只看画面能懂笑点吗：v-HUB 逼模型从视觉和环境声里找幽默

英文题目：v-HUB: A Benchmark for Video Humor Understanding from Vision and Sound

会议身份：conference:acl:2026:conference-paper-id:2026.acl-long.1785

✅ 来源为官方会议 PDF；可重放的表格、公式文本与 Figure 像素已按 PDF 抽取结果绑定，未成功恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#基准测试 #基准设计 #音视频 #环境声 #音视频理解

评分：6.3/10 | 创新 1.3/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5

排名：前50% | 文档类型：数据集与基准

👥 作者与机构

• Zhengpeng Shi：机构信息未能从会议 PDF 纯文本可靠映射
• Yanpeng Zhao：机构信息未能从会议 PDF 纯文本可靠映射
• Jianqun Zhou：机构信息未能从会议 PDF 纯文本可靠映射
• Yuxuan Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Qinrong Cui：机构信息未能从会议 PDF 纯文本可靠映射
• Wei Bi：机构信息未能从会议 PDF 纯文本可靠映射
• Song-Chun Zhu：机构信息未能从会议 PDF 纯文本可靠映射
• Bo Zhao：机构信息未能从会议 PDF 纯文本可靠映射
• Zilong Zheng：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该基准输入为可脱离言语理解的搞笑短视频及其非言语声音，输出要求完成标题匹配、幽默解释与开放问答，难点在于笑点散布于视觉动作、画面视觉文本、环境声与背景知识且需自主发现与隐式推理。构建链条先做有害内容过滤与言语依赖剔除，再对当代用户生成视频与62部查理卓别林默片切分片段做三人轮转标注，标注视频描述、幽默解释、是否含视觉文本、声音是否贡献幽默与是否需背景知识，随后用GPT-4o生成时序、描述、因果三类1218对问答并人工校验，最后在文本、纯视频与视听三种设置下对比评测。与以对白主导或仅7秒惊奇视频为主的既往幽默数据相比，该设计强调纯视觉可理解幽默与环境声贡献，平均时长约为HumorQA两倍，并划分视觉文本与幽默音频子集以支撑归因。在开放问答上Qwen2.5-VL语句嵌入相似度从文本输入0.760跌至纯视频0.445，幽默解释从0.543跌至0.441，增加音频仅回升至0.424，说明跨模态融合远弱于语言推理。该结论限于英语标注、短视频与所测7个模型，跨语言与长视频泛化尚未验证。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

输入是什么：为什么要单独考视觉和环境声里的幽默？

这篇论文的输入是一批以视觉为中心的搞笑短视频，既有当代用户上传的搞笑片段，也有上世纪卓别林默片里剪出的完整哑剧段落。目标不是测模型能不能看懂一般动作，而是测它能不能在没有对白可依赖时，自己定位笑点、说清笑点来源，并引用画面或声音证据。对于刚进入语音与音频方向的研究生，关键信息是这里的声音特指环境声，也就是区别于人类说话的背景音乐、音效和现场声，文字特指出现在画面里的视觉文字，例如聊天截图和标题。

输出是 3 类任务上的可比分数，附带 3 组输入条件的对照。论文报告显示，只要把人工写的详细描述换成原始视频帧，分数就大幅下滑，而加上音频只带来小而稳定的提升，这直接把矛盾指向跨模态融合不足，而不是语言推理不足。 论文反复强调的必须保留的信息包括任务定义、3 种输入条件的划分方式、评价指标方向，以及哪些视频需要背景知识、哪些含有画面文字。缺少这些条件，任何复述都会把不同难度混在一起。

例如默片和当代视频的时代差异、是否提供背景知识、声音是否对幽默有贡献，都会改变分数的可比性。后文将按学习依赖展开，先讲任务与已有路线的区别，再讲数据如何构造，最后讲实验如何对照。

已有路线在测什么：为什么通用视频问答不够用？

通用视频理解基准主要测跨不同长度视频的基础视觉线索识别，例如动作、物体和时间定位，也有一些工作测时间 grounding、目标检测和幻觉。它们的输入多是画面加语言查询，目标是答对事实，监督来自人工标注的答案或时间边界。这类基准能说明模型看得见，但不能说明模型懂幽默，因为幽默需要发现意外、解释因果并联系文化背景。 另一条路线是幽默理解。早期集中在文字笑话和讽刺，后来扩展到图文幽默和视频语言幽默。

论文对照了几个视频幽默数据集：一类主要靠说话对白推动幽默，一类要求视觉和语言同时出现才能懂，还有与本工作最接近的惊讶类短视频集，但平均时长只有约 7 秒，覆盖面和时间复杂度有限，且忽略了环境声。本文的差异在于坚持视觉主导，同时把环境声当作独立信息源来评估。

已有研究显示，结合文本、声学和视觉特征能显著提高幽默检测准确率，而新近的全模态模型已经能原生处理音频，因此论文提出第一次在包含环境声的条件下系统评估视频幽默理解。 对初学者而言，同输入、同目标、同监督的对照才是公平比较。把只测事实问答的通用基准成绩直接拿来论证幽默能力，属于类别差异，不能当作同条件胜负。

要解决什么问题：模型能发现笑点还是只会解释被点名的笑点？

论文把问题拆成 3 个可操作的子问题。第一是幽默发现，即在没有问题提示哪一处好笑时，模型能否自己指出幽默元素。第二是幽默理解，即给定画面加声音后，能否把多处线索融合成连贯解释。第三是微妙幽默推理，即能否把创意文字和原视频的幽默接起来，这超出了字面描述与视频的表面对齐。 为此论文定义 3 个任务。

字幕匹配是五选一，选出最贴合视频幽默的回应，正确字幕可能直接或间接关联幽默，用准确率评价，越高越好。幽默解释要求用两到三句话向没看懂的朋友讲清笑点，并关联视频内容，同时要求指出相关视觉或听觉线索。开放问答是针对每个视频的一组开放问题，覆盖时间、描述和因果三方面，由模型生成短回答。

后两者同时用自动语义指标和人工评价来衡量，自动部分包括捕捉细粒度语义相似的指标、句子级语义连贯指标、兼顾充分性和流畅性的指标，以及专门检查幽默关键事件是否被蕴含的事件级检出分数。 一个教学例子是：开放问答好比老师已经把笑点圈出来再问细节，幽默解释好比要求学生自己圈笑点再讲原因。前者提供显式线索，后者要求独立发现。论文正是用这两者的分数差来诊断发现能力的缺失，这个设计是后文所有对照的起点。

全景如何串起数据与任务：一个样本走完全流程

拿蛋糕留言板的例子走一遍。输入是一段短视频：开头是手机聊天截图，有人说要做一个和聊天记录一模一样的蛋糕，听众困惑；随后蛋糕烤好切开，剖面露出与聊天气泡排布相同的图案。表示层是人工标注的多字段记录，包括幽默等级、描述性字幕、创意字幕、详细描述、解释、先验知识和幽默元素。组件层是 3 类任务构造器：字幕匹配把创意字幕与其余干扰项组成五选一，幽默解释以人工解释为参照，开放问答以自动生成加人工核验的问题为探针。

目标层是按 3 种输入条件分别送入模型：只给人工描述、只给视频帧、给视频帧加音频。输出是各任务分数与分组差异。 下面的数据整理流程图把两路来源如何汇成同一套标注讲得很清楚，上排是两类视频的收集方式，中间是统一的人工过滤与标注，下排是标注落到 3 个任务的出口。读图时不要把图标当成模型结构，它表达的是数据工程流水线。

看图路径： 1. 先看上排左右两路：默片人工剪辑与短视频收集过滤如何汇入中间筛选；2. 再看中间绿色块标注的人工过滤与标注动作；3. 最后看下排虚线框内六类标注如何落到三个评测任务

论文图 3。原论文 Figure 3：“Data Curation Pipeline. To collect visual-centric humorous videos, the pipeline consists of two main stages: (a) Humorous video collection, where annotators identify timestamps…”。

这张图的上半部分左侧从默片经人工剪辑得到幽默片段，右侧从短视频经收集过滤得到搞笑视频，两路都汇入中间绿色的人工过滤与标注块。下半部分虚线框列出幽默等级、字幕、描述、解释、先验知识和幽默元素 6 类标注，箭头最终指向字幕匹配、幽默解释和开放问答 3 个任务。这说明所有评测都共享同一套人工依据，任务差异来自探针方式而非视频集合不同，后文的条件对照因此成立。

组件各自负责什么：标注字段与三类探针如何分工？

白话先讲术语。多模态大语言模型，英文为 Multimodal Large Language Model，简称 MLLM，指在语言模型基础上接入视觉编码器，能同时读视频帧和文字的模型。全模态大语言模型，英文为 OmniLLM，指进一步接入音频编码器，能同时处理视觉、听觉和文字的模型。后文固定用这两个简称。

多模态大语言模型 × 全模态大语言模型： 多模态大语言模型负责把视频帧和语言放在同一语义空间里推理，全模态大语言模型在此基础上再接入音频编码器，分工是前者验证纯视觉是否足够，后者验证环境声能否补上视觉讲不清的笑点，搭配理由是幽默常跨画面、画面文字和声音三处分布，组合意义是能分离出语言先验强、跨模态融合弱这一短板。

标注字段各有分工。描述只讲画面里出现了什么，不加推断；解释讲为什么好笑，必须点名幽默元素；先验知识记录光看画面得不到但理解幽默需要的信息，例如正在播放生日快乐旋律；幽默元素标出视觉、画面文字和声音各自是否贡献。

创意字幕是站在发布者角度写的一句能放大幽默的配文。3 类探针分别使用这些字段：字幕匹配用创意字幕做正确项，幽默解释用人工解释做参照，开放问答用描述加解释生成问题再经人工核验。

幽默解释 × 开放问答： 幽默解释要求模型自己发现笑点并说清视觉或听觉依据，开放问答由问题直接把注意力引到指定事件再问时间、描述或原因，分工是一个测发现、一个测跟随理解，搭配理由是两者共享同一批视频因而可比，组合意义是解释分远低于问答分即指向发现能力缺失而非看不懂画面。

评价组件也分两层。语义相似类指标看整体意思接近程度，事件级检出看关键幽默动作是否被真正提到，它从模型输出抽取关键事件再与人工标注做蕴含分析，给出召回率、精确率和综合值，论文无特别说明时报告综合值。人工评价则抽样对比模型解释与人工解释，按准确性和逻辑性打分，细节放在附录。两层结合才能区分说得流畅但漏掉笑点的情况。

有没有训练：本研究训练了什么、标注与调用如何执行？

本研究没有训练新的视频理解模型，被测的专有模型和开源模型都是直接调用或按原文配置推理。方法职责由数据构造与评测流程承担，因此这里讲清真实的计算与人力过程，而不是神经网络梯度更新。 构造分 2 个阶段。第一阶段是收集。默片部分选了 62 部卓别林默片，由标注员逐部查看并记录完整哑剧对应的起止时间，保证每个片段通过单个或多个事件讲完一个完整笑点，并去掉笑点原因和动作重复的片段。

短视频部分先验证确实好笑，再进入过滤。第二阶段是过滤与标注。过滤先去掉歧视、虐待动物、危险活动、身体暴力、低俗和惊吓等有害内容，以及残缺难懂和分辨率过低的视频。为保证视觉主导，2 名标注员独立判断幽默是否主要靠视觉传达且不依赖说话，只有 2 人一致才保留；再用语音转写模型转写音频，转写文本超过 10 个字符的视频被排除，非英语说话的视频做静音处理以去掉语言线索。

标注采用 3 人协作：第一人初标，第二人审核补充，第 3 人再审核精修，3 人轮换角色且每轮可追踪。标注员主要来自国内、本科以上且有英语基础，先做 15 个样本的资格测试，人工按指南打分后选出 8 名合格者，时薪高于当地最低工资。开放问答先由大语言模型按描述和解释生成候选，再经人工核验修订。下面的单样本标注示例展示了各字段如何对应到同一段视频。

看图路径： 1. 先看顶部连续帧里手机聊天截图与蛋糕剖面的对应关系；2. 再看左侧描述性字幕、创意字幕与描述三行的分工；3. 最后看右侧幽默元素、先验知识与解释如何互相印证

论文图 4。原论文 Figure 4：“Example annotation of a short video that conveys humor through visuals, visual text, and background sound.”。

这张示例顶部是一串连续帧，从聊天截图过渡到蛋糕整体再到剖面与手机并置，直观呈现图文对应的意外。下方左侧给出幽默等级、描述性字幕、创意字幕和详细描述，右侧给出幽默元素、画面文字存在性、先验知识和解释。先验知识点名背景中播放的旋律，解释点名听众误解与剖面图案的对应。初学者可照此核对：描述管事实，解释管原因，先验知识管画面之外的条件，三者缺一就会把笑点讲漏。

实验条件如何对齐：数据、输入分组与指标方向

数据分布先看整体构成。视频长度、视觉中心分组、幽默类型和文化背景的统计图显示，样本以短视频为主，视觉单独贡献占大头，滑稽类占比较高，文化背景覆盖北美、西欧、东亚等多地。开放问答的数量按类型有明确记录，下表把 3 类问题的规模固定下来，避免把样本量差异误读成难度差异。 下面的统计面板帮助确认评测不是只测某一种笑点或某一地区视频，读图时注意环形图看占比、直方图看拖尾，不要把单块大小直接当成绝对数量。

看图路径： 1. 先看最左视频时长直方图的拖尾分布；2. 再看中间两组环形图里视觉主导与滑稽幽默的占比；3. 最后看最右文化背景环形图里北美与东亚两块的大小

论文图 5。原论文 Figure 5：“Data statistics: (a) Distribution of video lengths; (b) Distribution of visual-centric groups; (c) Distribution of humor types, where Others contains Parody, Satire,…”。

这张统计图最左是视频数量随时长变化的直方图，短时长处最高并向右拖尾。中间两组环形图分别显示视觉、视觉加音频、视觉加文字等组合的分布，以及滑稽、笨拙、惊讶、反讽等幽默类型的分布。最右是文化背景分布，北美占比最高，其余分布在西欧、东亚等地。这意味着主结果是在多类型、多背景上的平均表现，某一组的增益不能直接推广到全部。

上述表格的比较问题是 3 类开放问题的样本量是否均衡，公平条件是同一套视频上的同一批模型，指标方向是数量本身无好坏，只决定结论的稳定性。表后需要说明的是描述问题数量远多于时间问题，因此开放问答总分更易被描述能力主导，时间推理的短板可能被平均掩盖，这是后文解读问答分数时必须保留的边界。

被测模型包括专有模型与开源模型，既有只能处理视频帧的视频模型，也有能处理音频的全模态模型。评测设 3 种输入：只给文字指只给人工写的详细描述，不给视觉和音频，测纯语言推理；只给视频指只给原始视频帧，不给音频，测纯视觉理解，并按是否含画面文字再分组；视频加音频指同时给视频帧和音频信号，测加入听觉是否有增益，并按音频是否对幽默有贡献再分组。评价上字幕匹配看准确率，开放回答看语义相似与事件检出，方向都是越高越好。

语义相似度 × 自动幽默事件检出： 语义相似度用句向量和生成评价比较模型回答与人工回答在措辞之外的意思接近程度，自动幽默事件检出从生成解释中抽取关键事件再与人工标注做蕴含对比算召回精确率与综合值，分工是前者看说得像不像、后者看笑点事件说全说对没有，搭配理由是幽默解释既要流畅又要点名关键动作，组合意义是避免只会复述画面的回答拿到虚高分。

主结果说明什么：文字强、视频弱、音频只补一点

主结果围绕 3 个判断展开。第一是幽默发现能力有限。跨条件看，模型在开放问答上的表现普遍好于幽默解释，说明一旦问题把注意力引到指定笑点，模型能顺着推理，但要自己从上下文发现笑点就困难。下表固定了关键对照的数值，保留了可实际运行的文本输入与视频输入策略，以及事件级检出的变化。 下面的示例图帮助建立直觉：上组翻页简笔画配合旋律形成渐进效果，下组聊天文字与蛋糕剖面形成图文对应，两者都需要把多帧信息连起来才能懂，而不是单帧识别。

看图路径： 1. 先看上组翻页简笔画随翻动逐渐出现的人物变化；2. 再注意每帧右下角代表环境声的图标；3. 最后对比下组手机文字与蛋糕画面的图文对应

论文图 1。原论文 Figure 1：“Examples of visual-centric humor understand- ing, where ‘audio’ and ‘text’ refer to environmental sound (cf. human speech) and visual text, respectively.”。

这张图上组是 4 帧翻页简笔画，人物随翻页逐渐增多，右下角图标表示伴随的旋律，下方文字点名舞者节奏与唢呐、钹声的递进。下组是手机聊天截图与蛋糕的 4 帧对照，左侧文字与右侧蛋糕剖面形成呼应。这说明幽默来自跨帧和跨模态的对应关系，单靠识别物体或单帧字幕不足以解释笑点，也预示了只给视频帧时模型的困难。

上表的比较问题是文本先验与真实视听输入谁决定分数，公平条件是同一模型与同一批视频，指标方向是语义分和准确率越高越好。

表后解释是主要收益在文本侧：拿到人工描述时分数显著更高，而换成原始视频后普遍下滑，加音频只有小而一致的提升，代价是跨模态融合能力仍不成熟。具体反例是部分模型在视听条件下的字幕匹配准确率低于文本条件，说明增加模态没有自动带来理解增益。论文据此报告 3 个短板：无显式线索时难发现幽默、跨模态融合不足、微妙幽默推理有限。 第二是重度依赖语言线索。文本条件显著高于视频条件，表明模型更擅长利用语言而非有效整合视觉与听觉。

第三是微妙推理不足。字幕匹配要求找到能放大幽默的创意字幕，多数模型表现有限，处理原始视频时困难更大，揭示了含蓄跨模态推理的弱点。

哪些因素真正改变分数：画面文字、背景知识与时代

这一节按因素分组，每组都保留可运行的对照，而不是只讲总体趋势。先看画面文字的作用。在视频加音频条件下，含画面文字的视频普遍好于不含画面文字的视频，无论声音是否对幽默有贡献。下表固定了代表性模型的数值，比较问题是画面文字是否为独立增益，公平条件是同为视频加音频输入，指标方向是准确率与语义分越高越好。

表后解释是主要收益来自可读的语义锚点，尤其当音频信息有限时，画面文字补上了关键对应关系。

代价与反例是增益不等于融合：有个别模型在声音有贡献时的字幕匹配上未呈现同样优势，说明文字帮助理解，但不能证明模型真正融合了声音。

画面文字 × 幽默音频： 画面文字指出现在画面里的字幕、聊天截图或标题等视觉语言线索，幽默音频指对笑点有贡献的环境声而非人类说话，分工是前者提供可直接读的语义锚点、后者提供节奏和氛围等非文字证据，搭配理由是二者经常同时出现需分组对照，组合意义是能判断模型是真做了视听融合还是只捡了文字便宜。

再看背景知识。论文标出 374 个需要上下文背景知识的视频，对比显式提供背景知识与不提供时的表现。下表与时代对照放在一起，比较问题是外部知识与时间文化距离是否改变难度，公平条件是同为视频输入，指标方向仍是越高越好。

表后解释是显式背景知识带来一致提升，表明模型虽隐式编码了部分文化语境，但仍需外部条件才能讲清笑点。

时代对照显示当代用户视频全面高于上世纪默片，支持幽默理解对时间文化语境敏感的判断。最后一行是模型与其基座语言模型的文本对照，全模态模型在纯文本下仍小幅超过基座，支持多模态训练带来更丰富上下文关联的解释，但这属于有限解释而非因果证明。未评测边界是所有标注为英文，跨语言表达差异尚未测量。

背景知识 × 字幕匹配： 背景知识指光看画面得不到的典故、旋律或常识，字幕匹配要求从 5 个候选中选出最能接住或放大原视频幽默的创意字幕，分工是前者补推理缺的外部条件、后者测含蓄的跨模态联想，搭配理由是两者都超出字面描述对齐，组合意义是能检验模型是否具备超越复述的微妙幽默推理。

不能推出什么：文化标签、语言与成本的边界

论文明确承认两个局限。第一是文化背景采用地区级划分而非更细的文化标签，理由是视觉主导的幽默常是混合的、全球共享的，给单个视频贴单一文化标签既模糊又主观，因此用地区作为弱监督代理，同时承认一个地区可包含多种文化。第二是所有人工标注均为英文，而大语言模型对同一视觉内容的理解可能随语言变化，不同语言的表述方式不同，这留给未来研究。

从证据等级看，报告显示的是分数差异，支持跨模态融合不足和背景知识有帮助的判断，但属于有限解释。把相关性直接说成因果、把平均趋势推广到每一组视频，都超出证据。论文未测量误判率、延迟、推理开销和训练成本，因此不能承诺加入音频或文字一定改善实时性与成本。伦理部分要求仅作非商业学术使用，筛掉了有害内容并最小化隐私风险，同时警告不要用数据生成恶意或嘲讽内容。

资源状态方面，本次未发现来源绑定且完成验证的公开资源，因此不得声称代码、模型或数据已公开，复现只能依据论文正文与附录的流程描述。 对初学者的提醒是：百分点差值与相对百分比不同，不同指标的差值不能混放一列，自动指标不能当成人评。若原文表头或算术出现冲突，应标注冲突而不是编造划分来圆场。

复现先做什么：按原文重建过滤、标注与评测

复现的第一步是重建数据流水线，而不是调模型。按原文顺序先做有害内容筛查与质量筛查，再做视觉主导过滤：2 人独立判断幽默是否主要靠视觉且不依赖说话，一致才保留；语音转写超过 10 个字符则排除，非英语说话做静音。默片按完整哑剧事件切分并去重重复笑点。标注用 3 人 3 轮制，记录描述、解释、先验知识、幽默元素、描述性字幕和创意字幕，开放问答先生成后人工核验。

第二步是固定评测条件。3 种输入必须严格分离：文本条件只给人工描述，视频条件只给视频帧，视听条件同时给帧和音频。提示词按附录分别使用问答、解释和字幕匹配的模板，字幕匹配只输出选项字母，解释控制在两到三句。评价同时跑语义相似与事件检出，字幕匹配跑准确率，抽样部分做人工准确性与逻辑性评价。关键超参数与采样细节以原文为准，未报告冻结与梯度路径时不要从模型名称推定实现。

第三步是分组复核。按是否含画面文字、声音是否贡献幽默、是否需要背景知识、是否为默片分别切分，再看增益是否稳定。若只复现总平均分，会掩盖文字主导与时代差异这两个关键条件。还需补的验证包括跨语言标注一致性、音频消融的细粒度类型，以及在同一视频上的人工事件级召回是否与自动检出一致。

何时值得尝试：给语音音频新生的收束判断

当研究问题涉及环境声是否真有信息量时，这篇工作值得尝试。它的可复用点在于把幽默拆成发现与跟随理解两类探针，并用文本、纯视频、视听 3 组输入做对照，使语言先验与跨模态融合的责任可分。如果你的模型自称能听懂视频，先在文本条件下测语言上限，再在纯视频下测视觉下限，最后加音频看增量是否稳定出现，而不是只看单点分数。 论文特有的误解需要澄清。

第一，加了音频不等于自动变好，原文的增益是小而一致，不能掩盖文本与视频之间的大幅落差。第二，含画面文字好不等于模型会读图，文字是可直接利用的语言捷径，真正的考验在无文字、无背景知识的默片上。第三，全模态在纯文本下超过基座，不等于听觉训练直接迁移为幽默能力，更稳妥的表述是多模态训练可能带来更丰富的上下文关联，待验证。

收束时保留可核对的要点：开放问答与幽默解释的落差指向发现短板，文本与视频的落差指向融合短板，背景知识与时代分组指向文化语境敏感性。复现时优先保证输入分组、指标方向与分组口径一致，再谈模型改进。没有确认可达的公开资源就不写已公开，这是准确性优先于修辞的基本要求。

⚖️ 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

← 返回 acl-2026 论文汇总