Offload Rethinking by Cloud Assistance for Efficient Environmental Sound Recognition on LPWANs
University of California, San Diego（加利福尼亚大学圣迭戈分校）
针对LPWAN下端侧环境声音识别精度低、云卸载通信成本高的问题，提出云辅助系统ORCA，通过自注意力子谱特征选择实现高效推理，在保持精度的同时大幅提升节能与延迟性能。
2025-03-21 cs.AI cs.DC cs.NI
Batch Prompting Suppresses Overthinking Reasoning Under Constraint: How Batch Prompting Suppresses Overthinking in Reasoning Models
George Mason University（乔治·马歇尔大学）；Google（谷歌）；eBay
批量提示通过减少推理标记和抑制过度推理行为，提升推理模型的效率和可靠性。
2026-02-20 cs.CL
Listen, See and Track: Spatio-Temporal Audio-Visual Sound Event Reasoning for Omni-Modal Language Models
针对现有模型缺失的时空视听推理能力，构建ST-OmniQA基准，提出ST-Omni-R1模型，在该基准上平均语义准确率达77.83%，且空间运动表示可跨基准迁移。
2026-08-11 cs.AI
Make Some Noise: Towards LLM audio reasoning and generation using sound tokens
KTH Royal Institute of Technology（瑞典皇家理工学院）；Microsoft Research（微软研究院）
本研究提出结合变分量化与条件流匹配的音频标记方法，实现0.23kbps超低比特率离散标记，使LLM具备音频理解与生成能力，并在音频理解上达到先进水平，但生成效果有待提升。
2025-03-28 cs.AI cs.SD eess.AS
Batch-of-Thought: Cross-Instance Learning for Enhanced LLM Reasoning
Duke University（杜克大学）；ByteDance Inc.（字节跳动公司）
本文提出Batch-of-Thought方法，通过联合处理相关查询实现跨实例学习，提升LLM推理准确性和效率，实验显示在多个基准测试中显著降低推理成本。
2026-05-10 cs.AI
Decoding on Graphs: Faithful and Sound Reasoning on Knowledge Graphs through Generation of Well-Formed Chains
The Chinese University of Hong Kong（香港中文大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出无需训练的DoG框架，通过图感知约束解码让LLM在知识图谱上生成良构事实链，从而为KGQA提供忠实可靠的推理轨迹，并在多任务、多模型上表现优异。
2024-10-24 cs.CL
Exploring bat song syllable representations in self-supervised audio encoders
Institute for Logic, Language and Computation, University of Amsterdam（阿姆斯特丹大学逻辑、语言与计算研究所）；Museum für Naturkunde, Leibniz Institute for Evolution and Biodiversity Science（莱布尼茨进化与生物多样性科学自然博物馆）
本研究分析自监督音频编码器对蝙蝠鸣叫音节的表征能力，发现预训练于人类语音的模型区分效果最佳，为跨物种迁移学习在蝙蝠生物声学中的应用奠定基础。
2024-09-19 cs.AI cs.LG cs.SD
An automatic analysis of ultrasound vocalisations for the prediction of interaction context in captive Egyptian fruit bats
Technical University of Munich（慕尼黑工业大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；Imperial College London（帝国理工学院）
本文提出利用深度神经网络自动分析圈养埃及果蝠的超声发声，以预测其交互情境，未加权平均召回率超过30%，显著优于随机水平，推动了从声音自动分析动物状态的研究。
2024-06-10 cs.SD eess.AS
Sound and Complete Neurosymbolic Reasoning with LLM-Grounded Interpretations
University of Amsterdam（阿姆斯特丹大学）；University of Southern California（南加州大学）；Rensselaer Polytechnic Institute（拉特格斯理工学院）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
提出将LLM直接集成到次协调逻辑的语义解释函数中，实现可靠且完备的神经常识推理，在GPQA和SimpleQA基准上宏F1提升约6个百分点，并成功检测药物安全知识库中的矛盾。
2026-06-07 cs.AI cs.CL cs.LO
Multi-Domain Audio Question Answering Benchmark Toward Acoustic Content Reasoning
NVIDIA；University of Maryland, College Park（马里兰大学 College Park 分校）；University of Science and Technology of China（中国科学技术大学）；Seoul National University（首尔国立大学）；Adobe
DCASE 2025挑战赛提出多领域音频问答基准，通过生物声学、时间声音景观和复杂问答子集测试音频-语言模型在多样声音场景中的交互式问答能力，推动音频理解和推理能力发展。
2026-03-09 cs.AI cs.CL cs.MM
BatteryAgent: Synergizing Physics-Informed Interpretation with LLM Reasoning for Intelligent Battery Fault Diagnosis
Department of Automation Tsinghua University Beijing, China（自动化系 清华大学 北京）
BatteryAgent结合物理知识与LLM推理，实现智能电池故障诊断的可解释性与高准确性。
2025-12-31 cs.AI cs.SY eess.SY
SmolTulu: Higher Learning Rate to Batch Size Ratios Can Lead to Better Reasoning in SLMs
Saudi Data & Artificial Intelligence Authority（沙特数据与人工智能局）
本研究提出指令微调模型SmolTulu，发现学习率与批量大小的比值对不同任务性能影响有差异，据此优化的模型在20亿参数以下模型的指令跟随与推理任务上达到SOTA，并开源相关资源助力高效模型对齐研究。
2024-12-11 cs.AI cs.CL
Expert-Guided LLM Reasoning for Battery Discovery: From AI-Driven Hypothesis to Synthesis and Characterization
Université de Montréal（蒙特利尔大学）；University of Oxford（牛津大学）；University College London（伦敦大学学院）；Mila - Québec AI Institute（魁北克人工智能研究所）；CIFAR AI Chair（CIFAR人工智能 chair）；University of Ottawa（渥太华大学）；National Research Council Canada（加拿大国家研究理事会）
本文提出专家引导的智能体框架ChatBattery，将领域知识融入大语言模型推理，成功发现三种新型锂离子电池正极材料，容量较NMC811分别提升28.8%、25.2%和18.5%，展示了AI驱动材料发现全流程的可行性。
2025-07-21 cs.AI cs.LG
Batch-wise Adaptive Pruning: Periodic Neuron Activation-Aware Weight Pruning for Language Reasoning Model
The University of Tokyo（东京大学）
本研究针对语言推理模型批量推理下自适应剪枝性能下降的问题，提出带周期性top-k选择和激活记忆的无训练剪枝方法，在DeepSeek-R1-Distill-Qwen-7B上实现39.7个百分点准确率提升与1.40倍推理加速。
2026-08-17 cs.CL
Heterogeneous sound classification with the Broad Sound Taxonomy and Dataset
Universitat Pompeu Fabra（庞培法布拉大学）
本文构建含28类的两级 Broad Sound Taxonomy 及人工标注数据集，比较传统与现代声音分类方法，证明融合声学和语义信息的预训练音频嵌入准确率更高。
2024-10-01 cs.AI cs.SD eess.AS
CoT-Kinetics: A Theoretical Modeling Assessing LRM Reasoning Process
Ludwig Maximilian University of Munich（慕尼黑路德维希-马克西米利安大学）；Munich Research Center, Huawei Technologies（华为技术有限公司慕尼黑研究中心）；School of Computer Science, Wuhan University（武汉大学计算机学院）；Munich Center for Machine Learning（慕尼黑机器学习中心）
针对现有方法难以准确评估大型推理模型（LRM）输出质量、无法反映推理与答案因果关系的问题，受经典力学启发提出CoT-Kinetics能量方程，通过建模token状态转换过程评估推理合理性，实现LRM输出质量的精准衡量。
2025-05-19 cs.AI cs.CL
Cell-o1: Training LLMs to Solve Single-Cell Reasoning Puzzles with Reinforcement Learning
National Institutes of Health（美国国立卫生研究院）；University of Virginia（弗吉尼亚大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对单细胞注释中批次级推理不足的问题，提出CellPuzzles基准和Cell-o1模型，通过监督微调与批次级奖励强化学习，使7B模型性能超越o1达73%以上。
2025-06-03 cs.AI cs.CE cs.CL
The NIGENS General Sound Events Database
Technische Universität Berlin（柏林工业大学）
计算听觉景物分析近年来受到越来越多的关注。在语音识别的更成熟领域之后，特别是一般的声音事件检测正吸引越来越多的关注。训练和测试合理的模型的关键是有足够的合适的数据-直到最近，一般的声音事件数据库很难找到。我们发布并提供了一个数据库，其中包含714个wav文件，其中包含14种不同类型的孤立的高质量声音事件，加上303个“一般”wav文件，但这14种类型。所有的声音事件都被强烈地标记为感知的开启和偏移时间，注意省略中间的沉默。孤立声音事件的数量、注释的质量以及特定的一般声音类别将NIGENS与其他数据库区分开来。
2020-01-01 cs.LG cs.MM cs.SD
RoRecomp: Enhancing Reasoning Efficiency via Rollout Response Recomposition in Reinforcement Learning
Tencent Youtu Lab（腾讯优图实验室）；Fudan Univeristy（复旦大学）；Nankai University（南开大学）
本文提出即插即用的 RoRecomp，通过重组在线 rollout 响应形成优先与补偿批次，在保持性能稳定的同时显著缩短推理长度并减少智能体工具调用。
2025-09-30 cs.AI cs.CL
Large Language Models as Pokémon Battle Agents: Strategic Play and Content Generation
Birla Institute of Technology and Science, Pilani, India（比拉理工学院和科学学院，比兰）
本文研究了大型语言模型在宝可梦战斗中的战略决策能力及内容生成能力，展示了其作为动态游戏对手和设计者的潜力。
2025-12-19 cs.AI cs.CL
Batched Contextual Reinforcement: A Task-Scaling Law for Efficient Reasoning
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Tsinghua University（清华大学）
本文提出批量上下文强化方法，通过在共享上下文窗口中同时解决多个问题，实现高效推理，减少token消耗并提升准确性。
2026-04-02 cs.AI cs.CL cs.LG
Evaluating Intermediate Reasoning of Code-Assisted Large Language Models for Mathematics
Saarland University（萨尔兰大学）
本文通过人工与自动评估五个代码辅助大语言模型在多个数学数据集上生成程序的逻辑可靠性，发现闭源模型基于数学概念推理而开源模型常依赖记忆和穷举搜索，且问题难度增加会降低所有模型的可靠生成比例，揭示仅凭执行准确率无法全面衡量 LLMs 的数学推理能力。
2025-07-22 cs.CL
From Sounds to Scenes: A Benchmark for Evaluating Context-Aware Auditory Scene Understanding in Large Audio Language Models
University of California Irvine（加州大学尔湾分校）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Kennesaw State University（肯尼索州立大学）
提出CASU基准，通过构建半合成音频流和设计四项任务，评估大型音频语言模型整合语音、事件和背景环境进行上下文感知听觉场景理解的能力。
2026-06-25 cs.AI cs.MM cs.SD
Batch Prompting: Efficient Inference with Large Language Model APIs
Shanghai Jiao Tong University（上海交通大学）；University of Washington（华盛顿大学）；University of Hong Kong（香港大学）
提出 batch prompting 方法，通过批次推理显著降低 LLM 的 token 和时间成本，在十个数据集上验证了其有效性和广泛适用性。
2023-10-24 cs.AI cs.CL
Dissecting Logical Reasoning in LLMs: A Fine-Grained Evaluation and Supervision Study
University of Notre Dame（诺丁汉大学）；MBZUAI（马克斯·普朗克人工智能研究所）；University of Pennsylvania（宾夕法尼亚大学）；INRIA（法国国家信息与自动化研究所）
提出FineLogic细粒度评估框架，从准确率、逐步合理性和表示探测三维度分析微调监督格式对LLM逻辑推理的影响，发现自然语言监督利于泛化，符号监督利于结构严谨性。
2025-10-09 cs.AI cs.CL cs.LO
Cascaded Batch Prompting
CyberAgent（赛博agent公司）
针对批量提示导致大语言模型下游任务性能不可预测的问题，提出级联批量提示方法，在多项选择问答等任务上性能优于单提示基线，且加速效果与批量大小成正比，在帕累托前沿达到新最优。
2026-08-28 cs.CL
Automatic Environmental Sound Recognition: Performance versus Computational Cost
Queen Mary University of London（伦敦玛丽女王大学）；Audio Analytic Ltd.（Audio Analytic 有限公司）；University of Surrey（萨里大学）
在物联网（IoT）的背景下，声音感测应用需要在嵌入式平台上运行，其中产品定价和形状因子的概念对可用计算能力施加了严格的约束。鉴于自动环境声音识别（AESR）算法的开发往往考虑有限的计算成本，本文旨在通过比较声音分类性能em作为其计算成本的函数，AESR算法可以最大限度地利用有限的计算能力。结果表明，深度神经网络在一系列计算成本中产生最佳的声音分类准确率，而高斯混合模型以一贯的小成本提供合理的准确率，而支持向量机在准确性和计算成本之间的折衷方面介于两者之间。
2016-07-15 cs.LG cs.NE cs.SD
DRQA: Dynamic Reasoning Quota Allocation for Controlling Overthinking in Reasoning Large Language Models
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；The Hong Kong University of Science and Technology（香港科学与技术大学）；Tsinghua University（清华大学）；Fudan University（复旦大学）；Renmin University of China（中国人民大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出动态推理配额分配（DRQA）方法，利用批处理资源竞争和强化学习训练模型自适应分配推理资源，在保持或提升准确率的同时显著减少token消耗，有效缓解推理大语言模型的过度思考问题。
2025-11-07 cs.CL
Investigating the Shortcomings of LLMs in Step-by-Step Legal Reasoning
Arizona State University（亚利桑那州立大学）；Cisco Research（思科研究院）
本文针对LLMs在法律推理中的应用，通过《民事诉讼法》数据集的大学级MCQA任务，提出新的错误分类法并构建自动化评估框架，揭示其推理缺陷，且将该分类法作为反馈能略微提升模型性能。
2025-02-08 cs.CL
BatVision: Learning to See 3D Spatial Layout with Two Ears
Technical University of Denmark（丹麦技术大学）；UC Berkeley（加州大学伯克利分校）；ICSI（国际计算机科学研究所）
许多物种已经进化出先进的非视觉感知，而人工系统则落后了。雷达和超声波补充了基于摄像头的视觉，但它们通常过于昂贵和复杂，无法获得非常有限的信息。在自然界中，声音被蝙蝠、海豚、鲸鱼和人类有效地用于导航和交流。然而，目前还不清楚如何最好地利用声音进行机器感知。受蝙蝠回声定位机制的启发，我们设计了一个低成本的蝙蝠视觉系统，它能够通过两只耳朵的聆听看到前方空间的3D空间布局。我们的系统从一个扬声器发出短啁啾，并通过一对人造人耳中的麦克风记录返回的回声。在训练过程中，我们还使用立体相机来捕获彩色图像以计算场景深度。我们训练一个模型来预测深度图，甚至仅从声音中预测灰度图像。在测试过程中，我们经过训练的BatVision从两个1D音频信号中提供了令人惊讶的2D视觉场景预测。这种声音到视觉系统将有益于机器人导航和机器视觉，特别是在低光或无光条件下。我们的代码和数据是公开的。
2020-03-19 cs.CV cs.RO cs.SD
SoundMind: RL-Incentivized Logic Reasoning for Audio-Language Models
Dartmouth College（达特茅斯学院）；Shandong University（山东大学）
本文提出SoundMind数据集和SoundMind-RL强化学习算法，用于增强音频-语言模型的逻辑推理能力，并在Qwen2.5-Omni-7B上取得优于现有基线的效果。
2025-09-20 cs.CL cs.MM cs.SD
AudSemThinker: Enhancing Audio-Language Models through Reasoning over Semantics of Sound
Maastricht University（马斯特里赫特大学）
提出受人类认知启发的 AudSemThinker 与 AudSem 数据集，通过语义描述符推理增强音频-语言模型，并在多种训练设置下取得优于 SOTA 的表现。
2025-09-30 cs.SD eess.AS
Can Large Audio-Language Models Truly Hear? Tackling Hallucinations with Multi-Task Assessment and Stepwise Audio Reasoning
National Taiwan University（台湾大学）
本文针对大型音频语言模型的幻觉问题提出三类评估任务，并引入多轮思维链方法，显著提升模型在声学事件识别、顺序判断和声源归因上的表现。
2024-12-31 cs.CL cs.SD eess.AS
Audio Flamingo Next: Next-Generation Open Audio-Language Models for Speech, Sound, and Music
NVIDIA, USA（英伟达，美国）；University of Maryland, USA（马里兰大学，美国）
AF-Next通过改进基础模型、扩展数据集和引入时序推理方法，提升了语音、环境声音和音乐的理解与推理能力，展示了更强的性能和实用性。
2026-04-13 cs.AI cs.CL cs.SD
From Visual to Acoustic Question Answering
Sherbrooke University（舍布鲁克大学）；KTH Royal Institute of Technology（KTH皇家理工学院）
本文介绍了声学问答（AQA）这一新课题，以促进声学推理的研究。AQA任务包括分析由基本声音组合组成的声学场景，并回答与这些声音的位置和属性相关的问题。所问的这种关系问题要求模型执行非平凡的推理，以便正确回答。虽然类似的问题已被广泛研究的视觉推理领域，我们不知道任何以前的研究解决问题的声学域。我们提出了一种方法，从基本的声音和一些相关的问题，每个场景使用模板生成的声学场景。我们还提出了两个模型（电影和MAC），已被证明是工作的视觉推理所获得的初步结果。
2019-02-28 cs.LG cs.SD eess.AS
Multi-Source Evidence Fusion for Audio Question Answering
Tallinn University of Technology, Estonia（塔林技术大学，爱沙尼亚）
本文提出多源融合框架，利用两个大音频语言模型与25种可靠性分层的声学工具，生成可验证的推理链，提升音频问答的逻辑性和准确性。
2026-03-18 cs.CL eess.AS
String Sound Synthesizer on GPU-accelerated Finite Difference Scheme
Seoul National University（首尔大学）
本文提出一种基于PyTorch实现的非线性弦音合成器，通过GPU加速有限差分仿真支持随机参数化，既服务于音频信号处理社区，又为神经网络音频合成提供新型数据集构建工具。
2024-01-08 cs.SD eess.AS eess.SP
Sound2Sight: Generating Visual Dynamics from Sound and Context
Mitsubishi Electric Research Laboratories（三菱电机研究实验室）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
跨模态的学习关联对于鲁棒的多模态推理至关重要，特别是在推理过程中可能缺少模态时。在本文中，我们研究这个问题的背景下，音频条件的视觉合成-一个任务，这是很重要的，例如，在遮挡推理。具体来说，我们的目标是生成未来的视频帧和它们的运动动态条件的音频和一些过去的帧。为了解决这个问题，我们提出了Sound 2Sight，这是一个深度变分框架，它被训练来学习基于音频和过去帧的联合嵌入的每帧随机先验。这种嵌入是通过一个多头注意力为基础的视听Transformer编码器学习。然后对所学习的先验进行采样，以进一步调节视频预测模块以生成未来帧。随机先验允许模型对与所提供的音频和过去上下文一致的多个可能的未来进行采样。此外，为了提高所生成的帧的质量和一致性，我们提出了一个多模式的视频，区分合成和一个真正的视听剪辑。我们在两个新的数据集上实证评估了我们的方法，即（i）带有惊喜障碍的多模态随机移动MNIST，（ii）Youtube绘画;以及现有的Audio-Set Drums数据集。我们广泛的实验表明，Sound 2Sight在生成的视频质量方面明显优于最先进的技术，同时还能生成多样化的视频内容。
2020-07-23 cs.CV cs.LG cs.SD
Text2Move: Text-to-moving sound generation via trajectory prediction and temporal alignment
本文提出Text2Move框架，通过文本到轨迹预测与时间对齐生成可控的移动空间声音，并构建双耳合成数据集验证其空间理解能力。
2025-09-26 cs.SD eess.AS
MERLOT Reserve: Neural Script Knowledge through Vision and Language and Sound
University of Washington（华盛顿大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；University of Edinburgh（爱丁堡大学）
作为人类，我们在一个多模态的世界中航行，从我们所有的感官中建立一个整体的理解。我们引入了MERLOT Reserve，这是一种随着时间的推移联合表示视频的模型-通过一个新的训练目标，从音频，字幕和视频帧中学习。给定一个视频，我们用MASK令牌替换文本和音频片段;模型通过选择正确的屏蔽片段来学习。我们的目标比其他方法学习得更快，并且在规模上表现良好：我们在2000万个YouTube视频上进行预训练。实证结果表明，MERLOT储备学习强大的多模态表示。当微调时，它在视觉常识推理（VCR），TVQA和Kinetics-600上设置了最先进的技术;分别比以前的工作高出5%，7%和1.5%。消融表明，这些任务受益于音频预训练-甚至VCR，一个QA任务围绕图像（没有声音）。此外，我们的目标使开箱即用的预测，揭示了强大的多模态常识的理解。在完全zero-shot设置中，我们的模型在四个视频任务上获得了有竞争力的结果，甚至在最近提出的情境推理（STAR）基准测试中优于监督方法。我们分析了为什么音频能够更好地表达视觉语言，这为未来的研究提供了重要的机会。最后，我们讨论多模式预训练的伦理和社会影响。
2022-05-13 cs.CL cs.CV cs.LG
Detecting Drill Failure in the Small Short-sound Drill Dataset
Mid Sweden University（瑞典中部大学）；Ton Duc Thang University（孙德胜大学）
监控机器的状态在制造业中至关重要。及早检测机器中的故障部件，以便停止和修理故障部件，可以最大限度地减少机器的停机时间。本文提出了一种基于维美德公司的钻孔声检测钻孔机故障的方法。钻数据集包括三个类别：异常声音、正常声音和不相关声音，它们也分别被标记为“破碎”、“正常”和“其他”。由于以下原因，有效地检测钻头故障仍然是一个挑战。钻声波形复杂，检测时间短.此外，在现实的音景中，同时存在声音和噪音。此外，平衡数据集很小，无法应用最先进的深度学习技术。为了克服上述困难，我们增强了声音，以增加数据集中的声音数量。然后，我们提出了一个卷积神经网络（CNN）与长短期记忆（LSTM）相结合，从对数梅尔频谱图中提取特征，并学习全局高级特征表示，用于三个类别的分类。一个泄漏整流线性单元（泄漏ReLU）被用作我们提出的CNN的激活函数，而不是整流线性单元（ReLU）。此外，我们在LSTM层之后的帧级别部署了一个注意力机制，以学习长期的全局特征表示。结果表明，该方法对钻头故障检测系统的总体准确率达到92.35%。
2021-11-09 cs.SD eess.AS
DiffSound: Differentiable Modal Sound Rendering and Inverse Rendering for Diverse Inference Tasks
School of Computer Science, Peking University（北京大学计算机学院）；University of Maryland, College Park（马里兰大学学院公园分校）；Stanford University（斯坦福大学）
本文提出DiffSound，一个基于物理的可微模态声音渲染框架，结合隐式形状表示、高阶有限元分析和可微音频合成器，解决物理参数估计、几何形状推理和撞击位置预测等逆问题，能准确重现目标声音。
2024-09-20 cs.SD eess.AS
CLEAR: A Dataset for Compositional Language and Elementary Acoustic Reasoning
NECOTIS；Sherbrooke University（舍布鲁克大学）
我们介绍了声学问答（AQA）在声学推理领域的任务。在这个任务中，智能体学习根据声学背景回答问题。为了促进这一领域的研究，我们提出了一种改编自CLEVR的数据生成范式（Johnson et al. 2017）。我们通过利用一组基本声音来生成声学场景。我们还提供了一些功能程序，可用于编写问题和答案，利用每个场景中的基本声音的属性之间的关系。我们提供各种大小的AQA数据集以及数据生成代码。作为一个初步的实验，以验证我们的数据，我们报告的准确性，当前国家的最先进的视觉问答模型时，他们被应用到AQA任务没有修改。虽然有很多基于文本、图像或视频数据的问答任务，但据我们所知，我们是第一个提出直接在音频流上回答问题的人。我们希望这一贡献将促进该领域研究的发展。
2018-11-26 cs.CL cs.LG cs.SD
CaReCoS: A Spectrogram based Visual Benchmark for Cardiac, Respiratory and Cough Sounds
Centific Global Solutions Inc.（Centific全球解决方案公司）；University of Maryland, College Park（马里兰大学帕克分校）
研究针对医学声学信号频谱图缺乏多模态推理基准的问题，创建CaReCoS基准，将临床问题与频谱图配对，评估模型发现其难以处理频谱图中细粒度声学特征，强调医学声音可视化训练的必要性。
2026-07-07 eess.AS
