我知道你的梗，即使它今天才出现：通过开放世界知识获取理解演化中的模因
多模态模因是动态的，常常需要最新的背景知识来解读。现有方法往往忽略此类知识，或依赖预训练模型中可能不完整、过时或新兴模因不可用的固定参数知识。我们提出了“查询-检索-结论”框架，这是一个零样本框架，能够识别缺失知识、检索开放网络证据并综合基于证据的背景知识，用于模因理解和检测。我们还引入了一个精心策划的模因理解基准，包含2024至2026年的近期模因及外部背景知识标注。在三个模因理解数据集和五个模因检测任务上的实验表明，我们的框架在知识恢复、模因理解和下游检测方面优于零样本基线。
多模态模因（Meme）是社交媒体上快速演变的动态文化符号，其含义往往依赖于最新的时事、网络流行语或特定事件背景。然而，现有的人工智能方法在理解模因时，要么完全忽略此类背景知识，要么仅依赖预训练模型中存储的固定参数知识。这些参数知识对于新兴模因来说可能存在不完整、过时甚至完全缺失的问题，导致模型无法准确解读模因的幽默或讽刺含义。针对这一挑战，来自研究团队的最新论文提出了“查询-检索-结论”（Query Retrieve Conclude，QRC）框架，这是一种零样本学习方法，旨在通过主动从开放网络中获取知识来弥补模型的知识鸿沟。
QRC框架的工作流程分为三步：首先，它会识别模因理解任务中缺失的关键背景知识；接着，通过查询搜索引擎等开放网络资源，检索与模因相关的实时证据；最后，综合这些证据，生成结构化的背景知识描述，辅助下游的模因理解和检测任务。整个过程无需任何针对特定模因的训练数据，使得模型能够灵活应对任何新出现的网络迷因。
为了系统评估QRC的效果，研究团队还构建了一个全新的模因理解基准数据集，涵盖了2024年至2026年间的近期热门模因，并为每个模因提供了外部背景知识的详细标注。该基准填补了现有数据集在时效性和知识覆盖上的空白。实验结果表明，在三个模因理解数据集和五个模因检测任务上，QRC框架在知识恢复、模因理解准确率和下游检测性能方面均显著优于多种零样本基线方法，部分任务提升幅度超过10%。
这项研究的核心意义在于首次系统地解决了动态模因理解中的知识滞后问题。通过将外部知识获取与零样本推理相结合，QRC不仅提升了AI对快速演变文化现象的理解能力，也为社交媒体分析、舆情监控等领域提供了新的技术路径。未来，该框架有望扩展至谣言检测、新型网络暴力识别等需要持续知识更新的应用场景，推动人工智能更好地适应动态变化的现实世界。