研究：多模态增强与结构化推理在语用意图识别上无显著差异

Ziya Hosseynzadeh、Farjad Fallah、Farnoosh Fallah等对两种人机交互意图识别方法进行对比诊断研究：基于结构化社会与具身推理的FISER，以及通过文本提示合成叙事与逼真图像实现多模态增强的CEMIR。作者在HandMeThat v2基准上测试Qwen2.5-Omni-3B至GPT-5等四个大模型，经多重比较校正的统计分析显示，两者在任何模型或难度水平上均无统计显著差异，全部十六项模型与难度组合比较及针对CEMIR叙事与视觉组件的消融实验均呈此结果。论文称，表现主要与骨干模型能力和歧义固有难度相关，并据此提出文本衍生多模态增强的边界条件：当相关任务约束已存在于文本指令中时，合成多模态增强未必优于对同一文本的结构化推理。