TIGER는 다중 모달 생성에서 환각(hallucination)을 사실 수준으로 교정하는 추론 시간 프레임워크다. 입력에서 관찰 그래프, 출력에서 주장 그래프를 독립적으로 추출하고 각 주장에 그래프 조건부 위험 점수를 할당해 고위험 주장만 선택적으로 수정하며 모델 파라미터는 동결 상태를 유지한다. 이미지→텍스트, 오디오→텍스트, 비디오→텍스트 등 4가지 크로스 모달 경로에서 지원되지 않는 내용을 줄이면서 태스크 품질을 보존했으며, 예상 총 위험이 기하급수적으로 감소한다는 수렴 분석을 제공한다.

• •입력의 관찰 그래프와 출력의 주장 그래프를 독립적으로 추출해 각 주장별 지원·충돌 기반 위험 점수를 할당하는 사실 수준 수리 접근법이다.
• •고위험 주장만 선택 교정하며 모델 가중치는 동결 상태를 유지해 추론 시간에 추가 학습 없이 적용 가능하다.
• •이미지→텍스트, 이미지+텍스트→텍스트, 오디오→텍스트, 비디오→텍스트 등 4개 크로스 모달 경로에서 환각 감소 효과가 여러 백본 모델에 걸쳐 일관되게 나타났다.
• •예상 총 위험이 기하급수적으로 감소한다는 수렴 분석을 이론적으로 제공하며, CrisisFACTS 케이스 스터디에서 다중 소스 환경의 접지(grounding) 향상도 확인했다.