본 논문은 비디오 다중 모달 대규모 언어 모델(Video-MLLMs)의 환각(hallucination) 문제, 특히 장시간 비디오에서 발생하는 의미적 집계 환각(Semantic Aggregation Hallucination, SAH)에 초점을 맞춘 연구입니다. 기존 연구들이 단시간 비디오에 집중하여 환각의 원인을 단순화한 것과 달리, 본 논문은 장시간 비디오에서의 복잡한 의미적 처리 과정에서 발생하는 SAH를 새롭게 정의하고, 이를 위한 새로운 벤치마크인 ELV-Halluc을 제시합니다. ELV-Halluc을 통해 SAH의 존재를 확인하고, 의미적 복잡성 및 빠른 의미 변화와의 상관관계를 분석하며, SAH 완화를 위한 위치 인코딩 전략 및 DPO(dynamic positional offset) 전략의 효과를 실험적으로 검증합니다. 8,000개의 적대적 데이터 쌍을 활용하여 모델 성능 향상을 도모하고, SAH 비율을 27.7% 감소시키는 결과를 얻었습니다.
