arXiv cs.AI· Ying Fang, Zhifu Gao, Qing Gu, Jiajun He, Kangqi Jing, Xiangang Li, Yu Pu, Wupeng Wang·· 2 天前AI 评分35
Qwen-Audio-Jev：面向音频决策的统一接口
Qwen-Audio-Jev: A Unified Interface for Audio Decisions
AI 导读
阿里 Qwen 团队提出 Qwen-Audio-Jev，在 Qwen-Audio-3.1-ASR-Flash-Next 上增加专用 Jev 决策头，用 CHOICE、NOUL、SCORE 三种决策原语统一音频选择、二分类判断与打分，直接输出任务条件概率分布或数值分数。
正文 · AI 翻译
摘要：大型音频语言模型（LALM）在音频理解方面已取得实质性进展。然而，在需要频繁选择、判断和评分的高吞吐量应用中，自回归文本生成会带来额外的计算开销和响应延迟。为解决这一局限，我们通过为 Qwen-Audio-3.1-ASR-Flash-Next 增加专用的 Jev 决策头，提出了 Qwen-Audio-Jev。该模型通过三种决策原语统一了选择、二元判断和评分：CHOICE、NOUL 和 SCORE。给定音频、自然语言问题和明确的答案规范，它通过类型化决策读出直接生成任务条件概率分布或数值分数。在覆盖全部三种原语的 18 个标注配置上的评估显示：对于 CHOICE，Qwen-Audio-Jev 在 MMAU-mini 上达到 78.70% 的准确率，在 MMSU 上达到 84.06%；对于 NOUL，它在 VoxCeleb1-O 说话人验证基准上达到 6.50% 的等错误率；对于 SCORE，该模型在 NISQA 整体质量评估上达到 0.1062 的归一化平均绝对误差，Pearson 和 Spearman 相关系数分别为 0.8210 和 0.8074。与原始 Qwen-Audio-3.1-ASR-Flash-Next 相比，Qwen-Audio-Jev 实现了约 20 倍的推理加速。它展示了在大规模音频筛选、说话人验证和自动化质量评估等应用中实现高效、高吞吐量音频决策的潜力。
| 学科： | 声音（cs.SD）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.21614 [cs.SD] |
| （或此版本的 arXiv:2610.21614v1 [cs.SD]） | |
| https://doi.org/10.48550/arXiv.2610.21614 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Qing Gu [查看电子邮件]
[v1]
2026年10月15日星期四 09:59:07 UTC（129 KB）
来源：arXiv cs.AI · arxiv.org