文本接口设计影响音频视觉问答的提示优化效果

Yi Wang 等人在 arXiv 发表论文，研究文本接口设计如何影响音频视觉问答（AVQA）任务中大语言模型的自动提示优化，并比较单一全模态模型、字幕生成器—推理器结构和多智能体架构三种方案。 基于论文摘要，Qwen3-Omni 与 Gemini 实验显示，直接对单一模型做提示优化的收益依赖具体模型；字幕生成器—推理器和智能体式接口提供更易解释的优化界面，但更难优化。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。