提出HLR-AVSceneQA基准与HLR-LLM模型

2026年10月16日，arXiv Computer Vision 刊出 Kim Sung-Bin 等作者的研究，提出 HLR-AVSceneQA 基准与 HLR-LLM 模型，面向音视频大语言模型的空间感知场景理解。据该报道，HLR-AVSceneQA 按“听—定位—推理”层级评估模型：能否识别听到的内容、在自我中心与异我中心视角下定位声源，并利用这些定位声源推理其与视觉场景的关系。HLR-LLM 则在强音视频基础模型上，于单声道语义音频通路之外增加双耳空间音频分支，并采用含末阶段链式推理监督的课程训练。目前报道仅介绍该基准与模型的提出及设计思路，未给出评测结果、对比数据或后续进展。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。