PulseAugur
中
实时 10:01:12
English(EN) MUGEN: Evaluating and Improving Multi-audio Understanding of Large Audio-Language Models

新研究解决了大型语言模型中的多音频和时间定位挑战

作者 PulseAugur 编辑部 · [2 个来源] ·

两篇新研究论文介绍了改进大型音频语言模型（LALM）能力的方法。第一篇，MUGEN，提出了一个用于评估多音频理解的基准，并确定输入缩放是一个瓶颈，提出了诸如音频置换自洽性等无需训练的策略来提高准确性。第二篇，GigaChat Audio，专注于长音频录音中的时间定位，开发了一个时间感知的LLM，该模型可以使用大规模合成监督在长时间内以明确的时间戳回答问题。 AI

影响 这些进展可能带来更复杂的AI系统，能够理解和处理复杂的听觉信息，从而改进转录、内容分析和人机交互等领域的应用。

排序理由 两篇arXiv论文介绍了用于音频语言处理的新基准和模型。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新研究解决了大型语言模型中的多音频和时间定位挑战

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Chih-Kai Yang, Yun-Shao Tsai, Yu-Kai Guo, Ping-Le Tsai, Yen-Ting Piao, Hung-Wei Chen, Ting-Lin Hsiao, Yun-Man Hsu, Ke-Han Lu, Hung-yi Lee ·

    MUGEN: Evaluating and Improving Multi-audio Understanding of Large Audio-Language Models

    arXiv:2603.09714v2 Announce Type: replace-cross Abstract: While multi-audio understanding is critical for large audio-language models (LALMs), it remains underexplored. We introduce MUGEN, a comprehensive benchmark evaluating this capability across speech, general audio, and musi…

  2. arXiv cs.CL TIER_1 English(EN) · Aleksandr Kutsakov, Mariia Sadovina, Georgii Gospodinov, Alexandr Maximenko, Oleg Kutuzov, Pavel Bogomolov, Fyodor Minkin ·

    GigaChat Audio: Time-aware Large Audio Language Model

    arXiv:2607.10387v1 Announce Type: cross Abstract: Temporal grounding in long recordings remains challenging for audio-conditioned LLMs. We present a time-aware audio LLM that answers questions with explicit timestamps over up to 120 minutes of input. Our approach interleaves peri…

相关实体

相关话题