Deco

让多模态模型少说瞎话，动态纠错解码即插即用

Deco 是一个针对多模态大语言模型（MLLM）的幻觉缓解工具，核心方法为动态校正解码（Dynamic Correction Decoding）。它解决了 MLLM 在生成文本时可能产生与图像内容不符的幻觉描述问题。Deco 通过实时监测解码过程中的视觉一致性，动态调整生成策略，从而减少错误描述。其核心能力包括：即插即用，无需重新训练模型；支持多种主流 MLLM；提供可复现的实验代码和评估脚本。该工具适用于需要高可靠性视觉问答、图像描述等场景，能有效提升模型输出的可信度。

开源 free 开源模型
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 147
维护状态 低维护
是否开源 是
定价模式 free

项目数据

分类开源模型
开发团队zjunlp
所属国家
官网地址
GitHubhttps://github.com/zjunlp/Deco
定价模式free
价格说明开源项目，MIT许可证，完全免费，无付费版本。
访问状态
是否开源是
开源协议MIT
主要语言Python
技术栈/模型artificial-intelligence,decoding,doco,hallucination,hallucination-mitigation,iclr2025,large-language-models,mllm,multimodal-large-language-models,natural-language-processing
GitHub 星标★ 147
30天Star增速
HF 下载量
上线时间2024-09-29 00:00:00
最近更新2026-09-06 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数4

使用教程

核心亮点

  • 无需重新训练模型，直接应用于现有 MLLM，降低使用门槛
  • 动态校正解码机制，实时抑制幻觉生成，提升输出准确性
  • 提供完整实验代码和评估脚本，便于复现和扩展

不足之处

  • 项目处于早期阶段，文档和社区支持待观察
  • 可能增加解码计算开销，影响推理速度

适用场景

  • 视觉问答系统，需减少错误描述
  • 图像自动标注，提高描述准确性
  • 多模态对话机器人，增强回答可靠性

替代项目

LLaVA、MiniGPT-4、InstructBLIP

项目介绍

Deco 是评测安全领域的开源项目，由 zjunlp 开发，2024 年首次发布。

它收录于评测安全分类，该分类目前共有 458 个项目，GitHub 星标数为 147。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-06。MIT许可证，完全免费，无付费版本。

它主要面向的使用场景是：视觉问答系统，需减少错误描述。同类可对比的替代方案包括 LLaVA、MiniGPT-4、InstructBLIP。

上一篇：llm-hallucination-survey

下一篇：Awesome-LLM-Red-Teaming

同类项目推荐

akto 开源

给 AI 应用做安全体检，防提示注入和数据泄露

Akto is the fastest growing AI Security platform for your teams to secure AI agents,···

★ 1517 2026-08-20
XSafeClaw 开源

给 AI 智能体装上安全盾，自动红队测试找漏洞

Introducing XSafeClaw: The Open-Source Agent Safety Platform from Fudan University

★ 164 2026-08-10
deepteam 开源

自动模拟越狱攻击，提前测出 LLM 安全漏洞

DeepTeam is a framework to red team LLMs and AI agents.

★ 2937 2026-09-12
Tracely-ai 开源

把生产事故变成回归测试，合并前自动拦截 AI 故障

Trace-native CI/CD for AI agents — production failures become regression tests that···

★ 1362 2026-08-24