Zespół badawczy opracował agentalny framework do rozpoznawania emocji w rozmowach multimodalnych, który omija kosztowne fine-tuning poprzez smart'ową architekturę opartą na zamrożonych modelach. System składa się z trzech kluczowych komponentów: agentów percepcji analizujących oddzielnie dane wizualne, akustyczne i leksykalne; agenta integracyjnego łączącego obserwacje z pobranymi przykładami multimodalnymi; oraz krytyka MLLM mogącego zażądać jednej rewizji przed finalizacją wyniku.
Inowacyjnym elementem jest osobny etap weryfikacji opartej na dowodach, który działa jako kontrola jakości dla predykcji systemu. Zamiast akceptować każdy wynik, weryfikator przeprowadza deterministyczne sprawdzenia, czy wszystkie cytowane źródła rzeczywiście wspierają wygenerowane twierdzenia dotyczące emocji. Gdy system popełnia błąd, algorytm automatycznie identyfikuje, który agent lub etap picu niepowodzenie - czy to problem w percepcji wizualnej, analizie tonacji, integracji danych czy logiki wnioskowania.
Błędy są następnie grupowane według odpowiedzialnego komponentu i typu anomalii, a system konwertuje je na ukierunkowane poprawki promptów bez modyfikacji wag modelu. Te prompt patches są akceptowane wyłącznie po walidacji na odrębnym zbiorze testowym. Na benchmarku MER2025 ta adaptacyjna strategia konsekwentnie przewyższa statyczne pipeline'e we wszystkich czterech testowanych dużych modelach multimodalnych, oferując praktyczną metodę iteracyjnego udoskonalania systemów bez ponownego trenowania.