VocalGrad基准揭示音频语言模型感知局限

发生了什么

据arXiv cs.CL发布的论文，研究团队推出VocalGrad基准以评估大型音频语言模型（LALMs）的低层声学感知能力。该基准通过时间变化方向的二元分类任务，剥离高层推理干扰。结果显示，尽管人类标注者准确率高，但最先进的LALMs表现接近随机水平。线性探测进一步揭示了模型内部表示的结构瓶颈与失败模式。