Resumen: Encontramos que el razonamiento explícito no se traduce necesariamente en una mejor precisión del reconocimiento de emociones multimodal (MER), aunque hace que las predicciones sean más interpretables. Específicamente, para los MLLM basados en el razonamiento, el pensamiento rápido al desencadenar respuestas directas a menudo supera al pensamiento lento después del razonamiento deliberativo. Nuestros análisis empíricos muestran que el pensamiento rápido mejora el recuerdo con predicciones más amplias y seguras, mientras que el pensamiento lento favorece la precisión mediante el filtrado conservador de categorías incorrectas. Sobre la base de estos conocimientos, proponemos MER-R1, un marco de aprendizaje por refuerzo que convierte la complementariedad lenta-rápida en una optimización explícita. La separación de doble objetivo separa la recuperación y la precisión en dos señales de optimización, lo que permite optimizarlas conjuntamente en lugar de intercambiarlas entre sí. La calibración de confianza lento-rápido alinea aún más la respuesta final de pensamiento lento con la intuición de pensamiento rápido, fortaleciendo las emociones correctas y suprimiendo las incorrectas. De esta manera, MER-R1 unifica la intuición del pensamiento rápido orientada a la memoria con la selectividad del pensamiento lento orientada a la precisión. Además, proporcionamos una justificación teórica para esta sinergia, mostrando que mitiga la interferencia inducida por la variación durante la optimización. Amplios experimentos en MER-UniBench y MME-Emotion muestran que MER-R1 logra un rendimiento de vanguardia y hace que el razonamiento beneficie genuinamente el reconocimiento de emociones.
Publicado originalmente en export.arxiv.org el 28 de junio de 2026.
Ver fuente original
