文本已含任务约束时，合成多模态增强未显优势。
资讯摘要
论文对比FISER（结构化社会与具身推理框架）与CEMIR（通过文本提示合成叙事与逼真图像进行多模态增强的方法），在HandMeThat v2基准上测试Qwen2.5-Omni-3B至GPT-5共四个LLM。经多重比较校正的统计分析显示，两者在所有模型与难度组合的十六项对比中均无显著差异，消融实验亦如此；性能主要取决于骨干模型能力与歧义本身难度。
要点速读
- 论文在HandMeThat v2基准上比较FISER与CEMIR，覆盖四个LLM及不同难度层级。
- 统计结果显示十六项模型×难度对比均无显著性能差异，针对CEMIR叙事与视觉组件的消融实验也未改变结论。
- 作者报告性能主要与骨干模型能力和歧义固有难度相关，并提出文本衍生多模态增强的边界条件。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。