目录
引言
你有没有试过把一幅漫画发给 AI，让它解释哪里好笑？
答案往往令人啼笑皆非。AI 模型能看懂里面的物体，却常常把笑点理解错。例如，一幅漫画画的是火箭差点撞到圣诞老人，AI 却解释成“圣诞老人正在劫持火箭”。这就是多模态模型（LMMs, Large Multimodal Models）面临的典型问题：它们能识别图像元素，却很难理解笑点和叙事。
本文要介绍的 PixelHumor 项目，就是为了系统评估 LMMs 在“理解漫画幽默”上的真实能力。研究团队收集并标注了 2800 幅网络漫画，构建了一个多任务基准，用来全面考察模型的多模态幽默理解能力。
为什么研究漫画幽默
幽默不仅仅是“好玩”。它是人类社交智能的重要组成部分，涉及抽象思维、语境推理、文化理解和情绪感知。
-
在人类交往中：幽默能缓解紧张、增进亲密感。 -
在认知发展中：理解笑话常常需要跨越逻辑、语言和图像的边界。 -
在 AI 研究中：如果 AI 能理解幽默，就意味着它具备了更高级别的“社会智能”。
但现实是，即使 GPT-4o 这样的先进模型，也常常只能识别物体，却难以真正理解笑点背后的语境和文化。
PixelHumor 数据集的诞生
数据来源
研究团队从七个著名漫画源收集了 2800 幅漫画，包括：
-
Cyanide and Happiness（黑色幽默） -
Peanuts 花生漫画（拟人化） -
Garfield 加菲猫（轻松日常） -
XKCD（科技讽刺） -
PhD Comics（学术讽刺） -
They Can Talk（动物拟人） -
SMBC（荒诞哲思）
这些漫画代表了不同的幽默风格，保证了数据的多样性。
幽默风格分类
研究团队将漫画中的幽默分为八类：
| 风格 | 特点 |
|---|---|
| 对比 (Comparison) | 通过比较两者的异同制造笑点 |
| 拟人 (Personification) | 让动物或物体具备人的特质 |
| 夸张 (Exaggeration) | 把场景或动作夸张到荒诞 |
| 双关 (Pun) | 利用词语的歧义或谐音 |
| 讽刺 (Sarcasm) | 表面和真实意图相反 |
| 无厘头 (Silliness) | 荒唐或不合逻辑的场景 |
| 意外 (Surprise) | 出乎意料的反转 |
| 黑色幽默 (Dark) | 涉及禁忌或不适话题 |
标注流程
-
标注人员：8 名大学生，经过两周培训。 -
流程：每人先做试标注，再进入正式任务。 -
一致性：两人标注一组，若有分歧，第三人仲裁。 -
质量控制：每批 100 幅漫画，抽查 10 幅确保准确。
这种严格流程保证了标注的客观性和可靠性。
数据分析
研究团队做了三方面的统计：
-
音效的作用
-
85% 的漫画没有音效。 -
有音效的漫画里，70% 使用拟声词（如 BAM!, POW!），通常增强了动作场景的喜剧效果。
-
-
文本 vs 图像
-
52% 的笑点主要来自文本。 -
32% 来自图像与文本的结合。 -
16% 基本不搞笑（被标记为 NA）。
-
-
风格分布
-
意外（Surprise）最多，占 35%。 -
拟人（Personification）28%。 -
黑色幽默最少，仅 5%。
-
这说明：理解漫画幽默不仅是读文字，还要结合视觉线索和叙事节奏。
实验设计与任务设置
PixelHumor 提供了四类核心任务：
幽默识别
能否判断漫画是否搞笑？能否指出笑点在哪个画格？
幽默分类
能否把漫画归入正确的幽默风格类别（如讽刺、夸张）？
幽默解释
能否用自然语言解释漫画为什么好笑？
顺序识别
能否把打乱顺序的漫画画格排回正确的叙事顺序？
这些任务覆盖了从低层次感知到高层次推理的不同维度。
实验结果
识别幽默：容易，但不深刻
几乎所有模型在“判断漫画是否搞笑”上都能做到接近 100% 准确率。但这部分数据集中大多数漫画本来就是搞笑的，所以高分未必代表真正理解了笑点。
分类幽默：模型容易“跑偏”
-
最容易识别的是 拟人，因为动物说话的画面非常直观。 -
最难的是 讽刺 和 黑色幽默，因为需要深层语境和文化理解。 -
一些小模型甚至总是给所有漫画判定同一种风格，严重失真。
解释幽默：人类依旧遥遥领先
-
GPT-4o 生成的解释在评分上最高，但仍不如人类解释自然。 -
人类的解释在 70 个样本里有 69% 被认为最佳。 -
小模型常常“胡编笑点”或给出模板化的解释。
顺序识别：叙事连贯性是最大难题
-
GPT-4o 和 Gemini-1.5-Pro 的顺序识别率也不到 65%。 -
大多数模型习惯性按“从左到右，从上到下”排序，而不是理解叙事逻辑。 -
文本排序的结果更糟糕，小模型常常漏掉台词或重复生成。
讨论：模型为何“笑不出来”
-
依赖表层线索：模型更多是数物体、抓关键词，而不是理解故事。 -
难以处理长序列：漫画往往要经过数格铺垫，模型容易丢失上下文。 -
多模态融合不足：视觉和文本往往是割裂处理的，而幽默恰恰来自二者的结合。 -
文化语境差异：比如黑色幽默和讽刺更依赖社会背景，模型缺少这种知识。
局限性与未来方向
PixelHumor 的局限：
-
主观性：幽默因人而异，即使标注员之间也会有分歧。 -
数据类型有限：只涵盖静态漫画，没有视频、动画里的幽默。 -
文化偏差：大部分数据是英文漫画，主要反映西方幽默。
未来可以扩展到更多语言和文化，甚至动态视频，以全面考察 AI 的社会智能。
常见问题 FAQ
Q: PixelHumor 数据集可以用来训练 AI 吗？
A: 不能。它仅用于评估，研究团队只发布漫画的链接而非原始图片。
Q: 为什么 LMMs 在识别幽默时表现差？
A: 因为幽默涉及叙事、文化和语境，而当前模型主要依赖表层模式匹配。
Q: 哪类幽默最容易被模型理解？
A: 拟人化，因为画面和文本提示都比较直观。
Q: 人类在哪些方面仍然遥遥领先？
A: 在解释幽默、把握叙事节奏，以及理解讽刺和黑色幽默上，人类目前无可替代。
结语
PixelHumor 提供了第一个系统化的多模态幽默评测框架。结果显示：
-
模型能识别“搞笑与否”，却难以真正理解笑点。 -
模型对直观幽默有优势，但在讽刺、黑色幽默和叙事连贯性上严重落后于人类。 -
真正的挑战在于 跨模态、跨文化、跨语境的综合理解。
换句话说，AI 还不会像人一样“笑”。而这，或许正是未来多模态智能研究最有趣、也最艰难的一步。
