超越字面意义：分解多模态模因理解中的实用意图

当被问及模因或讽刺帖子的含义时，大视觉语言模型 (LVLM) 倾向于描述图像显示的内容，而不是作者试图传达的内容。标准的指令调整将帖子的字面内容与其实用含义纠缠在一起，让表面细节污染了最终的回应。我们将 meme 理解重新定义为字面语用分解问题，并提出 \textbf{Intent Projection}，这是一个在单个 LVLM 主干中在表示、输出和目标级别上分离两个信号的框架。在表示级别，正交投影模块从融合的图像文本表示中删除主要的单峰方向，仅保留实用残差，而表面真实情感分类器使用命名极性间隙的离散标签来锚定解码器。在输出层面，该模型将结构化推理链具体化，而在客观层面，对比奖励明确惩罚重述字面描述的答案。在六个多模式基准测试中，意图投影始终优于开源基准，并缩小了与专有模型的差距，在高分歧帖子上收益最大，而字面上的崩溃是最具破坏性的。