arXiv 论文提出 MiD-ERC：按模态分歧自适应融合的对话情绪识别框架
原文标题：Mind the Divergence: Divergence-Guided Reliability-Aware Fusion and Adaptive LLM Prompting for Conversational Emotion Recognition
重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
针对多模态对话情绪识别中模态间预测分歧未被显式建模的问题，作者提出以分歧为中心的 MiD-ERC 框架，用归一化分歧分数量化单模态情绪分布差异并估计样本级模态可靠性。框架协调分歧引导的跨模态门控、分歧调制的可靠性加权与分歧条件下的自适应 LLM 提示，仅用标准情绪标注端到端训练。在 IEMOCAP 与 MELD 上取得最优性能，高分歧样本提升尤为明显。
AI 处理过程展开/收起
相关推荐
谷歌发布 Gemini Omni 1.2 Flash 视频模型，单段时长增至 15 秒
AI 摘要谷歌推出 AI 视频生成模型 Gemini Omni 1.2 Flash，原生支持最长 15 秒视频，较上一代提升 50%，并新增多轮对话式编辑能力。新模型增强了对参考内容的遵循，可在多镜头间保持角色、物体与场景一致性，减少视觉漂移。
OpenAI发布图像模型Images 2.6，生成提速50%并新增GIF功能
AI 摘要OpenAI发布图像生成模型Images 2.6，面向全球用户在ChatGPT、Codex及API开放。生成速度较上版提升50%，增强多轮编辑的细节与角色、产品、品牌一致性，并新增GIF循环动画生成。API提供Flare与Sunburst两个版本。
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。