11 月 18 日公开的 UEmo-D1 预印本研究如何让同一个模型处理包含图像、音频、视频或文字的情绪识别任务。模型根据自然语言指令,在给定选项上直接输出概率。
作者整理了 977,270 条训练样本以及涵盖六项任务的 41 个评测子集,并在这些数据上比较识别效果、推理延迟与置信度校准。
论文评估的是媒体样本和标注任务。不同文化、表达方式和实际使用环境中的表现仍需另行检验。
配图为 GETAI.APP 使用 ImageGen 生成的主题插画。
GETAI EDITORIAL DISPATCH新闻报道
预印本让模型根据媒体内容和任务指令,为多个情绪选项给出概率,并比较判断速度和置信度。