鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

HumanOmniV2 比你还懂“社交潜台词”!

编程导航
编程导航
2025-07-10 12:30
阅读 134
编程导航
2025-07-10 12:30
阅读 134

如何让AI真正“读懂”人心,理解对话背后的真实意图?

先来查看下面这个案例⬇️

在这张相亲对话截图中,暴露了多模态大模型(MLLMs)的两大认知错误:

1、全局上下文理解不足

  • 模型只听到了“可以做朋友”的表面善意,却完全忽略了“头巾=不是基督徒=不约会”这一核心的、隐含偏见的前提逻辑链。

2、推理路径简单,缺乏深度逻辑推理

  • 在判断男士情绪时,模型可能完全依赖了“可以做朋友”这句看似积极的话,忽视了潜在的视觉、听觉线索:男士可能出现的嘴角下垂/眼神回避、女士说"可能不行"后的3秒沉默、人类社交中的矛盾信号。

这些缺陷导致模型无法全面捕捉隐藏在多模态信息中的深层逻辑,从而做出片面甚至错误的判断。为了解决这些问题,我们推出了 HumanOmniV2 ,一个专为突破多模态推理瓶颈而设计的全新模型。(文末查看HumanOmniV2分析全流程)

HumanOmniV2 的一大核心创新在于引入了强制性上下文总结机制。

在生成最终答案之前,模型必须首先输出一个<context>标签内的上下文概括。这种结构化的设计确保模型不会跳过任何关键信息,而是系统性地分析视觉、听觉和语言信号,构建出完整的场景背景。

为实现这一目标,我们要求模型在推理之前,首先在一个 <context> 标签内输出其对上下文信息的概括。这种强制性的上下文理解能够有效避免模型跳过关键的多模态输入信息,并在随后的推理过程中提供全面的全局背景支持。

例如,在上述相亲对话案例中,模型会主动识别出男士佩戴头巾这一视觉线索,并结合后续对话内容,推断出可能涉及的文化或宗教背景,从而避免因忽略隐含偏见而导致错误判断。

除了结构化的上下文理解,HumanOmniV2 还通过一套 LLM 驱动的多维度奖励机制来引导模型的学习过程。这套机制包括:

  • 上下文奖励(Context Reward):评估模型是否准确捕捉了多模态输入的整体语境;

  • 格式奖励(Format Reward):确保模型输出符合结构化要求;

  • 准确性奖励(Accuracy Reward):提升模型回答的正确率;

  • 逻辑奖励(Logical Reward):激励模型使用反思、归纳、演绎等高级推理方式。

这些奖励机制协同作用,使得 HumanOmniV2 在训练过程中不断优化其对多模态信息的理解能力,同时鼓励其发展出更复杂的推理路径。

为了让模型具备更强的逻辑推理能力,我们在训练策略上也进行了深度优化。基于 Qwen2.5-Omni-Thinker 架构,我们对 GRPO(Group Relative Policy Optimization)方法进行了多项改进:

  • 引入令牌级损失(Token-level Loss),解决长序列训练中常见的不平衡问题;

  • 移除问题级归一化项 ,避免不同难度样本之间的权重偏差;

  • 应用动态 KL 散度机制,在训练初期鼓励探索,在后期稳定收敛,全面提升模型的泛化能力和训练稳定性。

此外,我们还构建了一个高质量的全模态推理训练数据集,其中包含大量图像、视频和音频任务,并附带详细的上下文总结和推理路径标注。这些数据为模型的冷启动训练和强化学习阶段提供了坚实基础。

为了更准确地评估模型在理解人类意图方面的能力,我们推出了全新的评测基准——IntentBench 。该基准包含 633 个视频和 2689 个相关问题,紧密关联视频中的听觉和视觉线索,要求模型不仅要理解全局上下文,还需关注细致观察和复杂社会关系的推理。与以往侧重于感知层面的测试集(如 Daily-Omni 和 WorldSense)相比,IntentBench 更聚焦于评估 AI 对人类行为动机、情感状态和社会互动的深层理解能力。

为了验证 HumanOmniV2 在理解和推理人类复杂意图方面的能力,我们将其在多个主流全模态基准上进行了系统评估。结果显示,HumanOmniV2 在所有测试任务中均表现出色,尤其在新构建的 IntentBench 基准上取得了令人瞩目的成绩。

在 Daily-Omni 上,HumanOmniV2 达到了 58.47% 的准确率,在 WorldSense 上则达到了 47.1% ,而在我们全新推出的、更加注重“深层意图理解”的 IntentBench 上,模型更是取得了高达 69.33% 的准确率。

这些性能提升,得益于我们在模型架构、训练策略以及数据构建上的多项创新设计。HumanOmniV2 通过引入强制上下文总结机制、LLM驱动的多维度奖励体系,以及基于 GRPO 的优化训练方法,在多模态推理方向上进行了有益探索。这一进展标志着 AI 在理解和建模人类复杂意图方面迈出关键一步,为后续研究与应用提供了重要参考。

现阶段 HumanOmniV2 已开源,如果你也对多模态推理感兴趣,欢迎前往以下链接查看论文、了解训练数据及原代码。

➡️ Github

https://github.com/HumanMLLM/HumanOmniV2


➡️ Arxiv

https://arxiv.org/abs/2506.21277


➡️ ModelScope

https://modelscope.cn/models/iic/humanomniv2


➡️ HuggingFace

https://huggingface.co/PhilipC/HumanOmniV2


➡️ IntentBench

https://huggingface.co/datasets/PhilipC/IntentBench

 

Q:Why does the woman sitting closest to the man roll her eyes?

A. She is offended because she feels accused of wrongdoing.

B. The woman is checking her phone.

C. She is admitting that she agrees with what the man is saying.

D. The woman is frustrated with the man because she misunderstands what he's saying.


<context>The woman on the left is wearing a black hat, a denim jacket, and a light blue top, with a noticeable necklace. She is smiling and looking at the paper, occasionally nodding and using gestures to assist in her expression. The woman in the middle is wearing a black hat, a denim jacket, and a light blue top, with a noticeable necklace. She is smiling and looking at the paper, occasionally nodding and using gestures to assist in her expression. The man on the right is wearing a red and black striped hat, glasses, and a black T-shirt, with his arms crossed. He is smiling and looking at the woman in the middle. The three are sitting on a white sofa, with a relaxed and friendly atmosphere, and the background includes a lamp and a pillow.

The conversation involves a lot of fantasy elements, such as "mystery school," "spells," and "giving people poison." The tone of the woman in the middle is rapid and high-pitched, while the man on the right responds in a low and gentle tone. The conversation includes many exaggerated expressions (such as "Oh my God" and "You really eased me into that"), with a clear sense of humor and playfulness.The man on the right does not directly refute the content of the conversation but uses laughter and other responses to ease the atmosphere.</context ><think>Okay, I'm trying to understand why the woman on the left rolled her eyes. I need to look at what she's doing, what the others are saying, and how they're saying it.

First, let me focus on her. I see her roll her eyes, and she's also smiling and looking at a piece of paper.She seems to be nodding and using her hands to help explain something. This makes me think she's not really upset or angry. Her body language, the smile, and the way she's interacting with the paper and her gestures all point to her being engaged, not defensive or frustrated.

Now, let me listen to what they're saying. The man on the right is talking about "giving people poison." That sounds pretty serious. But then, I hear the woman in the middle laugh. She also says things like "You really eased me into that," which sounds like she's making light of the situation. The woman on the left is also smiling and seems to be taking it all in. So, the conversation, despite the "poison" comment, doesn't seem to be a serious argument. It feels more like a playful or exaggerated discussion.

So, putting it all together:

*The eye-rolling happens right when the man mentions "giving people poison." But her smile and the overall friendly vibe of the scene make me think it's not a serious accusation. It feels more like a playful or exaggerated reaction.

*I don't see her looking at a phone; she's clearly focused on the paper and the conversation.

*She's not denying anything or agreeing too strongly; her eye-rolling and smile seem to be a way to handle the potentially sensitive topic.

*And it doesn't seem like she's confused; the conversation flows, and everyone seems to be getting along.

Therefore, I think her eye-rolling is more of an exaggerated, playful reaction to a potentially sensitive topic, rather than a sign of actual anger or confusion.</think><answer>C</answer>


? 文末福利


你认为 HumanOmniV2 可以用在哪些场景中?


欢迎评论区留言,点赞排名第一可获得定制POLO

图片

活动截止时间:2025年7月11日17:00



推荐阅读


ThinkSound:你的专业音效师

如何用泡面预算,喂饱一个手机AI

原文链接: HumanOmniV2 比你还懂“社交潜台词”!
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手