📄 让人觉得“解压” 的视频如何引发情绪：OSVD 数据与 PI-MLLM 方法解读
评分：6.1/10 | 创新 1.4/2 | 技术严谨 1/1.5 | 实验充分 1.1/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5
👥 作者与机构
- Yuheng Zhang：机构信息未能在本次解析中与作者逐人可靠绑定
- Jie Zhang：机构信息未能在本次解析中与作者逐人可靠绑定
- Yuecong Min：机构信息未能在本次解析中与作者逐人可靠绑定
- Yunwei Zhao：机构信息未能在本次解析中与作者逐人可靠绑定
- Meichen Liu：机构信息未能在本次解析中与作者逐人可靠绑定
- Qiankun Li：机构信息未能在本次解析中与作者逐人可靠绑定
- Shiguang Shan：机构信息未能在本次解析中与作者逐人可靠绑定
📌 核心摘要
读者需要理解的对象是奇异满足视频（Oddly Satisfying Videos，OSVs），这类视频缺少人脸与语言情绪线索，却能通过重复运动与类自发性知觉经络反应（Autonomous Sensory Meridian Response，ASMR）声音引发满足或放松。处理难点在于语义内容与观众感受之间缺少直接对应，模型需要保留模态特有的物理动态，并判断视觉与听觉证据是协同还是冲突。论文构建奇异满足视频数据集（Oddly Satisfying Video Dataset，OSVD），包含从7242个网络视频切分的12000个5秒片段，每个片段带有视频、音频、视听三种条件下的27类观看者情绪标签与感觉解释。心理物理启发的跨模态大语言模型（Psychophysics-Inspired Multimodal Large Language Model，PI-MLLM）先把视听片段编码为视觉特征与音频特征，再用模态特有动态对齐让视觉表示回归光流幅度、音频表示回归响度与起始强度，从而保留运动可预测性与能量包络瞬态。对齐后的特征进入基于联盟的视听归因，由共享辅助分类器给出空集、仅视觉、仅听觉、视听四种联盟下的27类情绪分布，并以对数几率分数做Shapley归因，得到视觉贡献、听觉贡献及其交互。对齐特征与归因监督连同自回归生成目标联合训练，由多模态大语言模型解码器生成观看者情绪类别与感觉解释，这把监督从对象与事件转向物理动态，并把融合权重变成可学习的归因目标。在OSVD类别平衡测试集上，PI-MLLM取得27类情绪分类准确率43.2%，高于同骨干自回归微调基线的35.1%，解释相似度也同步提高。结论适用于OSV这类感觉驱动视频，未在长视频与强叙事视频中验证。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
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
为什么解压类视频难做情绪分析
这篇论文研究的对象是 Oddly Satisfying Videos，也就是常说的解压视频：切肥皂、挤牙膏、刷地毯、倒沙子，动作重复、有节奏，还常伴随近距离收录的摩擦声。观众感到的满足或平静，主要来自重复运动的可预测性、材质变化的触感暗示，以及类似 ASMR 的听觉刺激，而不是人物表情、对话或故事情节。
传统视频情绪分析有两条路线，一条看表达者，另一条看观看者。本篇属于后者，输入是一段 5 秒的视听短片，输出是典型观众会被引发的主导情绪，以及用感觉证据写出的解释。难点在于必须保留的信息恰恰是语义模型容易丢掉的：动作有多规律、多平滑，声音起振有多脆、多稳，两者是否合拍。如果只识别出这是在切东西，就只能说有趣，却说不清为什么让人平静。
观看者情绪 × 表达者情绪： 表达者情绪指画面中人物表现出的情绪，需要从脸、语言和动作识别；观看者情绪指视频作为刺激在观众心里引发的情绪，不需要画面里有人。本篇只做后者，因此即使切片、挤压等视频里没有人脸，也要预测观众感到满足还是平静，并解释是哪些视听感觉导致了这种感受。
已有数据集与方法缺了哪块拼图
论文梳理的已有观看者情绪数据集大多只给一种观看条件下的标签。LIRIS-ACCEDE、VE-8、YF-E6、VAD 只标音频视频同时呈现时的情绪，VCE 只标无声视频条件，EmoCause 虽然给了语义层面的原因解释，但没有物理感觉层面的描述，也没有区分单模态与多模态标签。这意味着当视觉很舒缓而声音很刺耳时，数据无法记录这种分歧。
方法侧也有类似缺口。用光流峰值选帧的做法更关注变化最大的时刻，可能错过解压视频里稳定重复的模式；把多模态直接拼接融合的做法不保留谁主导、是增强还是冲突的信息。论文因此提出 3 个需求：分模态的感觉监督、能感知动态的表示、显式的视听归因。后文的数据构建与模型设计都是围绕这三点展开的。
论文要解决的具体问题是什么
论文把任务命名为 Oddly Satisfying Video Emotion Analysis，输入记为 x=(V,A)，输出记为 y=(c,e)，其中 c 是 27 类 Cowen-Keltner 观看者情绪中的一类，e 是引用视觉与听觉感觉证据的解释。模型必须在 3 种条件下都能推理：只看无声画面、只听声音、视听一起看。
下面这张动机图用切金块的例子说明新旧路线的差别，左侧只讲语义，右侧同时讲感觉与模态关系，值得先读图再看方法。
看图路径： 1. 对比左右两栏对同一段切金块视频给出的情绪词与理由；2. 看左下角标注检查表为何漏掉了重复切割与平滑声音；3. 看右下角显式融合如何保留模态特有的动态描述
论文图 1。原论文 Figure 1:：“Existing VEA methods rely on sensory-ungrounded semantic annotations and implicit multimodal fusion.”。
图中左侧把视频判为有趣，理由是金块居然能被轻易切开、好奇刀是什么硬材料，标注检查只勾选了金块、刀、切下，漏掉了重复切割与平滑声音。右侧把同一视频判为平静，理由明确引用重复切割动作的高规律性与可预测性，以及温和稳定的清脆切割声没有突变，并指出两者互相增强。下方小图进一步点题：左侧是只标语义加隐式融合，右侧是心理物理学感知的标注加显式融合，保留模态特有动态。这张图帮助理解后文为什么要做分模态标注与联盟归因。
PI-MLLM 的整体流程是怎样的
PI-MLLM 建立在 Qwen3-Omni 骨干上，视觉编码器输出特征 FV，音频编码器输出特征 FA，两者送入多模态大语言模型解码器生成情绪标签 c 与解释 e。训练时除了常规的自回归生成损失，还并联了两组辅助监督：一组是模态特有动态对齐，另一组是基于联盟的视听归因。
下面这张框架图展示了数据流与损失的挂接位置，可以对照文字理解各分支在哪里汇合。
看图路径： 1. 沿视频与音频两条编码路径看到汇入解码器的位置；2. 注意下方三个子图分别对应运动对齐、音频对齐与联盟归因；3. 看右下条形图如何同时显示视觉与听觉对不同情绪的占比
论文图 3。原论文 Figure 3:：“Overall framework of PI-MLLM. Visual and audio inputs are encoded into F_V and F_A to generate viewer emotion c and a sensory-grounded explanation e.”。
上半部分是主路径：视频 V 进视觉编码器得到 FV，音频 A 进音频编码器得到 FA，中间用 3 种勾叉组合表示联盟缺失情形，再进入 MLLM 解码器输出情绪 c 与解释 e。下半部分 3 个子图分别对应视觉运动动态、声学能量起振动态、基于联盟的视听归因。运动分支用光流幅度作目标，音频分支用 RMS 响度与起振强度作目标，归因分支用不同联盟下的情绪分布估计视觉与听觉占比。总目标把生成损失、动态对齐损失、联盟分类损失与归因损失加权相加。
视觉与听觉动态如何被保留下来
模态特有动态对齐的英文名是 Modality-Specific Dynamics Alignment，简称 MSDA，包含视觉运动动态与声学能量起振动态两个回归头。它的动机来自预测编码与加工流畅性理论：当观众看多了重复切割，就能预测下一刀的轨迹，预测误差下降带来愉悦感；音频侧则是整体平静与局部生理激活并存，需要同时刻画持续能量与短暂瞬变。
视觉分支把每个短片分成 T 个时间窗，在每个窗内计算相邻帧 Farneback 光流幅度的均值作为目标，用一个轻量回归头从对齐时刻的视觉特征预测它，均方误差即运动损失。音频分支在同样 T 个时刻计算帧级 RMS 响度与起振强度，拼成 2 维目标，用回归头从音频特征预测它，同样用均方误差约束。这样编码器被迫在送入解码器之前保留节奏感信息，而不是只保留物体类别。
\[\mathcal{L}_{\text{motion}}=\frac{1}{T}\sum_{t=1}^{T}\lVert h_{m}(F_{V})_{t}-g_{v,t}\rVert_{2}^{2}.\]上式计算视觉预测值与光流幅度目标在 T 个时间步的平均平方差，符号表示第 t 步的预测与该窗的真实平均运动强度。
\[\mathcal{L}_{\text{audio}}=\frac{1}{T}\sum_{t=1}^{T}\lVert h_{a}(F_{A})_{t}-g_{a,t}\rVert_{2}^{2}.\]上式是音频侧的对应约束，预测 RMS 与起振组成的 2 维向量，目标是信号直接提取的描述子。两个目标互补，后续消融显示同时使用时增益最大。
视觉运动动态 × 声学能量起振动态： 视觉运动动态描述画面帧间变化的可预测性，用光流幅度刻画重复切割是否规律；声学能量起振动态描述声音的持续能量轨迹与局部突变，用 RMS 响度刻画整体平静感、用起振强度刻画短促激活。二者分工处理不同模态的非语义物理信号，组合后让视觉与听觉编码器都保留语义监督容易丢掉的节奏感证据。
如何算出谁主导与是否合拍
基于联盟的视听归因的英文名是 Coalition-Based Audio-Visual Attribution，简称 CAVA。它不强求视听一致，而是先测 4 种联盟的情绪分数，再用 Shapley 思想算贡献与交互。4 种联盟是空集、只有视觉、只有音频、视听齐全，空联盟在实现上是与模态无关的零向量经过共享分类器偏置得到基线分数，不包含黑色画面或静音波形。
具体做法是用一个共享辅助分类器在 27 类上预测分布，对视频联盟用视频标签监督，对音频联盟用音频标签监督，对联合联盟用融合标签监督，得到联盟分类损失。然后把最终标签在每个联盟下的概率转到对数几率空间得到分数，裁剪常数只为数值稳定。再用加入某模态前后的平均增量得到视觉贡献与听觉贡献，用联合减去两个单模态再加回空集得到交互项。
\[s_{y}(S)=\log\frac{\tilde{q}_{\psi}(y_{av}\mid S)}{1-\tilde{q}_{\psi}(y_{av}\mid S)},\]上式把联盟下最终情绪的概率变成对数几率分数，概率被裁剪到小常数区间内，分数越高表示该联盟越支持最终情绪。
\[I_{VA}=s_{y}(\{V,A\})-s_{y}(\{V\})-s_{y}(\{A\})+s_{y}(\emptyset).\]上式是成对交互的定义，正值表示视听联合超出单模态之和，为协同，负值表示冲突或冗余。为让该信号可学习，论文把贡献绝对值归一化成两路分布，用 KL 损失教贡献头，把归一化交互值用 Huber 损失教交互头。
模态联盟 × Shapley 贡献： 模态联盟指把无输入、只有视觉、只有音频、视听齐全四种输入条件分别送入同一分类头得到情绪分数；Shapley 贡献指比较加入某模态前后分数的平均增量，判断该模态把最终情绪的对数几率推高了多少。二者搭配把谁更重要从隐式融合变成可计算的分数，为判断视觉主导还是听觉主导提供依据。
互补 × 冲突： 互补与冲突都由双模态交互项判断：交互项为正说明视听联合分数超出两个单模态之和，互相增强；为负说明联合不如单模态之和，互相削弱或冗余。它与贡献大小分工不同，贡献回答谁占比大，交互回答两者是协同还是打架，组合后才能区分听觉主导但视觉仍有帮助与视觉主导但声音令人不适两种情形。
数据从哪里来并如何标注
论文构建的 Oddly Satisfying Video Dataset 简称 OSVD，包含 12000 个 5 秒短片，切分自 7242 个在线解压源视频。收集时先用词云得到减压、重复、舒缓等检索词抓取原始视频，每个视频标准化后切成两段不重叠的 5 秒片段，认为该长度通常能装下一个完整微动作。清洗包括语义相似度超过 0.9 去重、剔除归一化分辨率低于 360×640 的视频、检查容器与音频流元数据剔除无声或损坏。
标注分 3 路隔离进行。视觉专家只看无声画面，按场景、运动、状态变化三栏描述，再由 Molmo2 给出视频标签与解释；音频专家只听声音，按声音质地、时间包络、空间印象三栏描述，再由 Music Flamingo 给出音频标签与解释；融合专家 Claude Sonnet 4.6 只看两份报告，给出视听标签并标明增强、冲突或互补关系。全部使用同一 27 类观看者情绪表。
下面这张流水线图把 4 阶段画得很具体，读图时注意每一步的输入输出。
看图路径： 1. 从左到右跟踪采集分段、清洗过滤、感觉标注到人工校验四步；2. 注意视觉分为场景、运动、状态变化三栏，音频分为音色、包络、空间感三栏；3. 看最右侧一致性校验给出的数值是针对哪种比较
论文图 2。原论文 Figure 2:：“OSVD construction and annotation pipeline.”。
图中最左侧是词云检索与切分，得到带波形的短片；第二步是去重、低质量剔除与音视频元数据检查；第三步左侧视觉栏写刀切、连续平滑、露出内部，右侧音频栏写尖锐高频、突发起振、近距离窄声场，再融合成视听描述；最右侧是 5 位人工标注者与模型标注者的一致性校验，图中标出 Cohen kappa 为 0.71。论文正文报告三视角平均 kappa 为视频 0.70、音频 0.67、视听 0.71，附录给出 5 人的逐人分数与每视角标准差 0.03，范围在 0.63 到 0.76 之间，说明自动标签与人工判断较为接近，但这只是 100 个抽样片段上的验证。
分类准确率 × 解释相似度： 分类准确率指在 27 类观看者情绪中首选标签猜对的比例，回答情绪判得准不准；解释相似度指生成解释与参考解释在 Sentence-BERT 语义空间的相似度，回答理由说得像不像。两者分工不同，前者只看标签，后者看是否引用了具体的运动规律性与声音质地，组合后才能判断模型是真用了感觉证据还是只蒙对了标签。
评测条件与基线如何设置
主要评测在 OSVD 上进行，采用类别平衡的测试集，避免多数情绪主导指标。情绪分类用 27 类首选准确率，解释质量用基于 Sentence-BERT 的 Reason Similarity，数值越高越好。骨干为 Qwen3-Omni 并用 LoRA 微调，秩为 64。对比包括纯视频大模型、视听大模型、闭源商业模型与视频情绪分析方法，还特别设置了同骨干的自回归微调基线，用于分离新模块的增益。
跨分布评测在 VCE 与 VE-8 上进行，两者都按 OSVD 的 27 类与感觉解释格式重新标注后再测，因此测的是同一套标注协议下的迁移能力，而不是原始标签下的直接迁移。附录还固定其他设置，只切换训练解释是纯语义还是语义加物理感觉，以检验物理标注本身的价值。超参数方面论文给出学习率、轮数等表格，但本次解读不展开全部细节，复现时应以原表为准。
在 OSVD 上的主结果说明了什么
下表比较的核心问题是：在同一 OSVD 类别平衡测试集上，PI-MLLM 相对同骨干自回归微调与各类外部模型，在分类准确率与解释相似度上是否有优势。指标方向均为越高越好，单位为百分比与相似度分数。
| Method | ACC (%) | RS |
|---|---|---|
| Qwen3-Omni-30B (base) (Xu et al. 2025b) | 29.2 | 0.535 |
| Qwen3-Omni-30B + AR fine-tuning | 35.1 | 0.636 |
| Qwen3-Omni-30B + PI-MLLM | 43.2 | 0.661 |
表中 Qwen3-Omni 加自回归微调达到 35.1% 与 0.636，PI-MLLM 达到 43.2% 与 0.661，是该表两列最高值。纯视频模型中最好的是 Qwen2.5-VL 的 23.8% 准确率，视听模型中 video-SALMONN-2+ 为 18.5% 准确率，闭源 Claude Sonnet 4.6 为 32.6% 与 0.508，都低于 PI-MLLM。论文据此认为简单多模态拼接不足以处理解压视频，需要显式建模感觉动态与模态关系。
下面两个案例展示了归因头输出的实际形态，有助于理解数字背后的机制。
看图路径： 1. 对比案例 1 与案例 2 的贡献条与交互值符号；2. 看单模态文字解释在冲突与协同两种情形下如何被融合；3. 注意波形与文字描述的节奏感是否对应
论文图 5。原论文 Figure S2:：“Figure S2: Two PI-MLLM cases. Case 1 is visually dominant (V=0.86, A=0.14) with negative interaction (-0.071, conflict); Case 2 is audio dominant (V=0.16, A=0.84) with positive…”。
案例 1 中视觉贡献 0.86、音频 0.14，交互为负 0.071，判为冲突：平滑重复切割主导了满足感，但尖锐高音切割声带来不适，稍稍拉低愉悦度。案例 2 中视觉 0.16、音频 0.84，交互为正 0.059，判为协同：柔和低强度的 ASMR 摩擦声主导，缓慢轻柔的视觉揉搓节奏进一步加强了放松感。图后文字解释与条形占比一致，说明贡献与交互不是空分数，而是与解释中的证据引用相对应。但这只是两个挑选的例子，不能证明所有冲突都能被正确归因。
换到新数据集与去掉物理描述会怎样
下表比较的是跨分布泛化：在按 OSVD 协议重新标注的 VCE 与 VE-8 上，各方法的准确率与解释相似度是否还能保持。条件是训练只见过 OSVD，测试为新内容与新情绪分布，因此整体分数低于 OSVD 内测是预期的。
| Video emotion analysis methods | ||||
|---|---|---|---|---|
| Method | VCE | VCE | VE-8 | VE-8 |
| ACC (%) | RS | ACC (%) | RS | |
| Qwen3-Omni (Xu et al. 2025b) | 27.6 | 0.486 | 29.1 | 0.501 |
| Emotion-LLaMA (Cheng et al. 2024) | 22.4 | 0.368 | 24.7 | 0.383 |
| StimuVAR (Guo et al. 2025) | 34.3 | 0.505 | 35.5 | 0.471 |
| EmoDETective (Huang et al. 2025) | 31.9 | 0.497 | 31.4 | 0.518 |
| Qwen3-Omni + AR finetuning | 30.9 | 0.524 | 32.6 | 0.536 |
| Qwen3-Omni + PI-MLLM | 33.8 | 0.552 | 36.1 | 0.567 |
表中 PI-MLLM 在 VCE 上为 33.8% 与 0.552，在 VE-8 上为 36.1% 与 0.567。VCE 上 StimuVAR 准确率最高为 34.3%，PI-MLLM 准确率略低但相似度最高；VE-8 上 PI-MLLM 两项均为最高。相对自回归微调，PI-MLLM 在两集上都有提升，论文据此认为动态与归因学到的表示有一定迁移性。但要注意重标注改变了原数据集的任务定义，结论不能直接推广到原始 VCE 与 VE-8 标签体系。
下表比较的是训练解释中是否包含物理感觉字段，其他设置固定，回答物理标注本身是否重要。
| Training annotation | Method | ACC (%) | RS |
|---|---|---|---|
| Semantic only | Qwen3-Omni + AR fine-tuning | 33.2 | 0.574 |
| Semantic + physical | Qwen3-Omni + AR fine-tuning | 35.1 | 0.636 |
| Semantic only | Qwen3-Omni + PI-MLLM | 38.9 | 0.602 |
| Semantic + physical | Qwen3-Omni + PI-MLLM | 43.2 | 0.661 |
表中自回归微调从纯语义的 33.2% 与 0.574 升到语义加物理的 35.1% 与 0.636，PI-MLLM 从 38.9% 与 0.602 升到 43.2% 与 0.661。在同为语义加物理的条件下，PI-MLLM 仍领先自回归基线 8.1 个百分点与 0.025 相似度，且 PI-MLLM 从物理标注中获得的准确率增益更大。这支持物理感觉描述对两类训练都有帮助，而 PI-MLLM 更能利用这类信息，但该比较仍依赖自动生成的物理字段质量。
每个模块带来了多少增益
下表要回答的比较问题是：从同骨干自回归基线出发，逐个加入视觉动态、音频动态、贡献监督、联盟分类与交互监督时，准确率与相似度如何变化。所有行共享同一 OSVD 划分与指标，增量列为相对基线的百分点变化。
| 条件 | 指标 | 基线 | 本方法 | 比较对象 |
|---|---|---|---|---|
| 加视觉动态 | 准确率 | 35.1% | 38.8% | 自回归基线 |
| 加音频动态 | 准确率 | 35.1% | 39.7% | 自回归基线 |
| 加双动态 | 准确率/相似度 | 35.1%/0.636 | 42.1%/0.655 | 自回归基线 |
| 全量 PI-MLLM | 准确率/相似度 | 35.1%/0.636 | 43.2%/0.661 | 自回归基线 |
表中只加视觉动态即从 35.1% 升到 38.8%，只加音频动态升到 39.7%，两者合用升到 42.1% 与 0.655，说明两路感觉信号互补。在此基础上加模态贡献监督升到 42.7%，再加联盟分类到 42.8%，最后加交互监督得到完整的 43.2% 与 0.661。可见大头增益来自动态对齐，归因部分带来小而稳定的额外提升。该结论只在 OSVD 分布与当前超参数下成立，换数据或换权重配比可能变化。
这些结论在什么条件下才成立
首先是标注来源的限制。OSVD 的 12000 条标签与解释主要由 3 个专家模型生成，人工校验只在 100 个片段上由 5 人完成，平均 kappa 虽达 0.67 到 0.71，但不能等同于全量人工金标。附录显示音频视角一致性略低于视频与视听，说明孤立听音时的情绪判断分歧更大。
其次是评测口径的限制。主结果使用类别平衡测试集，缓解了满足感占大头的偏态，分布图显示满足在视频视角占优而平静在音频视角占优。若换回自然分布，多数类主导下的准确率含义会不同。跨分布结论依赖重标注，改变了 VCE 与 VE-8 的原始任务，不能说在原始标签上同样最优。
最后是方法归因的限制。消融中动态对齐贡献大、归因贡献小，但权重都设为 0.1，换权重可能改变相对重要性。交互值与贡献占比来自学习到的预测头，不是因果证明，案例图中的冲突与协同只是模型估计。未报告训练耗时、推理延迟与人工评价的误判率，因此不能承诺部署成本或体验会同步改善。
想复现应该先做什么
复现第一步是按论文流程重建评测条件：按 5 秒切分、去重阈值 0.9、分辨率下限与音频完整性过滤得到候选，再用同一 27 类表与三视角提示词生成标签与解释，并留出类别平衡测试集。提示词在附录中给出，视觉侧要求只看无声画面并写场景、运动、状态变化，音频侧要求只听声音并写音色、包络、空间感，融合侧要求只引用两份报告并判明视觉主导、听觉主导、协同、冲突或互补。
模型侧以 Qwen3-Omni 为骨干，冻结视觉与音频编码器，只用 LoRA 更新解码器，时间步 T 为 10，4 个辅助损失权重均为 0.1。需要实现光流幅度、RMS 响度与起振强度的信号提取，以及四联盟分类头、贡献头与交互头。论文未提供可验证的公开代码与权重链接，本文不声称作者资源可用，复现时需自行实现并核对损失挂接位置。还需补充的验证包括全量人工抽检、自然分布下的指标、以及不同权重与随机种子的稳定性。
什么时候值得尝试这个思路
当任务的情绪主要由重复性、可预测性与声音质地驱动，而语义线索稀疏时，这套思路值得尝试：先做分模态的感觉标注，再用信号级动态目标约束编码器，最后用联盟分数显式估计谁主导、是否合拍。它把以往藏在融合层里的模态关系变成可读的贡献与交互，便于写出引用具体证据的解释。
容易产生的误解是把 43.2% 当成通用视频情绪的最高水平。实际上该数字只在 OSVD 的 27 类平衡测试与自动标注协议下成立，绝对值并不高，27 分类本身就是困难任务。另一个误解是把交互为正等同于因果上的互相增强，它只是联合分数超出单模态之和的统计估计，仍需人工校验。总体看，论文的价值在于补上了感觉动态与归因的建模环节，而不是终结了观看者情绪分析。
📎 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