計算幽默：多模態 LLM 的方法、資料集、評估與挑戰
為何重要
此份調查文獻揭示了多模態大型語言模型在處理依賴非字面機制與文化知識的感知任務時，仍面臨巨大的基礎技術挑戰。 對開發者而言，文章強調現有的 benchmark 可能存在短路傾向，且文化背景的涵蓋範圍將是模型能否真正理解幽默的關鍵門檻。 對投資人與產業而言，雖然該領域聽起來利基，但對推理能力的嚴格檢驗（如依據證據的 reasoning）與受控生成，直接映射出未來具備深層理解能力的通用型 AI Agent 的發展里程碑。
- 文獻聚焦於單影像與多圖畫（如表情包、漫畫）的視覺幽默理解，並將幽默生成視為新興的下游任務。
- 依能力層級組織文獻，分析從早期的任務特定融合模型，轉向基於 multimodal align、evidence-grounded reasoning 和 controlled generation 的大型模型方法。
- 指出限制當前進展的主要障礙包括短捷徑（shortcut-prone）的評估、有限的敘事與文化覆蓋，以及缺乏證據落實、安全和權益上的未解決問題。