VocalGrad基准：音频语言模型声学感知近随机

研究者 Koki Ryu 与 Hitomi Yanaka 提出 VocalGrad 基准，把声学感知评估简化为判断时间变化方向的二分类任务，以剥离高层推理与语义理解的影响。结果显示，人类标注者准确率很高，而当前最先进的音频语言模型（LALMs）仅接近随机水平。 线性探测进一步揭示两类失败模式：部分类别信息保留在模型内部表示中，但未被语言模型头利用；另一些类别的信息随层数加深逐渐难以线性解码。

AI 根据报道生成 · 55 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。