情感识别新突破：快慢思维协同推理框架MER-R1，让AI更懂情绪

在多模态情感识别领域，传统观点认为深思熟虑的慢思维推理能带来更准确的判断。然而最新研究发现，基于大语言模型的推理系统中，触发直接答案的‘快思维’模式往往表现更优——它通过更广泛、更自信的预测提升召回率，而慢思维则通过保守过滤错误类别来保证精准率。

为此，研究团队提出MER-R1强化学习框架，将快慢思维的互补性转化为显式优化目标。该框架采用双目标解耦技术，将召回率与精准率分离为两个独立的优化信号，使二者能够协同优化而非相互权衡。同时，通过慢快置信度校准机制，将慢思维最终答案与快思维直觉对齐，强化正确情感判断并抑制错误预测。

理论分析表明，这种协同机制能有效缓解优化过程中的方差干扰。在MER-UniBench和MME-Emotion基准测试中，MER-R1取得了最先进的性能表现，首次实现推理过程真正助力情感识别任务。这项工作不仅为多模态情感分析提供了新范式，也为理解AI推理机制提供了重要视角。