多模态大模型真的理解情绪吗？MME-Emotion给出了系统答案

mynccs

近年来，多模态大模型（Multimodal Large Language Models， MLLMs）正在迅速改变人工智能的能力边界。从图像理解到视频分析，从语音对话到复杂推理，大模型正在逐步具备类似人类的综合感知能力。但一个关键问题仍然没有得到充分回答：这些模型真的能够理解人类情绪吗？

在真实世界中，人类的情绪往往通过多个模态共同表达。例如，一个人可能通过面部表情传递紧张情绪，同时语音语调也在变化，而语言内容可能只提供部分线索。对于人工智能系统而言，仅依赖单一信息来源往往难以准确判断情绪状态。因此，情感智能（Emotional Intelligence）逐渐成为衡量多模态大模型能力的重要指标之一。

然而，目前学界仍然缺乏一个系统性的评测框架来衡量多模态大模型的情感智能水平。已有情感数据集通常规模较小，场景覆盖有限，而且大多只关注情绪分类准确率。模型是否真正理解情绪产生的原因，以及能否在不同场景中稳定工作，往往没有得到充分评估。

为了解决这一问题，来自香港中文大学和阿里通义实验室的团队共同提出了MME-Emotion，一个面向多模态大模型情感智能的综合评测基准。该工作已被 ICLR 2026 接收。