2026年10月26日，一篇题为《An Agentic Approach with Evidence-Grounded Verification for Multimodal Emotion Reasoning in Conversation》的预印本论文在arXiv平台发布（编号2610.31685v1），提出一种新型可追溯、可验证的多模态情绪推理智能体框架。
该框架由视觉、声学与文本模态专用的感知智能体组成，各智能体在共享看板上发布带证据引用的观测结果；集成智能体结合这些观测与检索到的多模态示例，生成情绪描述、标签集及支撑性引证，并由MLLM批评者最多发起一次修订；最终输出前，独立的证据验证阶段执行确定性检查与蕴含判断，确保所有主张均有有效证据支持。
对验证失败案例，系统按责任组件与错误类型分组，生成靶向提示补丁（prompt patches），仅在预留验证集上确认有效后才采纳——全程不更新模型权重。在MER2025数据集测试中，该方法在VideoLLaMA3-2B、Phi-3.5-vision-instruct、Qwen2.5-VL-7B-Instruct和InternVL2.5-38B四款开源多模态大模型上均优于静态冻结流水线，F-score提升幅度为0.6至2.2分，其中Qwen2.5-VL-7B从52.3提升至54.5。
论文强调其方法规避了指令微调的高算力开销，同时解决了智能体系统错误溯源难的问题，但未报告实际部署场景、实时性指标或人类评估结果；所有实验均基于预发布的MER2025数据集与公开模型，未涉及商业系统或私有数据。