📄 从看到表情到读懂评估：多模态情绪理解的认知评估推理
英文题目：From Surface to Depth: Towards Cognitive Appraisal Reasoning in Multimodal Emotion Understanding
标签：#语音情感识别 | #混合专家模型 | #多模态学习 | #数据集 | #基准测试
评分：6.4/10 | 创新 1.3/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.5/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Jia Li：Hefei University of Technology
- Yichao He：Hefei University of Technology
- Yangchen Yu：Hefei University of Technology
- Qiankun Li：Nanyang Technological University
- Xinyi Li：Hefei University of Technology
- Baiyi Ye：Hefei University of Technology
- Zhenzhen Hu：Hefei University of Technology
- Richang Hong：Hefei University of Technology
- Erik Cambria：Nanyang Technological University
📌 核心摘要
多模态情绪理解的输入是视频画面、说话人音频与字幕文本，输出是八类情绪标签与解释情绪来源的推理文本，难点在于表情、声音与文字可能隐含、冲突或带有误导，单靠表情到标签的关联容易失效。论文先用与情绪无关的知觉描述记录场景、面部与音频的可观察事实，再要求模型沿目标一致性、应对潜力、责任归因、未来预期、激活水平与行动倾向六个评价维度解释处境含义，最后得出情绪标签。模型侧保留已有的感知能力，只训练稀疏专家承担评价推理，评测侧用评价证据质量分数比较模型证据与人工核验参考的语义相似度。在 CogEmo-Bench 评测集上，CogEmo-MoE 的评价证据质量分数为 70.60，同期 GPT-5.2 为 56.30，情绪准确率为 71.43%，高于 Qwen3-Omni 的 63.10%。结论适用于该基准的八分类与自然分布视频范围，对低频负情绪与跨语言跨文化的覆盖仍然有限。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
- 第三方资源：https://github.com/MSA-LMC/CogEmo — 链接可访问（HTTP 200）
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
这篇论文要解决的多模态情绪理解是什么任务
任务的输入是同一段人物视频的多模态证据，包括画面帧、说话人音频和字幕文本，目标是先说清处境对当事人意味着什么，再给出 8 类中的一个情绪标签，包括高兴、悲伤、愤怒、恐惧、焦虑、厌恶、轻蔑和中性。必须保留的信息有两层，一是可观察的感知证据，二是沿 6 个认知评估维度的解释，分别是目标一致性、应对潜力、责任归因、未来预期、激活水平和行动倾向，缺了第二层就只剩表情到标签的猜测。
输出要求是连贯的自然语言推理段落加最终标签，而不是只输出标签。论文反复强调的难点是投机取巧式的表面联想，当线索含混、模态冲突、文字误导或冗余细节遮蔽关键信息时，只记表情声调与标签的对应就会失灵，而人类情绪恰恰取决于当事人如何解读事件，例如同样一件事是否阻碍目标、是否觉得可控、责任在谁、未来会怎样。
对刚入门的研究生来说，可以把任务理解为给每段视频写一份先摆证据再做心理评估最后下结论的分析报告，评价时既看结论对不对，也看评估过程是否有人类可理解的依据。
已有路线为什么只做到表面线索到标签
按论文梳理，已有多模态大语言模型把视觉、听觉和时间证据与语言对齐，能做开放式解读，情感方向的模型也会在预测旁附带解释，相关数据集和统一基准也提供了带解释的监督。但原文指出，这些监督和评价大多仍围绕最终标签、可观察线索或文字是否通顺，流利的解释不等于真正讲清情绪为何产生，基准的题型也可能留下走捷径的空间。
另一条线是评估理论，认为情绪不在表情本身，而在人对事件相对目标、应对、责任、预期和行动准备等的评价，经验与计算研究也把评估模式与情绪判断联系起来，但在文本之外的多模态自由生成推理中还没有系统落地。本文与这两条线的相同点是都用多模态输入、都生成解释，区别在于输入目标与监督阶段不同：已有情感数据多给标签或感知级描述，本文要求显式的从观察到评估再到情绪的中间表示，并配套可度量评估证据的基准。
因此不能把类别差异直接读成同条件胜负，只有在相同输入模态、相同标签空间和相同评分流程下，数字比较才有意义。
论文把问题重新定义成哪两步
论文把情绪理解定义为从感知到认知评估的递进，而不是一次性的线索到标签映射。第一步感知回答发生了什么，要求客观描述场景、面部行为和说话人声音，明确排除情绪词和心理推断，避免把结论提前泄露给第二步。第二步认知评估回答这件事对当事人意味着什么，要求把第一步的证据沿 6 个维度逐一解读后再推情绪，每个维度都要有感知证据支撑。
举例来说，同样是皱眉加大声，评估要区分是目标受阻但觉得可控并指向他人责任，还是感到威胁且控制不足并预期危险，前者更靠近愤怒或轻蔑的构型，后者更靠近恐惧或焦虑的构型。这种定义的好处是把原来藏在模型内部的联想展开成可检查的文字，把评价焦点从猜对几个标签转到评估证据是否与人类解释对齐。
需要提醒的是，6 个维度是作者借鉴已有理论选出的互补切分，并不声称穷尽全部认知过程，后续完全可以用更丰富或不同的理论划分来替代。
从表层到深层的总体流程是怎样的
整体流程是数据、模型和基准三件套支撑同一个范式。数据端用 2 阶段流水线先写无情绪的感知描述，再写 6 维评估推理，最后经人工对齐得到可训练的指令数据；模型端在紧凑骨干上用交错稀疏专家只做认知适配，保留已有的多模态感知；基准端用固定抽取器把自由文本规整到 6 维，再用语义相似度算评估证据质量，同时保留传统分类指标。
一个样本走完全程的样子是：视频帧进视觉编码器、音频进音频编码器、文本作指令，3 路特征投影到语言空间后拼给语言骨干，骨干在稀疏专家帮助下输出一段按固定顺序覆盖 6 维的段落并以情绪标签结尾，评测时再把这段文字拆回 6 维与人工参考逐维比对。下图对比有助于看清新旧范式的分工差异，上栏是只做感知线索到情绪的旧路线，下栏是多出评估推理一步的新路线。
多模态感知 × 认知评估： 多模态感知指从视频、音频和文本中抽取可观察证据，如场景、面部动作和语音特征；认知评估指把这些证据放在个人目标、应对能力和责任等维度上解释为对当事人意味着什么。二者搭配是因为只看表情声调容易停在线索到标签的联想，而加上评估这一步，模型必须先说清处境含义再给情绪，组合后多出一条可检查的从观察到情绪的推理轨迹。
看图路径： 1. 对比上下两栏左侧编码器与投影器的冻结与更新标记；2. 看上栏如何从面部线索直接连到情绪，下栏多出哪一步中间推理；3. 注意下栏专家初始化标注与虚线汇合方式的差异
论文图 3。原论文 Figure 3:：“Comparison of surface cue-based emotion reasoning and our cognitive appraisal-based CogEmo-MoE framework.”。
上栏只有识别线索后直接映射到情绪，下栏在同样线索之后先形成厌恶性评价、自信控制、指向他人的责任等评估判断，再落到情绪，左侧结构也从稠密微调变为复制前馈权重初始化的稀疏专家，这种对照说明新增的不是更多感知特征，而是一个必须用文字表达的中间解释层。
模型输入如何经过编码器与稀疏专家得到输出
CogEmo-MoE 建在 MoE-LLaVA 框架上，语言骨干是 Qwen-1.8B 规模，视觉用 CLIP、音频用 CLAP，整机约 3.1B 参数。给定视频、音频和指令，模型先各自编码再经模态投影拼接到指令嵌入之后，交给带混合专家的语言骨干做认知推理。符号含义是视频、音频、指令和输出，投影负责把视听特征搬进语言空间，骨干负责按 6 维顺序生成推理。原文给出的输入组合形式如下。
\[Y=LM_{\mathrm{MoE}}\left([P_{v}(f_{\mathrm{CLIP}}(V));P_{a}(f_{\mathrm{CLAP}}(A));E(I)]\right),\]该式目标是说明 3 路输入如何拼成一个序列进入骨干，实现上用两层 MLP 做投影，训练时按阶段冻结不同部件。稀疏部分是交错插在 Transformer 中的专家层，每层有多个专家和一个轻量路由器，路由器对隐状态做线性加 Softmax 得到选谁的概率，每次只激活概率最高的 k 个并按权重加权求和。符号中隐状态来自上一层，路由矩阵是可学参数，专家是前馈网络的副本初始化。路由与聚合的计算目标如下。
\[p(e|h)=\mathrm{Softmax}(W_{r}h),\]\[\mathrm{MoE}(h)=\sum\nolimits_{i\in\mathrm{TopK}(p)}p_{i}E_{i}(h),\]这样做的代价是增加专家参数和路由开销，好处是每次前向只算少数专家，推理成本不随专家总数线性膨胀。论文的理由是认知推理建立在已有感知之上，因此不必放大整个骨干，只需在交替块上做稀疏适配。
稀疏专家 × 路由器： 稀疏专家指 Transformer 中并列的多个前馈网络副本，各自可专攻一类认知适配；路由器指根据当前隐状态算出每个专家被选概率的小型线性门控。搭配理由是全部参数都调容易冲掉已学好的感知能力，只让路由器按需激活少数专家，就把适配集中在认知推理上，组合后在小规模下也能做针对性推理。
目标一致性 × 应对潜力： 目标一致性判断感知到的处境是支持、阻碍还是无关当事人的目标与期待；应对潜力判断当事人觉得自己能否管理、控制或适应这个处境。二者搭配才能区分同样不顺的处境是愤怒式的还能应对，还是恐惧式的感到控制不足，组合后情绪不再由单一线索决定，而由多维评估的组合构型决定。
需要如实指出，原文没有报告去掉感知增强或改变专家初始化后必然怎样，路由的梯度路径与辅助损失细节只在配置中给出，具体消融只比较了位置与 Top-k，超出证据的因果断言都不应做。
数据如何分两阶段生成并经人工对齐
数据源是 MER2025 中与 MERCaption 相同的 115595 个无标注多模态样本，作者不用其自动描述，只拿原始音视频文作输入。第一阶段用 Qwen3-Omni 做感知描述，要求分场景、面部、音频 3 段写，面部要覆盖注视、眼、眉、嘴、下颌、肌肉紧张、不对称、头姿和时序变化，音频要覆盖说话存在性、逐字转写、响度、语速、音高变化、韵律和清晰度，并严格禁用情绪词与心理推断，目的是得到无泄漏的证据底座。
第二阶段用 GPT 做认知评估，要求单段连贯文字按目标一致性、应对、责任、未来、激活、行动倾向的顺序，先给证据再在括号中给评估结论，最后归纳并选定 8 类标签，使每条样本显式走完观察到评估再到情绪。人工对齐分两层，感知层抽 1000 条由 5 名情感计算研究者按准确性、完整性、客观性 5 分制打分，平均都超过 4.0 分。
认知层抽约三分之一由 300 名培训志愿者对照原视频逐维核验，要求情绪与人类判断一致且至少 4 维一致才直接保留，否则走人工修正与专家复核，最终留下约 40,000 条，训练用 38532 条，评测用 1008 条。下图展示了从原始数据到 2 阶段生成再到人工核验的走向，值得对照文字看约束与分流条件。
CogEmo-40K × CogEmo-Bench-Eval： CogEmo-40K 是约 4 万条带感知到评估推理链的指令微调数据，用于训练；CogEmo-Bench-Eval 是从同一流程中留出的约 1008 样本的人工核验评测集，提供六个维度的人工参考。二者分工是训练集教模型怎么写评估推理，评测集检验写得是否与人类解释对齐，组合后让训练目标和评价目标都指向同一套评估结构。
读图说明是先沿顶部从左到右看数据规模与问答形态，再顺中部箭头看 3 个阶段的承接，最后落到下部三栏的字段清单与通过规则。
看图路径： 1. 先看顶行从无标签原始样本到最终问答的总体走向；2. 再看中行三个箭头如何把感知描述、评估推理与人工核验串起来；3. 最后看下行三栏中感知四源、六维评估与两步核验的具体内容
论文图 2。原论文 Figure 2:：“Illustration of CogEmo-40K Dataset Construction.”。
图中可见感知栏列出文本逐字转写、场景要素、音频韵律与面部部件，评估栏列出 6 维与 8 个表情的落点，核验栏写明至少 4 维一致才通过、否则进修正池并由情感计算专家回写，这些像素细节与正文的 2 阶段约束相互印证。
模型分哪三个阶段训练，各阶段冻结了什么
训练统一用自回归目标，按阶段换数据与可训练模块，目标是对给定多模态输入和指令逐词预测目标文本，3 个阶段都用同一形式但监督粒度不同。第一阶段多模态对齐用 MERR-Coarse 的 28618 条粗粒度描述，只优化视听投影，冻结编码器与语言骨干，目的是把视听特征搬进语言空间。第二阶段感知增强用自动流程产生的 114587 条细粒度感知描述，解冻语言骨干与投影联合优化，目的是加强对面部细节与声音特征的刻画。
第 3 阶段认知适配用 38532 条 CogEmo-40K，冻结语言骨干只优化稀疏专家与路由，目的是把适配集中在评估推理上。配置上 3 阶段都用 2048 长度与 bf16，在两块 A100 上跑，第 3 阶段用 4 专家 Top-2 与容量系数 1.5 等设置。原文明确报告的是这种渐进式安排与参数冻结策略，没有报告打乱顺序或全程全量微调会怎样，因此复现时应保留先对齐再增强感知最后专攻认知的顺序，不要自行调换或合并阶段。
基准如何把自由文本变成可比的分数
CogEmo-Bench 的评测对象是同一批 1008 样本上的两件事，一是 6 维评估证据与人工参考的对齐程度，二是最终 8 类标签的分类成绩。流程是先按模型支持的模态给提示，通用模型被要求结合可用证据分析并选定标签，情感专用模型沿用各自原始提示以保留其推理习惯，再用固定的 Qwen 抽取器把自由回答规整为 6 维证据与标签，抽取器只重组已明确写出的内容，不评对错也不补证据，缺写即留空。
评估证据质量分的计算是先用固定嵌入模型对模型证据与人工参考算余弦相似度，一空一有记 0 分，两空则该维剔除该样本，再先按维平均再跨 6 维平均并乘 100，越高表示理由越像人。符号中样本与维度索引、抽取证据与人工参考、嵌入函数与相似度的含义如下。
\[s_{i,d}=\cos\!\left(\phi(\hat{e}_{i,d}),\phi(e_{i,d})\right).\]\[\mathrm{AEQS}=\frac{\alpha}{D}\sum\nolimits_{d=1}^{D}S_{d},\]分类侧用准确率与宏 F1，前者看猜对样本占比，后者先算每类 F1 再平均以照顾不均衡，类别数取 8。
评估证据质量分 × 准确率与宏 F1： 评估证据质量分是对六个评估维度上模型证据与人工参考的语义相似度先按维度平均再跨维度平均，越高表示理由越像人；准确率与宏 F1 只看最终八类情绪标签猜对多少，前者平均样本，后者平均类别以照顾小类。二者搭配是因为猜对标签不等于理由对，组合后能同时看到是什么情绪和为什么这样判断。
数据分布上训练与评测都以中性占大头，评测集中性约 43.8% 共 441 条，其余 7 类从焦虑的 5.5% 到悲伤的 12.3% 不等，恐惧与厌恶在评测中占比相对更高以考验低频负情绪。下图左右两栏分别给出训练 38532 条与评测 1008 条的柱状分布，可直观看到自然不均衡的形态。
看图路径： 1. 先看左右两图纵轴样本数与柱上百分比的对应关系；2. 比较训练集与评测集中中性类的占比变化；3. 注意恐惧与厌恶等低频类在评测集中的相对位置
论文图 7。原论文 Figure 7:：“Emotion category distributions of CogEmo-40K and CogEmo-Bench-Eval.”。
图中训练集中性达 37.1% 共 14281 条，悲伤、高兴与愤怒各约一成多，评测集延续了中性主导但低频类仍有数十条，这种划分意味着宏 F1 比准确率更能反映小类表现，跨表比较时必须同时看两者。
主基准上模型与强基线差在哪里
主结果要回答的是在相同抽取器、嵌入模型、标签空间与算分流程下，紧凑的 CogEmo-MoE 是否在理由质量与最终分类上都更好。指标方向都是越高越好，AEQS 看理由像不像人，准确率与宏 F1 看标签对不对。原文报告 3 模态的 CogEmo-MoE 达到 70.60 分 AEQS、71.43% 准确率和 57.17% 宏 F1，相对 GPT-5.2 的 AEQS 与 Qwen3-Omni 的分类成绩都有提升，同时论文也指出有些模型分类尚可但评估推理偏弱，例如 VideoChat-Flash 准确率可观但 AEQS 很低，说明猜对不等于懂为什么。下图左半把 6 维与总分画成雷达，右半把 9 个跨域集画成雷达，可先看本模型是否多数靠外，再看基线在哪几个维度或数据集上掉队。
看图路径： 1. 先看左图外圈蓝色多边形在六维与总分上的相对位置；2. 再看右图九个跨域数据集上蓝色折线是否多数靠外；3. 对照图例区分自研模型与通用及情感专用基线的线型
论文图 1。原论文 Figure 1:：“Performance comparison of representative MLLMs on cognitive appraisal reasoning and cross-domain emotion understanding.”。
左图中外圈蓝色线在应对、责任、未来、激活与行动倾向上明显外扩，右图蓝色线在多数跨域集上也靠外，但个别集上与最强描述基线接近，说明优势不是在所有条件下均匀放大。
下表整理了核心数字的比较问题与公平条件，比较限定在 CogEmo-Bench-Eval 的统一流程内，指标方向均为越高越好。
| 比较组与模态条件 | 本模型得分 | 基线得分 | 指标方向 | 比较含义 |
|---|---|---|---|---|
| CogEmo-MoE 3 模态相对 GPT-5.2 视觉加文本 | 70.60 | 56.30 | 越高越好 | 理由质量领先 |
| CogEmo-MoE 3 模态相对 Qwen3-Omni 3 模态准确率 | 71.43% | 63.10% | 越高越好 | 分类准确率领先 |
| CogEmo-MoE 3 模态相对 Qwen3-Omni 3 模态宏 F1 | 57.17% | 52.19% | 越高越好 | 均衡分类领先 |
该表收益在于理由质量与分类同时提升，且模型仅约 3.1B 参数，远小于动辄 7B 以上的对比模型，说明增益主要来自认知建模而非堆规模。代价是 3 阶段训练与人工对齐的成本，以及评测依赖固定抽取器与嵌入模型，换抽取器或嵌入可能改变绝对分值。限制是主表数字只在该评测集与该流程下成立，GPT 等闭源模型只测了其支持的模态，模态缺失本身会影响可比性，不能把一次领先读成所有场景通用。
认知监督是否带来跨域泛化与类别可分性
跨域问题要回答换数据集、换标签体系后，评估式监督是否比自由描述更可迁移。实验控制了数据源与规模，都用 115595 同源样本，一边是本文无人工精修的评估式标注，一边是 MERCaption 的自由情感描述，都在同一 AffectGPT 框架下训练并按 MERBench 的九集流程评测，覆盖细粒度、基本情绪与情感极性 3 类任务。原文报告在多数集上评估式监督更好，例如 MER2023 从 72.12 到 74.01、MELD 从 54.69 到 57.35，但在 CMU-MOSEI 上为 69.75 对 70.97 略低，在 CH-SIMS v2 上也基本持平，说明不是全胜。
另一组证据是在 11770 交集样本上去掉结论句后用同一 XLM-RoBERTa 做五折八分类，评估推理文本的平均准确率约 92.29%、宏 F1 约 91.33%，且 t-SNE 下类别结构更清晰，支持推理文本本身携带与标签对齐的信息，但这只是诊断性探针，不能当部署分类器用。
下表聚焦跨域比较，公平条件是同源同规模同框架同评测，数值越高越好。
| 跨域数据集 | 监督范式对照 | 基线描述监督得分 | 本文评估监督得分 | 差异含义 |
|---|---|---|---|---|
| MER2023 基本情绪 | 同源同规模同框架 | 72.12 | 74.01 | 提升 1.89 分 |
| MELD 基本情绪 | 同源同规模同框架 | 54.69 | 57.35 | 提升 2.66 分 |
| CMU-MOSEI 情感极性 | 同源同规模同框架 | 70.97 | 69.75 | 略低未胜出 |
增益集中在需要细粒度区分与多轮语境的集上，在部分情感极性集上持平或略低，可能与语言文化与标注体系差异有关。未胜出项恰好提醒不能把结构化评估读成万能，尚未评测的是更多语种、文化与开放世界情绪空间，原文也在局限中明确了这一点。
稀疏专家放在哪里以及激活几个才有效
消融要回答两个实际问题，专家层插在哪几层，以及每次激活几个专家。比较限定在同一 CogEmo-Bench-Eval 与同一训练流程内，指标仍是越高越好。位置上有前半、后半、间隔与全部 4 种，原文报告间隔即隔块插入最好，准确率从前半的 64.29% 提升到间隔的 71.43%，支持交替块更均衡的判断。专家数与路由上比较了稠密基线与 4 专家或 8 专家的 Top-1 或 Top-2，结论是只增专家数而仍 Top-1 不涨分，4 专家 Top-2 才同时提升分类与理由质量，准确率从 65.97% 到 71.43%、宏 F1 从 52.28% 到 57.17%，提示协作激活比单专家更适合认知推理。
下表先看位置问题，公平条件是同数据同评测，只换插入位置，指标越高越好。
| 插入策略 | 覆盖位置说明 | 准确率 | AEQS 情况 | 总体判断 |
|---|---|---|---|---|
| 前半段插入 | 靠前若干块 | 64.29% | 低于间隔方案 | 三项上都最低 |
| 间隔插入交替块 | 交替块均衡适配 | 71.43% | 70.60 | 最优 |
间隔最优但全部插入反而略降，说明更多专家层不等于更好，可能带来冗余或优化负担，未胜出项是前半插入在三项上都最低，尚未评测的是其他间隔形式与不同层数的细粒度搜索。
下表再看稀疏与稠密问题，条件是同数据同评测，只换专家数与 Top-k，指标越高越好。
| 专家配置 | 路由方式说明 | 准确率 | 宏 F1 | 理由质量变化 |
|---|---|---|---|---|
| 4 专家 Top-1 单激活 | 每次只激活一个 | 65.97% | 52.28% | 未提升 |
| 4 专家 Top-2 协作激活 | 每次协作激活两个 | 71.43% | 57.17% | 同步提升 |
Top-2 的协作在 4 专家下同时拉高分类与理由分，而 8 专家 Top-1 反而低于稠密基线，说明瓶颈在路由协作而非专家数量，代价是 Top-2 增加单步计算，限制是只试了 4 与 8 两种规模与固定容量等配置，换任务或换骨干后最优值可能变化。
哪些结论还不能推广与容易误读的地方
首先是维度不完备，6 维是互补切分而非穷尽，换理论或加维度可能改变结论。其次是数据域受限，源自现有视频数据，语言文化与情绪空间覆盖有限，跨域九集虽有中英文本与多场景，但仍是常规基准，不能推广到临床或高风险决策。第三是评测依赖固定抽取器与固定嵌入，同一流程对所有模型一致，但换抽取器或嵌入会扰动绝对分，自动分也不等于人工对理由的最终判断。容易误读的是把分类高分当理解深刻，论文用 VideoChat-Flash 等例子说明分类与评估推理可以分离。
另一误读是把探针分类的九成分当部署性能，那只是在交集文本上去掉结论句后的可分性诊断；还有把个案当证明，蔑视对愤怒、恐惧对悲伤、中性对焦虑的 3 个例子是为说明责任、应对与激活等维度如何帮忙，统计效力仍靠主表与跨域表。百分比与百分点的区别也要分清，文中提升都是同指标下的分差，不是相对百分比。
要复现第一步该准备什么与成本如何
复现第一步不是直接训大模型，而是先拿回数据源与流程。数据侧按 AffectGPT 筛选协议取 MER2025 同源样本，用 2 阶段提示分别生成无情绪感知描述与 6 维评估段落，再按至少 4 维一致与标签一致的规则做人工核验与修正，感知抽检要达到可用门槛。模型侧按 3 阶段走，先只训投影做对齐，再解冻骨干做感知增强，最后冻结骨干只训稀疏专家与路由，最大长度 2048、bf16、DeepSpeed ZeRO-2，原文在两块 80G A100 上完成。评测侧统一提示、统一抽取器、统一嵌入与 8 类空间，先算每维余弦再跨维平均乘 100，同时算准确率与宏 F1。
关于获取，论文给出的项目页是第三方可达链接，只能证明论文提到了该地址，不能据此断言作者权重已公开或系统可一键运行，代码开源、权重下载与可运行是三件不同的事，需分别核验。成本上训练资源、推理开销与延迟要分开记，原文只报告了训练硬件与配置，没有报告误判率、延迟或每步帧率，因此不能承诺这些会改善。
什么时候值得试、还缺哪项验证
当你的任务不仅要猜对情绪，还要给出可检查的为什么，例如线索冲突、文字误导或中性与焦虑难分时，这套从感知到评估的写法值得试，因为它把含混处的判断依据写成了 6 维文字，复现与排错都有抓手。当只有单模态或标签体系完全不同时，也可先借其评估维度做结构化分析，再映射到自家标签，但要重新校准。
还缺的验证有三项，一是换抽取器与嵌入后的稳定性，二是更多语种文化与开放词表下的表现，三是把评估错误率、推理延迟与人工满意度一起测，否则无法谈部署取舍。总体看，论文直接报告的是在给定分布与流程下，紧凑稀疏模型在理由质量与分类上同时领先，以及评估式监督在多数跨域集上更可迁移，证据支持把评估作为有用的中间表示，但不等于证明模型真正体验情绪，也不等于所有场景通用。
📎 论文与评分元数据
排名：前50% | 文档类型：数据集与基准 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses