论文页面 - 基于多模态大语言模型的计算幽默：方法、数据集、评估与挑战

来源：https://huggingface.co/papers/2607.19011

摘要

对于AI系统而言，理解模因、卡通和漫画中的多模态幽默仍然具有挑战性，因为其预期含义依赖于非字面机制、共享文化知识和交际意图，而非字面的场景描述。本综述聚焦于单图像和多面板作品中的视觉幽默理解，同时将幽默生成视为一个新兴的待探索前沿。我们将现有文献与之前的幽默、讽刺及通用多模态大语言模型（MLLM）综述进行对比，并采用以能力为中心的层级结构（涵盖识别、解释与推理、生成）来组织内容。在此视角下，我们综合分析了基准设计、评估协议和建模范式，梳理了该领域从任务特定融合模型向基于多模态对齐、证据驱动推理和可控生成的大模型方法的转变。最后，我们指出了当前面临的主要障碍：易受捷径影响的评估、有限的文化与叙事覆盖范围、薄弱的证据基础，以及尚未解决的安全性和所有权问题。

查看 arXiv 页面 (https://arxiv.org/abs/2607.19011)查看 PDF (https://arxiv.org/pdf/2607.19011)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.19011)

在您的 agent 中获取此论文：

hf papers read 2607\.19011

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2607.19011，以便从此页面链接。

引用此论文的数据集0

没有数据集链接此论文

请在数据集 README.md 中引用 arxiv.org/abs/2607.19011，以便从此页面链接。

引用此论文的 Spaces0

没有 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2607.19011，以便从此页面链接。

包含此论文的收藏集0

没有收藏集包含此论文

请将此论文添加到一个收藏集 (https://huggingface.co/new-collection) 中，以便从此页面链接。