STEMMA：面向大音频语言模型的歌曲到分轨多音频推理框架

STEMMA 是一个以制作溯源为核心的多音频音乐问答框架，判断片段是否来自同一曲目或段落、哪些 stems 属于哪些混音。它采用关系优先的构建策略，先指定目标关系再检索满足条件的片段与难负样本，标签直接来自目录溯源而非语言模型生成。配套 STEMMA-Bench 与曲目不重叠的训练集 STEMMA-Instruct，在两个 LALM 上微调可提升多音频推理能力，并保持单音频音乐理解。