English(EN) What Did the MLLM Hear? Token-Level Spectro-Temporal Grounding for Audio MLLM Explainability

新框架 STAG 解释音频 MLLM 的推理过程

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-14 04:00

研究人员开发了 STAG，一个新颖的事后框架，旨在解释基于音频的多模态大语言模型（MLLM）的推理过程。该系统提供令牌级频谱时域对齐，识别输入音频信号的具体哪些部分对每个生成的文本令牌做出了贡献。STAG 在多个基准测试中实现了卓越的事件定位性能，并且无需参数更新即可成功应用于各种音频-语言模型。 AI

影响提供了一种理解和调试基于音频的多模态大语言模型的新方法。

排序理由该集群包含一篇学术论文，详细介绍了音频 MLLM 可解释性的新研究框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 24 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇学术论文，详细介绍了音频 MLLM 可解释性的新研究框架。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Lucia Cascone, Valeria Fraenza, Michele Nappi, Fabio Narducci, Benedetto Simone · 2026-09-14 04:00

MLLM 听到了什么？用于音频 MLLM 可解释性的令牌级频谱时域对齐

arXiv:2609.12663v1 Announce Type: cross Abstract: Audio-based Multimodal Large Language Models (MLLMs) can generate detailed natural-language descriptions of complex acoustic scenes, yet it remains unclear which parts of the input audio support each generated token. This is parti…

本文如何被排名

报道来源 [1]

MLLM 听到了什么？用于音频 MLLM 可解释性的令牌级频谱时域对齐

相关实体

相关话题