マルチモーダル感情認識（MER）は、表情や音声の抑揚、テキストの意味など複数の信号を統合して感情状態を判断するタスクであり、マルチモーダル大規模言語モデルの重要な応用領域の一つである。近年、推論能力を備えたマルチモーダルモデルには大きな期待が寄せられ、まず「考える」ことで認識品質が向上すると広く信じられてきた。しかし、Zhiyuan Han氏ら11名の著者による2026年6月26日投稿のarXiv論文は、興味深い逆説的知見を示している。すなわち、明示的な推論は予測の解釈性を高めるものの、感情認識の精度向上に必ずしも結びつかないというのである。
研究チームは推論ベースのマルチモーダル大規模言語モデルについて、二つの回答モードを体系的に比較した。いわゆる「高速思考」は推論の連鎖を展開せず直接答えを出すモードであり、「低速思考」は慎重に段階的な推論を経て結論を導くモードである。実験結果は直感に反し、多くの場合、高速思考の直接回答が低速思考の熟考後の判断を上回った。さらに誤り分析により、両モードの偏りが明らかになった。高速思考はより広く自信に満ちた予測を生成するため再現率が高まり、正しい感情カテゴリを候補に含めやすい。一方、低速思考は誤りとみなしたカテゴリを保守的に除外する傾向があり、精度は上がるものの、その選別過程で正解を誤って捨ててしまう恐れがある。
こうした「高速は再現率寄り、低速は精度寄り」という相補的特性に基づき、著者らは両者の相乗効果を明示的な最適化目標へと変換する強化学習フレームワークMER-R1を提案した。この枠組みには二つの中核機構がある。第一は二目的分離であり、再現率と精度を二つの独立した最適化信号に分解することで、従来のように二者間でトレードオフを取るのではなく、両者を同時に最適化できるようにする。第二はスローファスト信頼度較正であり、最終的な低速思考の回答を高速思考の直感に近づけることで、正しい感情判断を強化し誤ったカテゴリを抑制する。これによりMER-R1は、再現率志向の高速思考の直感と、精度志向の低速思考の選択性を一つの枠組みに統合する。
論文はさらに理論面からこの相乗効果を裏付け、本機構が最適化過程における分散由来の干渉を緩和し、二つの思考モードの利点が相殺ではなく補完し合うことを示している。実験ではMER-UniBenchとMME-Emotionの二つのベンチマークで広範な評価を実施し、MER-R1が現時点で最先端の性能を達成し、推論が感情認識に真に貢献することを示した。本論文は現在査読中であり、人工知能（cs.AI）分野に属し、PDFや実験的なHTML版、LaTeXソースを含む全文がarXivで公開されている。