arXiv cs.AI· Ziya Hosseynzadeh, Farjad Fallah, Farnoosh Fallah, Soroush Gooran, Mohammad Amanloo, Hossein Sameti·· 11 小时前AI 评分22
CEMIR vs. FISER：基于推理与基于增强的语用意图识别方法对比研究
CEMIR vs. FISER: a comparative study of reasoning-based and enrichment-based approaches to pragmatic intent recognition
AI 导读
一项对比研究在 HandMeThat v2 基准上评测了 FISER（结构化社会与具身推理框架）与 CEMIR（通过文本提示合成叙事和照片级图像做多模态增强的方法），覆盖从 Qwen2.5-Omni-3B 到 GPT-5 的四款 LLM。
正文 · AI 翻译
摘要：人机交互中的意图识别要求智能体通过推断说话者的潜在目标来解决歧义的自然语言指令。针对这一任务，研究日益聚焦于两种显著范式：结构化符号推理与多模态输入增强。然而，在歧义涉及未明示的人类意图而非缺失的可观察场景信息时，基于增强的方法是否能带来收益仍不明确。本文中，我们开展了一项比较性与诊断性研究，将 FISER——一个利用结构化社交与具身推理的框架——与 CEMIR（上下文增强多模态意图识别）进行基准对比，后者通过从文本提示合成叙事和照片级真实感图像来执行多模态增强。通过在 HandMeThat v2 基准上评估两种方法在四个大语言模型（LLM）上的表现（从 Qwen2.5-Omni-3B 到 GPT-5），我们分析了它们解决语用歧义的能力。我们的统计分析采用多重比较校正，结果显示 FISER 与 CEMIR 在任何模型或难度级别上均无统计学显著差异。这一模式在全部十六项模型与难度组合的比较中均成立，在针对 CEMIR 叙事与视觉组件的定向消融实验中也同样成立。相反，性能主要与骨干模型能力和歧义本身的固有难度相关。这些发现提示了文本衍生多模态增强的一个边界条件：当相关任务约束已存在于文本指令中时，合成多模态增强相较于对同一文本进行结构化推理可能无法提供可测量的收益。
| 主题： | 人工智能（cs.AI）；机器人学（cs.RO） |
| 引用为： | arXiv:2610.32022 [cs.AI] |
| （或 arXiv:2610.32022v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32022 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Hossein Sameti [查看电子邮件]
[v1]
2026年10月23日星期五 00:48:20 UTC（1,011 KB）
来源：arXiv cs.AI · arxiv.org