文章总结与翻译一、主要内容本文聚焦多模态大语言模型（MLLMs）时代的面部表情识别（FER）任务，核心解决传统FER模型及现有MLLMs在该任务中的局限性。背景与问题：传统FER模型存在语义信息丢失、可解释性差、数据集适配性低（需为不同数据集单独训练）等问题；现有MLLMs虽具备任务适应性和扩展性优势，但在FER任务中存在推理能力不足、可解释性欠缺、情感识别准确率有限等缺陷。核心贡献：提出首个专门评估MLLMs面部表情识别能力的基准测试集FERBENCH，整合4个主流FER数据集的11K图像，对20个顶尖MLLMs进行系统评估，揭示其性能瓶颈。构建两个高质量大规模数据集：UNIFER-CoT-230K（用于冷启动初始化的思维链数据集）和UNIFER-RLVR-360K（用于带可验证奖励的强化学习数据集）。设计两阶段后训练方案（冷启动监督微调SFT + 带可验证奖励的强化学习RLVR），基于Qwen2.5-VL-7B开发出统一、可解释的FER基础模型UNIFER-7B。实验结果：UNIFER-7B在FERBENCH上达到68.84%的准确率，超越Gemini-2.5-Pro、Qwen2.5-VL-72B等主流MLLMs，且在可解释性上实现突破，能提供清晰的推理轨迹和自我反思过程。二、创新点