CLIP、ViLBERT）就是通过大量“图片—文字对”来训练这种匹配能力。
推理能力核心：脑内小剧场的四幕演出
老侦探最厉害的能力，是能在脑中“重演”案发现场：他不仅看到男人扶着灶台，还会在脑海里推演——他下班时是什么心情？他为什么不点外卖？他接下来会做什么？VCR中的深层推理，本质上就是要求模型在“脑内小剧场”里上演类似的心理剧。具体可以分为四幕。
第一幕是人物识别——不仅要认出“一个男人”，还要知道他在这段关系中的角色、他的职业与状态。第二幕是情绪意图——判断人物此刻的情绪（疲惫、愤怒、欣喜）以及他想要达到的目标（快点吃上饭、避开某人）。第三幕是事件因果——理解画面中的结果是由什么原因导致的（地面上的油渍来自他撒掉的盒饭）。第四幕是反事实推理——思考“如果当时没有发生X，现在会不会是另一番景象”。这四幕层层递进，构成了VCR的完整推理链条。
注意力机制让模型在计算每一步推理时都能动态选择“看哪里”。这就好比老侦探在脑内小剧场中，会自动给关键线索打上聚光灯——微波炉的计时器、男人松垮的肩背、地上的工作服，这些细节才是揭开“他又累又饿”这个结论的关键证据。
- 注意力打分（相关性计算）$\mathbf{q}_i \cdot \mathbf{k}_j / \sqrt{d}$ 表示查询（比如问题中的“为什么疲惫”）与候选线索（比如画面中男人的表情）之间的相关度打分。侦探会把手头的问题与每条线索一一比对。
- 缩放与归一化（softmax）除以 $\sqrt{d}$ 防止分数过大导致梯度消失；softmax把分值变成一组总和为1的权重。这相当于把100条线索的可靠度归一化，找出最关键的几条。
- 加权聚合（聚焦重点）最终权重 $\alpha_{ij}$ 决定了模型在推理“情绪意图”和“事件因果”时，把多少“注意力”放在男人的表情、动作还是环境细节上。
评估指标体系：侦探的期末考核单
老侦探出师前，要通过一套严格的考核：不仅要指认对凶手，还要把推理过程讲得令人信服。VCR的评估体系也有同样的“双重要求”。第一项指标是问答准确率，即模型选出的答案是否正确；第二项指标是理由正确率，即模型选出的理由是否正确。只有答案和理由同时正确，这道题才会计分，这被称为"QA+R"联合指标。
此外，VCR还引入了MRR（Mean Reciprocal Rank，平均倒数排名）来评估模型对正确答案的排序能力。MRR不仅关心模型有没有把正确答案排第一，还关心正确答案出现在第二位、第三位时能得多少部分分——就像侦探考试中，即使没有锁定真凶，能把他排在嫌疑人名单的前列也算有推理功底。
评估体系的设计决定了模型的训练目标：因为“答案+理由”必须同时正确，模型就不能靠猜、不能靠偷懒的统计偏置混分。这就像考核单上明确写着“口供与证据链各占一半”——逼着每个AI侦探认真做完整推理，而不只是碰运气。
- 排名倒数（单题得分）$\frac{1}{\text{rank}_i}$ 表示第 $i$ 道题的得分。正确答案排在越前面，得分越接近1。这就像侦探如果第一眼就锁定真凶，得满分；如果犹豫到第三个才想到，就只能拿零头。
- 求平均（整体水平）$\frac{1}{N} \sum_{i=1}^{N}$ 把所有题的倒数排名加起来再除以题目总数 $N$，得到一个0到1之间的整体分数。这个分数越高，说明模型的排序越接近“一眼看穿真相”。
- 对比人类基准VCR论文中报告的人类表现约为85%准确率，而当时的最佳模型只有约72%左右。这个差距说明，读完“卷宗库”的AI侦探，推理功力还没有达到人类老侦探的高度。
应用部署优化：从总部名探到一线巡警
学成出师的侦探，最终要离开总部、下到一线去处理真实案件。VCR模型也面临同样的“落地考验”：实验室里的大模型虽然推理能力强，但参数量动辄上亿，推理速度慢、内存占用高，无法直接在手机、摄像头等边缘设备上运行。因此模型压缩与推理加速成为部署环节的关键。
最常用的手段是知识蒸馏：让一个参数量庞大的“教师模型”教一个轻量化的“学生模型”，学生模型的输出尽量逼近教师模型。这就像总部的老侦探把自己的办案经验写成手册，传给街头的新手警察。此外还有低比特量化、模型剪枝等手段，把模型从FP32压缩到INT8甚至更低精度，推理速度提升数倍而精度损失很小。
在具体的应用场景中，视频平台可以用VCR模型分析剧情片段，自动生成“角色情绪变化曲线”；智能监控系统则可以把蒸馏后的小模型部署到边缘设备，实时推理“人员滞留是否有异常意图”。从总部名探到一线巡警，VCR模型完成了一次“轻装上阵”的蜕变——能力不减、反应更快。
- 任务损失（学会做题）$\mathcal{L}_{\text{task}}$ 确保学生模型在VCR任务上仍然能答对题。这是基础功——再快也不能把答案做错。
- 蒸馏损失（模仿高手）$\mathcal{L}_{\text{distill}}$ 让学生模型的softmax输出分布尽量接近教师模型。相当于让新警察模仿老侦探的思维方式，而不仅仅复制结论。
- 平衡系数（控制侧重）$\lambda$ 在0到1之间取值，调节“做题正确率”与“模仿教师程度”的相对重要性。训练初期可以侧重模仿，后期再回归任务本身。
局限与展望：神探也有盲区
再厉害的老侦探也有失手的时候：他可能被表面线索误导，可能因为不了解当地风俗而误判。VCR模型同样存在明显的盲区。第一是幻觉问题——模型在不确定时倾向于“脑补”一个看起来很合理的解释，但实际与画面内容不符。第二是知识冲突——模型的常识来自训练数据，如果遇到与训练分布不一致的新场景，它的“常识”反而会成为误导。第三是可解释性不足——即使模型选对了答案和理由，我们也很难解释它到底依据了什么内在逻辑。
这些问题本质上是同一个根源：AI的“常识”是在静态数据中学到的，而人类的常识是在动态世界中通过与环境的持续互动逐步建立的。为了缩小这一差距，研究者提出了几个未来方向：引入知识图谱为模型注入结构化外部知识；增加反事实训练样本，让模型学会“如果事情不是这样会怎样”；以及探索多模态大模型与强化学习的结合，让AI在与世界的“对话”中不断修正自己的常识。
这个差距告诉我们：AI侦探已经能看懂画面背后的“明线故事”，但面对“潜台词”和“人情世故”时还稍显稚嫩。好消息是，VCR给出了一条清晰的能力阶梯：从物体识别到关系理解，再到情绪意图与因果动机——每一级都在帮助AI离“真正的看懂”更近一步。老侦探的传奇还在继续，而未来属于那些不断缩小这个 $\text{gap}$ 的模型。
- 人类准确率（参照上限）$\text{Acc}_{\text{human}}$ 是普通人完成VCR任务的准确率，大约85%。这是AI追赶的“人类水平”标杆。
- 模型准确率（当前水平）$\text{Acc}_{\text{VCR}}$ 是当前最优模型在VCR上的准确率，约75%左右。把它与人类基准相减，就得到了“还差多远”的直观答案。
AI 应用场景
视频平台的“剧情高能预警”
阶段：多模态内容理解与推理
解决的问题：传统推荐系统只看标签、弹幕密度和用户行为，无法感知“画面里角色的真实情绪”。追剧用户想要的不是冷冰冰的标签，而是“这段男女主吵架后，男主其实在后悔”这样的深层剧情洞察。VCR模型可以从关键帧中识别人物表情、动作与环境，推理出角色关系与剧情走向。
具体案例：某视频平台部署了基于VCR范式的剧情理解模型。当男女主角在雨中争吵时，模型不仅识别出“两个人在争执”，还通过推理“男主握着女主送的围巾”这一细节，判断“男主内心不舍”，从而在进度条上打上“高能反转”的提示点。用户点击该点后看到的不只是片段，还有AI生成的动机注解。
智能监控的“意图预判”
阶段：实时视觉推理与边缘部署
解决的问题：传统监控系统只能检测“有人摔倒”“有人闯入”这类明确事件，却无法判断“一个人在ATM机前长时间逗留却不操作”背后的意图。VCR的深层推理能力让摄像头从“被动记录”升级为“主动理解”。
具体案例：地铁站部署了轻量化VCR模型。它通过分析人物的滞留时间、张望频率、手部动作和面部朝向，推理出“此人可能在踩点而非候车”，触发重点关注预警。相对于传统的“区域入侵检测”，这种基于常识推理的预警大幅减少了误报，因为它“看懂了”行为背后的动机线索。
视障辅助的“画面旁白员”
阶段：多模态问答与辅助决策
解决的问题：视觉障碍者拍一张照片问“我现在能过马路吗”，传统OCR只能回答“绿灯亮着”，但无法告知“右侧有自行车高速驶来”。VCR能同时结合画面中的交通信号、车辆运动趋势和行人行为，给出更完整的判断和建议。
具体案例：辅助APP集成了VCR风格的推理管线。用户拍摄路口照片并提问：“现在走安全吗？”模型回答“建议等待”，并附上理由“当前虽然是绿灯，但左转车辆正在加速，且你前方有一位行人正在快速跑过”。这种“答案+理由”的输出方式，正源于VCR的任务设计。
Python 演示
import numpy as np class VCRBaseline: def __init__(self, dim=128, n_answers=4, seed=42): rng = np.random.default_rng(seed) self.dim = dim self.n_answers = n_answers self.q_proj = rng.normal(size=(dim, dim)) / np.sqrt(dim) self.a_proj = rng.normal(size=(dim, dim)) / np.sqrt(dim) self.image_bank = rng.normal(size=(5, dim)) def project(self, feat, proj): return np.tanh(feat @ proj) def score(self, img_feat, question_feat, answer_feats): qv = self.project(question_feat, self.q_proj) iv = self.project(img_feat, self.a_proj) fused = qv + iv avs = np.stack([self.project(a, self.a_proj) for a in answer_feats]) return avs @ fused def predict(self, img_id, question_feat, answer_feats): scores = self.score(self.image_bank[img_id], question_feat, answer_feats) return int(np.argmax(scores)), scores def main(): model = VCRBaseline(seed=1) rng = np.random.default_rng(0) question = rng.normal(size=model.dim) answers = rng.normal(size=(model.n_answers, model.dim)) best_idx, scores = model.predict(0, question, answers) print("best answer index:", best_idx) print("scores:", scores) if __name__ == "__main__": main()
self.q_proj = rng.normal(...) / np.sqrt(dim)模拟预训练学到的“问题投影矩阵”，把原始问题特征映射到联合语义空间。self.a_proj = rng.normal(...) / np.sqrt(dim)与投影矩阵类似，但是用于图像和答案特征的映射。return np.tanh(feat @ proj)对投影结果做非线性激活，模拟深层网络的语义变换。fused = qv + iv将问题特征与图像特征做向量相加，作为“融合了画面与问题”的查询向量。avs @ fused将4个候选答案的投影向量分别与融合向量做点积，得到每个答案的匹配得分。np.argmax(scores)选出分数最高的答案索引，相当于模型最终的“四选一”决策。
常见误区
误区很多初学者觉得VQA是“看图回答简单问题”，VCR不过是问题更难、图片更复杂的高级VQA，换个更大的模型就能解决。
正解VCR与VQA有本质区别。VQA只要求模型选出正确答案，而VCR要求“答案+理由”同时正确。理由不是附加信息，而是推理过程本身的一部分。就像侦探考试，VQA只问“凶手是谁”，VCR还要求写出“作案动机”，两者对模型能力的要求完全不同。
为何常见：因为两者都是“视觉+语言”的选择题，表面形式相似，初学者容易忽略“联合评估”带来的本质升级。
误区有人以为只要把YOLO、ViT这些物体检测模型练到极致，把所有物体都识别出来，VCR的分数自然就上去了。
正解VCR主要考验的不是感知而是推理。一个模型即使完美检测出“男人、微波炉、工作服”，仍然无法回答“他为什么烦恼”。就像侦探看清了现场的每件物品，但不知道这些物品组合起来意味着什么，照样破不了案。VCR需要的是把视觉元素与人类常识关联的推理能力。
为何常见：因为传统CV任务的评价体系以“检测精度”为核心，容易让人误以为感知能力就是视觉理解的瓶颈。
误区部分初学者看到VCR涉及“理由生成”，就以为该用BLEU等文本生成指标来评估模型输出。
正解VCR的答案和理由都是“候选选项”而非自由生成的文本，核心是“做选择”而不是“写句子”。因此标准评估指标是准确率与MRR。即使用到理由，也只是比较模型选的选项是否正确。好比侦探考试是“从动机清单里勾选”，而不是“写一篇小作文”，评分标准自然不同。
为何常见：VCR中的“rationale“翻译为”理由“，容易让人误以为是”生成理由“，忽略了它实际上是”选择理由”。
误区有人觉得训练时只需要用问答对来优化模型，理由部分只是给用户看的展示文本，对训练没有价值。
正解理由标注是VCR最重要的“监督信号”。它显式告诉模型“什么样是对的推理”，相当于给侦探提供标准答案式的“破案心法”。如果忽略理由，模型容易学习数据中的统计偏置（比如“看到厨房就选做饭”），而在真实场景中崩溃。训练VCR模型时，必须在答案与理由上同时加监督损失。
为何常见：因为很多视觉任务只有单一标签，初学者习惯了“一个任务一个标签”的模式，容易低估多任务联合监督的价值。
误区既然CLIP等模型已经在海量图文对上预训练过，拿过来直接部署就能做好VCR任务，不需要再训练。
正解通用预训练模型虽然具备基础的对齐能力，但VCR任务要求的是“情节级”的深层推理——理解人物的动机、情绪与因果链。这必须用VCR数据集进行下游微调。就像总部的名侦探虽然办案经验丰富，但到了新的辖区，还是要先熟悉当地的风土人情，否则照样会误判。
为何常见：预训练模型的零样本表现惊艳，容易让人高估其迁移能力，忽视领域微调的必要性。
面试题
Q1. VCR中字母"V"代表什么？
- A.Visual（视觉）← 正确答案
- B.Virtual（虚拟）
- C.Video（视频）
- D.Voice（语音）
答案：A。VCR全称是Visual Commonsense Reasoning，其中V代表Visual，强调任务的核心输入是视觉信息。B、C、D分别对应虚拟、视频、语音，虽然“视频”与视觉相关，但VCR的数据是静态图像与文本的问答，并非视频理解任务，因此C不正确。
Q2. 关于VCR任务的说法，正确的是哪项？
- A.只需识别图中物体
- B.只需生成场景描述
- C.要选答案并选理由← 正确答案
- D.要生成完整剧情文本
答案：C。VCR任务的核心是“答案+理由”联合选择：模型不仅要选出正确答案，还要从候选理由中选出能支撑答案的推理依据。A只停留在感知层，B是图像描述任务，D则超出了VCR的选项式任务设计。因此选C。
Q3. VCR数据集中，每个问题包含几个候选答案与几个候选理由？
- A.2个答案与2个理由
- B.3个答案与3个理由
- C.4个答案与4个理由← 正确答案
- D.5个答案与5个理由
答案：C。VCR数据集的标准设置是每个问题提供4个候选答案和4个候选理由，最终组合数为16种。这一设计保证了模型不能靠猜答案得分，因为答案与理由必须同时正确。其他选项的数量均与VCR官方数据集不一致。
Q4. 与传统VQA相比，VCR最核心的差异是什么？
- A.图像分辨率更高
- B.必须输出解释理由← 正确答案
- C.使用更大规模模型
- D.数据全部来自网络
答案：B。VCR的“答案+理由”联合评估机制是其与传统VQA的本质区别。理由不是装饰，而是推理链条的一部分。A、C只是工程上的变化，D与事实不符（VCR数据来自电影片段），因此选B。
Q5. 下列哪些属于VCR中的深层常识推理能力？
- A.判断人物情绪状态← 正确答案
- B.推断行为背后的动机← 正确答案
- C.追踪事件因果链条← 正确答案
- D.统计画面中物体数量
答案：ABC。VCR的核心推理层次包括人物识别、情绪意图、事件因果和反事实推理。A、B、C分别对应情绪、动机和因果层面，属于深层常识推理。D是简单的感知级统计任务，不需要常识推理，因此不选。
Q6. MRR指标主要衡量模型的什么能力？
- A.参数规模的大小
- B.训练速度的快慢
- C.正确答案在排序中的名次← 正确答案
- D.生成文本的流畅程度
答案：C。MRR是平均倒数排名，它考察模型把正确答案排在第几位。排第1得满分，排第2得0.5分，以此类推。它反映的是模型“对答案的置信度排序能力”，与参数规模、训练速度、文本生成质量均无关。
Q7. 在VCR训练中，理由标注（rationale）最重要的作用是什么？
- A.增加数据集的文本总量
- B.提供显式的推理监督信号← 正确答案
- C.用于做数据增强
- D.仅用于最终的用户展示
答案：B。理由标注让模型在训练时不仅学“选什么”，还学“为什么这样选”，相当于把推理过程显式地建模为监督目标。A、C只是附带效果，D否定了理由对训练的反馈作用。正确选项是B。
Q8. 部署VCR模型时，下列哪些是常用的优化手段？
- A.知识蒸馏压缩模型大小← 正确答案
- B.低比特量化加速推理← 正确答案
- C.端侧芯片裁剪与适配← 正确答案
- D.跳过微调直接部署上线
答案：ABC。知识蒸馏让大模型教小模型、量化将浮点权重转为低比特整数、端侧芯片适配都是在保持精度的前提下提升推理效率的部署优化手段。D会因领域不匹配导致性能骤降，属于错误的部署方式。
Q9. 为什么评估VCR不能只看问答准确率？
- A.因为问题太难无法计算
- B.因为需要同时检验理由质量← 正确答案
- C.因为准确率指标没有上限
- D.因为数据集过小无法统计
答案：B。VCR的评分机制是“答案和理由同时正确”才算对，因此单独看问答准确率会高估模型的真实能力（可能答案对但理由错）。评估必须同时检验理由质量。A、C、D均不符合VCR任务的实际设定。
Q10. 以下哪些方向有助于缓解VCR模型的幻觉风险？
- A.引入外部知识图谱约束← 正确答案
- B.增加反事实训练样本← 正确答案
- C.推理时校验文本一致性← 正确答案
- D.完全丢弃图像只用文本
答案：ABC。外部知识图谱能提供常识约束，反事实样本能训练模型区分真实与想象的因果关系，推理时校验文本一致性可以发现并拦截与画面矛盾的输出。D完全丢弃图像会退化为纯文本模型，与视觉推理背道而驰，因此不选。