随着我们迈向人工通用智能（AGI）的时代，出现了开创性的大语言模型（LLMs）。凭借它们强大的语言理解和推理能力，已经无缝地将其他模态（例如视觉）整合到LLMs中，以理解不同的输入。由此产生的多模态大型语言模型（MLLMs）在传统视觉任务和更复杂的多模态问题上都表现出了多样化的专业能力。然而，尽管它们表现出色，并且努力与人类偏好保持一致，这些尖端模型在可信度方面仍存在显著缺陷，导致事实上的