多模态情感识别（MER）要求模型综合面部表情、语音语调、文本语义等多种信号判断情绪状态，是多模态大模型的重要应用方向之一。近年来，具备推理能力的多模态大模型被寄予厚望，人们普遍认为让模型先“思考”再作答能够提升识别质量。然而，这篇由 Zhiyuan Han 等 11 位作者完成、提交于 2026 年 6 月 26 日的 arXiv 论文提出了一个颇具反直觉色彩的发现：显式推理的确让预测更具可解释性，却并不必然转化为更高的情感识别准确率。
研究团队对基于推理的多模态大模型进行了系统性的实证分析，比较了两种作答模式。所谓“快速思维”，是模型不展开推理链、直接给出答案；而“慢速思维”则是先进行审慎的逐步推理再输出结论。实验结果与直觉相反：在许多情况下，快速思维的直接回答反而优于慢速思维经过深思熟虑后的判断。进一步的误差分析揭示了两种模式各自的偏向——快速思维会产生更宽泛、更自信的预测，因而提升了召回率，更容易把正确的情绪类别纳入候选；慢速思维则倾向于保守地过滤掉它认为错误的类别，从而提升精确率，但也容易在筛选过程中误删正确答案。
正是基于这种“快速偏召回、慢速偏精确”的互补特性，作者提出了 MER-R1 这一强化学习框架，将二者的协同关系转化为显式的优化目标。该框架包含两个核心机制。第一个是双目标解耦：把召回率和精确率拆分为两个独立的优化信号，使模型能够对两者进行联合优化，而不是像传统做法那样在二者之间做此消彼长的权衡。第二个是慢速-快速置信度校准：让最终的慢速思维答案向快速思维的直觉靠拢，从而强化正确的情绪判断、抑制错误的类别。通过这种方式，MER-R1 将快速思维中以召回为导向的直觉性与慢速思维中以精确为导向的选择性统一在同一框架之内。
论文还从理论层面为这种协同提供了支撑，指出该机制能够缓解优化过程中由方差引起的干扰，使两种思维模式的优势得以互补而非相互抵消。在实验方面，作者在 MER-UniBench 和 MME-Emotion 两个基准上进行了广泛评测，结果显示 MER-R1 取得了当前最优的性能，并使推理真正为情感识别带来增益。该论文目前处于审稿阶段，属于人工智能（cs.AI）方向，全文可通过 arXiv 获取，包括 PDF、实验性 HTML 版本以及 LaTeX 源码。