論文の概要: ALICE: A Multifaceted Evaluation Framework of Large Audio-Language Models' In-Context Learning Ability

• arxiv url: http://arxiv.org/abs/2603.20433v1
• Date: Fri, 20 Mar 2026 19:03:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.907838
• Title: ALICE: A Multifaceted Evaluation Framework of Large Audio-Language Models' In-Context Learning Ability
• Title（参考訳）: ALICE:大規模オーディオ言語モデルのインコンテキスト学習能力の多面的評価フレームワーク
• Authors: Yen-Ting Piao, Jay Chiehen Liao, Wei-Tang Chien, Toshiki Ogimoto, Shang-Tse Chen, Yun-Nung Chen, Chun-Yi Lee, Shao-Yuan Lo,
• Abstract要約: LALM(Large Audio-Language Models)は、劣化した命令追従能力を示す。 音声条件下でのLALMのインコンテキスト学習能力を評価するために,テキスト指導を段階的に削減するフレームワークであるALICEを提案する。
• 参考スコア（独自算出の注目度）: 35.45844102229014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While Large Audio-Language Models (LALMs) have been shown to exhibit degraded instruction-following capabilities, their ability to infer task patterns from in-context examples under audio conditioning remains unstudied. To address this gap, we present ALICE, a three-stage framework that progressively reduces textual guidance to systematically evaluate LALMs' in-context learning ability under audio conditioning. Evaluating six LALMs across four audio understanding tasks under two output constraint categories, we uncover a consistent asymmetry across all stages and LALMs: in-context demonstrations reliably improve format compliance but fail to improve, and often degrade, the core task performance. This suggests that LALMs can glean surface-level formatting patterns from demonstrations but may struggle to leverage cross-modal semantic grounding to reliably infer task objectives from audio-conditioned examples, highlighting potential limitations in current cross-modal integration.
• Abstract（参考訳）: LALM(Large Audio-Language Models)は、劣化した命令追従能力を示すが、音声条件下でのコンテキスト内例からタスクパターンを推論する能力は、まだ研究されていない。 このギャップに対処するため,音声条件下でのLALMのインコンテキスト学習能力を体系的に評価するために,テキスト指導を段階的に削減する3段階フレームワークであるALICEを提案する。 4つの音声理解タスクの6つのLALMを2つの出力制約カテゴリで評価し、すべてのステージとLALMに対して一貫した非対称性を明らかにする。 このことは、LALMがデモから表面レベルのフォーマットパターンを引き出すことができるが、音声条件の例からタスクの目的を確実に推測するために、クロスモーダルなセマンティックグラウンドを活用するのに苦労し、現在のクロスモーダル統合における潜在的な制限を強調していることを示唆している。

関連論文リスト

• SICL-AT: Another way to adapt Auditory LLM to low-resource task [34.82834349882226]
  聴覚大言語モデル(LLM)は,幅広い音声・音声理解タスクにおいて高い性能を示した。 低リソースや不慣れなタスクに適用すると、しばしば苦労します。 In-Context Learning (ICL)は、トレーニングなしの推論時間ソリューションを提供する。
  論文  参考訳（メタデータ） (2026-01-26T19:15:16Z)
• An Evaluation of Interleaved Instruction Tuning on Semantic Reasoning Performance in an Audio MLLM [15.340075567628466]
  本研究は,プロンプト内で音声トークンをインターリーブするMLLMにおいて,インターリーブド・インストラクション・チューニングが与える影響について検討した。 その結果,ゼロショットインターリーブでも推論タスクの性能は向上するが,微調整が少なすぎると結果がさらに改善することがわかった。
  論文  参考訳（メタデータ） (2025-11-04T03:54:55Z)
• AU-Harness: An Open-Source Toolkit for Holistic Evaluation of Audio LLMs [8.918587474371321]
  大規模音声言語モデル(LALM)は急速に進歩しているが、評価は依然として難しい。 LALMの効率的かつ包括的な評価フレームワークであるAU-Harnessを紹介する。 本システムでは,バッチ処理と並列実行を最適化することにより,既存のツールキットよりも最大127%の高速化を実現している。
  論文  参考訳（メタデータ） (2025-09-09T15:30:40Z)
• DeSTA2.5-Audio: Toward General-Purpose Large Audio Language Model with Self-Generated Cross-Modal Alignment [94.0709779805955]
  DeSTA2.5-Audio, a general-purpose Large Audio Language Model (LALM)について紹介する。 タスク固有の音声命令チューニングを必要とせず、頑健な聴覚知覚と指示追従のために設計されている。 DeSTA2.5-Audioは、幅広いオーディオ言語ベンチマークで最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-07-03T16:28:25Z)
• From Alignment to Advancement: Bootstrapping Audio-Language Alignment with Synthetic Data [55.2480439325792]
  音声対応の大規模言語モデル(ALLM)は近年,音声入力の理解と処理において大きな進歩を遂げている。 これらのモデルは典型的にはテキストベースの大規模言語モデル(LLM)に適応し、音声関連タスクのさらなるトレーニングを行う。 本研究では、現在と欠落した音を区別するALLMの能力を高めるために、コントラッシブな訓練データを生成するデータ生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-26T16:08:41Z)
• Speech-IFEval: Evaluating Instruction-Following and Quantifying Catastrophic Forgetting in Speech-Aware Language Models [49.1574468325115]
  本稿では,命令追従能力を評価するための評価フレームワークであるSpeech-IFevalを紹介する。 近年のSLMは,音声認識を大規模言語モデル (LLM) と統合し,音声中心の訓練によるテキスト能力の低下を招いている。 以上の結果から, SLM はテキストベースの LLM よりもはるかに高い性能を示し, 基本命令にも耐え難いことが示唆された。
  論文  参考訳（メタデータ） (2025-05-25T08:37:55Z)
• LiSTEN: Learning Soft Token Embeddings for Neural Audio LLMs [29.853196429972204]
  LiSTENは、大規模な言語モデルをオーディオ言語タスクに適用するためのフレームワークである。 提案手法は,大規模ASRやキャプションデータセットへの依存を低減し,トレーニング可能なパラメータの少ない競合性能を実現し,シングルステージプロセスによるトレーニングを簡略化する。
  論文  参考訳（メタデータ） (2025-05-24T05:28:22Z)
• DeSTA2: Developing Instruction-Following Speech Language Model Without Speech Instruction-Tuning Data [84.01401439030265]
  最近のエンドツーエンド言語モデル(SLM)は、大規模言語モデル(LLM)の機能に拡張されている。 音声とテキストのペアデータを生成するための,シンプルで効果的な自動処理手法を提案する。 本モデルでは,音声教育データを必要としない音声関連タスクの汎用性を示す。
  論文  参考訳（メタデータ） (2024-09-30T07:01:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。