CaRGo-T：因果推理思维图改进多模态幽默理解

arXiv AI 于 2026 年 8 月 24 日发布论文，提出 CaRGo-T（因果推理思维图），一种将多模态幽默背后的因果与上下文关系表示为轻量级图结构，并序列化为代码输入给视觉语言模型（VLM）的推理框架。在四个数据集上，CaRGo-T 在幽默理解和幽默检测任务上相比现有推理基线，分别提升约 1–20% 和 1–3%，且生成的推理表示包含更多与目标输出相关的信息。

现有 VLM 在理解幽默时难以捕捉跨模态的复杂因果链，传统提示或线性思维链不足。CaRGo-T 将推理结构化为图，并以代码形式输入，显著提升性能，为多模态推理提供新思路，可能影响 VLM 在更广领域的复杂推理能力。

CaRGo-T 将幽默理解中的实体、事件、上下文等关系构建为轻量级因果图，序列化为代码表示，供 VLM 在零样本或少样本设置下解释并生成预测。图结构保留了非线性推理路径，比线性思维链包含更多与目标相关的信息，从而提升推理准确性。

对依赖 VLM 的幽默检测、内容审核或社交媒体分析产品，可能提升对讽刺、反讽、梗图等内容的识别准确率，减少误判。研发上需集成图构建、序列化和 VLM 推理，可能增加一定计算开销，但性能提升明显。

• 开发针对社交媒体梗图、反讽内容的自动审核工具，集成 CaRGo-T 以提升识别准确率，减少漏判。
• 在内容推荐系统中引入幽默理解模块，基于 CaRGo-T 提升对用户幽默偏好的把握，改善个性化推荐。
• 为广告文案或营销素材提供幽默效果预评估服务，利用 CaRGo-T 预测素材的幽默感知，辅助创意优化。
• 评估将 CaRGo-T 嵌入现有 VLM 推理管线，在零样本场景下支持多模态问答中的幽默解析，增强产品智能性。

• CaRGo-T 在非幽默领域（如常识推理、视觉问答）是否同样有提升效果尚未验证。
• 图构建阶段是否依赖人工标注，还是可全自动生成，证据未明确。
• 性能提升在不同 VLM 上的稳定性如何，以及是否存在特定模型失效的情况，论文未提及。
• CaRGo-T 的推理延迟和计算成本与基线相比如何，证据未提供。