AICA-Bench：全面检验 VLM 在情感图像内容分析中的能力

视觉语言模型（VLM）在感知方面表现出了强大的能力，但将感知、推理和生成集成到统一框架中的整体情感图像内容分析（AICA）仍处于探索之中。为了解决这一差距，我们推出了 AICA-Bench，这是一个包含三个核心任务的综合基准测试：情绪理解 (EU)、情绪推理 (ER) 和情绪引导内容生成 (EGCG)。我们评估了 23 个 VLM 并确定了两个主要限制：弱强度校准和浅层开放式描述。为了解决这些问题，我们提出了扎根情感树（GAT）提示，这是一个将视觉脚手架与分层推理相结合的 无需训练 框架。实验表明，GAT 减少了强度错误并提高了描述深度，为未来情感多模态理解和生成的研究提供了强有力的基线。