多模态梗图（meme）是高度动态的内容形式，要正确解读一张图，往往离不开最新的背景知识——某个新近走红的人物、事件或网络用语，可能一夜之间就成为梗图的核心。然而现有方法大多忽视这类时效性知识，或者只能依赖预训练模型固化的参数记忆。这种记忆本身就可能不完整、已经过时，面对刚出现的梗图更是完全无从谈起。
针对这一问题，来自 Shanhong Liu 等四位作者的研究（arXiv:2606.05316，2026 年 6 月 3 日提交，属 cs.AI 人工智能分类）提出了名为 Query Retrieve Conclude 的零样本框架。该框架的核心思路是把梗图理解拆成三个步骤：首先判断理解某张梗图还缺少哪些背景知识，然后到开放的互联网上检索相关证据，最后把检索到的证据综合成有据可依的背景知识，用于梗图的语义理解和内容检测。与依赖静态参数知识的方式不同，这一流程让模型能够动态地获取“今天才出现”的信息，因此对新兴梗图同样适用。
除方法本身外，论文还构建了一个经过人工整理的梗图理解基准数据集，收录了 2024 年至 2026 年间的近期梗图，并为每张梗图标注了外部背景知识。这一基准的建立，为评测模型能否补齐时效性知识提供了直接的测试场景，也弥补了现有数据集中近期梗图与背景知识标注不足的空白。
实验方面，作者在三类梗图理解数据集以及五项梗图检测任务上对框架进行了评估。结果显示，与零样本基线方法相比，该框架在知识恢复、梗图理解以及下游检测三个层面均有提升。这意味着，让模型主动向外部世界“提问—检索—归纳”，比单纯依赖预训练权重更能应对快速演化的网络文化。
研究者将论文提交至 arXiv 的人工智能板块，随文提供了 PDF、实验性 HTML 版本以及 TeX 源码等访问方式。对于需要处理网络内容审核、虚假信息识别或跨文化语义理解的应用来说，这一框架提供了一条不重新训练模型、也能跟上梗图演化节奏的可行路径。