arXiv · cs.AI· Yi Wang, Tianzi Wang, Tong Lei, Dahan Wang, Peter Bell·· 5 小时前
音频视觉问答中用于增强大语言模型推理的文本接口设计
Designing Textual Interfaces To Enhance Llm Reasoning On Audio-Visual Question Answering
arXiv:2610.20085v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Yi Wang, Tianzi Wang, Tong Lei, Dahan Wang, Peter Bell
研究任务与主要进展
Yi Wang等人研究文本接口设计如何影响音频视觉问答中的自动提示优化，并比较单一全模态大语言模型、字幕生成器—推理器和多智能体架构。基于论文摘要，Qwen3-Omni与Gemini实验显示，直接提示优化的效果依赖模型；字幕生成器—推理器和智能体接口提供更易解释的优化界面，但更难优化。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org