ИССЛЕДОВАНИЕ · RESEARCH · #2556
Сравнительное исследование: FISER против CEMIR для распознавания прагматических намерений
Исследование на arXiv сравнивает FISER (структурированное социально-эмбеддед-рассуждение) и CEMIR (контекстное мультимодальное распознавание намерений с синтезом нарративов и фотореалистичных изображений) на бенчмарке HandMeThat v2 с четырьмя LLM от Qwen2.5-Omni-3B до GPT-5. При множественной корректировке сравнений и при абляциях, изолирующих нарративную и визуальную составляющие, статистически значимой разницы не обнаружено: результаты в основном зависят от мощности базовой модели и сложности задач.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- Исследование на arXiv сравнивает FISER (структурированное социально-эмбеддед-рассуждение) и CEMIR (контекстное мультимодальное распознавание намерений с синтезом нарративов и фотореалистичных изображений) на бенчмарке HandMeThat v2 с четырьмя LLM от Qwen2.5-Omni-3B до GPT-5.
- При множественной корректировке сравнений и при абляциях, изолирующих нарративную и визуальную составляющие, статистически значимой разницы не обнаружено: результаты в основном зависят от мощности базовой модели и сложности задач.
- Показывает предел эффективности синтетического мультимодального обогащения: если текстовые инструкции уже содержат релевантные ограничения, мультимодальное дополнение может не превосходить структурированное рассуждение, что важно для проектирования HRI и мультимодальных систем.
ПОЧЕМУ ЭТО ВАЖНО
Показывает предел эффективности синтетического мультимодального обогащения: если текстовые инструкции уже содержат релевантные ограничения, мультимодальное дополнение может не превосходить структурированное рассуждение, что важно для проектирования HRI и мультимодальных систем.