Yes FLoReNce, I Will Do Better Next Time！面向幽默模因检测的Agentic反馈推理

幽默模因融合视觉与文本线索来传达讽刺、挖苦或社会评论，对必须解读意图而非表面关联的AI系统构成独特挑战。现有多模态或基于提示的模型能为幽默生成解释，但以开环方式运行，一旦做出预测便无法批判或修正自身推理。我们提出FLoReNce，一个把模因理解视为训练时闭环、推理时开环过程的agentic反馈推理框架。在闭环中，推理代理接受评判者（judge）的批评；错误与语义反馈被转化为控制信号，存入一个由反馈信息充实的非参数知识库。推理时，模型从该知识库检索相似的已评判经验，并用其调制提示，从而在无需微调的情况下获得更好、自我对齐的推理。在PrideMM数据集上，FLoReNce在预测性能与解释质量上均超过静态多模态基线，表明反馈调节的提示是实现自适应模因幽默理解的可行路径。