arXiv 提出可溯源多模态情感推理智能体框架
原文标题：An Agentic Approach with Evidence-Grounded Verification for Multimodal Emotion Reasoning in Conversation
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究提出一种基于冻结模型的多模态情感推理智能体框架，各模态感知智能体将带证据引用的观察提交至共享面板，由整合智能体生成情感描述与标签，并设证据校验阶段定位错误来源。在 MER2025 数据集上，该方法在 VideoLLaMA3-2B、Phi-3.5-vision、Qwen2.5-VL-7B、InternVL2.5-38B 四个模型上均优于静态流水线，F 值提升 0.6-2.2 分。
深读 · 结论先行AI 生成展开看要点与影响 ↓
冻结模型的多模态情感推理智能体在MER2025上四个模型F值提升0.6-2.2分。
- •视觉、声学、词汇感知智能体将带证据引用的观察提交至共享面板，整合智能体结合检索样例产出情感描述、标签与引用。
- •MLLM评审可在定稿前要求一次修订；错误预测由证据校验阶段用确定性检查与蕴含检查定位来源。
- •检测到的失败按责任组件与类型分组，转为定向prompt补丁，仅在留出集验证通过后采纳，不更新模型权重。
- •在MER2025数据集上，该方法在VideoLLaMA3-2B、Phi-3.5-vision、Qwen2.5-VL-7B、InternVL2.5-38B四个模型上均优于静态流水线。
为什么重要：为不愿承担指令微调成本的团队提供了可溯源、可定位错误的替代路径，错误归因能力对情感计算等高风险场景尤为关键。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。