SarcasmMiner：一种用于鲁棒视听讽刺推理的双轨后训练框架

多模态讽刺检测需要通过跨模态推理解决文本、声学和视觉线索间的语用不一致。为使基础模型具备鲁棒的讽刺推理能力，本文提出 SarcasmMiner，一种基于强化学习的后训练框架，旨在抵抗多模态推理中的幻觉。该方法将讽刺检测重构为结构化推理，采用双轨蒸馏策略：利用高质量教师轨迹初始化学生模型，同时使用全量轨迹训练生成式奖励模型以评估推理质量。学生模型通过群相对策略优化（GRPO）进行优化，采用解耦的准确性与推理质量奖励。在 MUStARD++ 数据集上，F1 分数从零射的 59.83% 和监督微调的 68.23% 提升至 70.22%。结果表明，感知推理的奖励建模增强了性能及多模态 grounding 能力。