多模态意图识别

面向意图识别的层次语义表示驱动的进化式多模态推理

Evolutionary Multimodal Reasoning via Hierarchical Semantic Representation for Intent Recognition

把多模态语义组织成 token 级、概念级、概念关系级三层表示，再用 CoT 提示注入 MLLM 做逐步推理，并借 MLLM 反馈在推理时迭代精炼表示——这套「层次语义 + 自进化提示」流程可直接迁移到视觉问答、视觉定位等需要多粒度视觉语义推理的任务。