arXiv cs.AI· Hongyu Jin, Siyi Wang, Yang Xiao, Jiaheng Dong, Shihong Tan, Kaiyuan Peng, Georgiana Juravle, Shanquan Chen, Gongping Huang, Hong Jia, Eun-Jung Holden, James Bailey, Ting Dang·· 3 天前AI 评分32
RAIL：基于 CHC 框架重新审视大型音频语言模型的听觉智能评测
RAIL: Rethinking Auditory Intelligence in Large Audio-Language Models with a CHC-Grounded Benchmark
AI 导读
研究者提出 RAIL——一个基于 Cattell-Horn-Carroll（CHC）框架、以人为中心的听觉智能基准，将听觉认知形式化为五项核心能力并构建结构化评测任务。
正文 · AI 翻译
作者：Hongyu Jin、Siyi Wang、Yang Xiao、Jiaheng Dong、Shihong Tan、Kaiyuan Peng、Georgiana Juravle、Shanquan Chen、Gongping Huang、Hong Jia、Eun-Jung Holden、James Bailey、Ting Dang
摘要：人类通过音频感知、音频推理和记忆等多种认知能力来处理丰富的听觉环境。尽管大型音频语言模型（LALMs）近期取得了进展，但当前的评估仍主要围绕任务或领域展开，关注最终性能而忽视了底层的听觉认知行为。人类对听觉认知的理解方式与 LALMs 的评估方式之间的这一差距，阻碍了对模型底层能力行为的解释，也限制了与人类听觉目标的对齐。我们提出了 RAIL，一个以人为中心、基于 Cattell--Horn--Carroll（CHC）框架的基准，该框架将听觉认知形式化为五种核心能力，并通过有原则的数据整理和与人类对齐的评估协议，将其发展为结构化的评估任务。对 26 个 LALMs 的评估显示，它们在知识相关任务上表现强劲，但听觉感知和记忆较弱，反映出对基于语言的预训练的依赖。听觉场景下推理能力有限，进一步表明现有训练范式与类人听觉推理之间存在不匹配，以及以效率为代价的过度推理。六个 LALMs 在总体上超过人类表现，而听觉处理均落后于人类。总体而言，RAIL 为听觉智能的与人类对齐评估建立了一个新框架。
| 评论： | 被 NeurIPS 2026 接收为海报展示。代码：此 https URL ；数据集：此 https URL ；项目页面：此 https URL |
| 主题： | 声音（cs.SD）；人工智能（cs.AI） |
| 引用为： | arXiv:2606.11260 [cs.SD] |
| （或 arXiv:2606.11260v2 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.11260 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Hongyu Jin [查看电子邮件]
[v1]
2026年6月9日星期二 02:38:17 UTC（9,608 KB）
[v2]
2026年10月11日星期日 00:42:42 UTC（9,608 KB）
来源：arXiv cs.AI · arxiv.org