论文提出SWEAR分段难度感知音频推理框架

Yixuan Li、Minghao Lv、Xuenan Xu、Zihao Zheng、Mengyue Wu 等作者发布 arXiv 论文，提出 SWEAR（Section-Wise Efficient Audio Reasoning via Self-Rated Difficulty），一种面向大型音频语言模型的分段难度感知推理框架。该方法通过监督微调学习难度信号，再用强化学习自适应分配各推理阶段的推理资源。 基于论文摘要，在 MMAU-test-mini 和 MMAR 基准上的实验报告了准确率提升，同时大幅减少生成令牌数量，并缩短简单样本的推理长度。

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。