意图识别是人机交互的核心任务，需要机器人通过推断说话者的潜在目标来消解自然语言指令中的歧义。近年来，研究主要围绕两大范式展开：结构化符号推理（如 FISER）和多模态输入丰富（如 CEMIR）。前者利用社会与具身推理框架对文本进行逻辑演绎，后者则通过文本提示生成叙事和光照真实感图像，以期提供额外的语义线索。
本文在 HandMeThat v2 基准上，对四种大语言模型（从 Qwen2.5‑Omni‑3B 到 GPT‑5）分别使用 FISER 与 CEMIR 进行实验，并对四种难度层级进行统计检验。采用多重比较校正后，所有模型‑难度组合的性能差异均未达到显著水平，CEMIR 的叙事与视觉模块的消融实验亦得到相同结论。
进一步分析表明，模型的底层能力和任务本身的歧义难度是性能的主要决定因素，而非是否加入合成的多模态信息。当任务约束已完整体现在文本指令中时，基于文本的多模态增强并未带来可观提升。
这些结果为文本驱动的多模态增强设定了边界条件，提示在已有充分文本信息的情境下，结构化推理仍是更直接且有效的方案。
点评