受世界模型启发的讽刺推理：基于大型语言模型智能体

arXiv 25.12 2025 39.5 method

TLDR

将讽刺理解重构为受世界模型启发的推理过程，使用LLM智能体分解字面意义、上下文、期望和意图。

评分理由

The paper introduces a novel decomposition of sarcasm reasoning into interpretable components using LLM agents, which is a strength for explainability. However, the 'world model' terminology is used loosely as inspiration rather than a true predictive or interactive world model, and the approach is narrowly focused on sarcasm detection without broader world dynamics.

Read-first 评分解释

综合优先阅读分 39.5，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 11。

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：消融、基准、评估、实验

近期性 6%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

引用影响力 18%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.48975472

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

主题相关性 29%

15.7

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：217。

关键词评分

world model

world dynamics prediction

world simulator

generative world model

interactive world model

video world model

model-based reinforcement learning world model

深度分析

创新点

将讽刺理解重新构想为受世界模型启发的推理过程
使用专门的基于LLM的智能体将讽刺分解为字面意义、语境、规范性期望和意图
将字面评价与规范性期望之间的差异明确量化为一个确定性的不一致性分数
通过轻量级逻辑回归模型整合不一致性和意图分数，实现可解释的最终预测

方法

WM-SAR将讽刺推理分解为四个基于LLM的智能体，分别建模字面意义、语境、规范性期望和意图。它从字面评价与规范性期望之间的差异计算出一个确定性的不一致性分数，以及一个意图分数，然后通过轻量级逻辑回归模型结合这些信号，输出讽刺概率。

关键结果

WM-SAR在代表性讽刺检测基准上持续优于现有的深度学习和基于LLM的方法。消融研究证实，整合语义不一致性和意图推理对于有效的讽刺检测至关重要。

局限性

将讽刺分解为规范性期望和意图可能需要精心的提示工程，并且可能无法泛化到所有讽刺类型或领域
轻量级逻辑回归模型可能过度简化分解组件之间的复杂交互

资源

论文