摘要情感计算是人工智能迈向“类人智能”的关键一步。随着多模态大语言模型（MLLMs）的爆发，如何全面、量化地评估它们在真实复杂场景下的情感理解与推理能力，成为亟待解决的难题。来自香港中文大学、通义实验室、腾讯等机构的研究团队推出了MME-Emotion—— 迄今为止规模最大、场景最全的多模态情感智能基准。本文尝试剖析 MME-Emotion 的设计哲学、评测架构及实验洞察。一、核心问题：从“识别”到“推理”的跃迁在 GPT-4o、Gemini 等全能型模型横空出世的背景下，现有的情感计算基准（Benchmark）显得有些“捉襟见肘”。传统的评测往往局限于简单的情感分类（这是快乐还是悲伤？），而忽视了更深层次的情感归因（为什么他会感到悲伤？）。MME-Emotion 的提出，旨在填补以下核心空白：场景覆盖不足：现有数据集往往集中在特定领域（如实验室环境），难以反映模型在 Wild（真实世界）环境下的泛化能力。推理能力缺失：仅仅识别情感标签是不够的，真正的智能需要理解情感背后的触发因素（Triggering Factors）。评估标准不一：缺乏统一的协议来横向对比不同架构（如纯视觉 vs. 视听结合）模型的表现。MME-Emotion 的核心使命：建立一个全方位（Holistic）、**可扩展（Scalable）且统一（Unified）**的评测体系，不仅考察“是什么（Recognition）”，更考察“为什么（Reasoning）”。二、基准设计：构建情感智能的“百科全书”MME-Emotion 的数据构建是一项浩大的工程，其规模和多样性令人印象深刻。2.1 数据概览：规模与多样性规模：包含6,500个精选视频片段，配套6,500对高质量 QA（问答）。场景：覆盖27种不同的场景类型，从经典的影视剧（Movie, TV Drama）到生活化的 Vlog、采访，甚至包含动画和体育赛事。来源：汇集并重采样了多个经典公开数据集（如 IEMOCAP, MELD, MOSI 等），经过清洗和标准化，构建出这一庞大的评测集。2.2 任务架构：八大情感任务为了全面覆盖情感智能的各个维度，MME-Emotion 设计了八大核心任务，形成了一个层层递进的能力矩阵：任务类型任务代码描述难度基础情感识别ER-Lab实验室环境下的情感识别（背景干净，特征明显）⭐ER-Wild真实世界环境下的情感识别（背景复杂，干扰多）⭐⭐Noise-ER噪声环境下的情感识别（模拟画质受损、音频干扰）⭐⭐⭐细粒度识别FG-ER细粒度情感识别（区分“愤怒”与“烦躁”等微妙差异）⭐⭐⭐⭐ML-ER多标签情感识别（同一片段中包含多种情感）⭐⭐⭐情感倾向分析SA情感极性分析（积极/消极/中性）⭐FG-SA细粒度情感极性分析（强消极/弱消极等）⭐⭐意图理解IR意图