Georgii Gospodinov

新研究解决了大型语言模型中的多音频和时间定位挑战

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。