arXiv · AI· Yuhuan You, Lai Wei, Tianshu Qu·· 10 天前AI 评分28
TWNM框架:基于FOA模拟的大型音频语言模型空间理解
The World is Not Mono: Enabling Spatial Understanding in Large Audio-Language Models
AI 导读
研究提出TWNM框架,通过FOA模拟和空间特征融合提升音频语言模型的空间理解能力。 在自建基准测试中,TWNM整体准确率达70.8%,空间任务66.4%,混合场景QA 79.76%。 该方法实现了可控且可审计的空间音频语言推理,并在NeurIPS 2026发表。
来源:arXiv · AI · arxiv.org