大型音频语言模型中音乐概念的音符级时序定位研究

研究提出 MusicGroundingBench，一个由算法生成的钢琴音频构成、带有精确符号对齐的受控基准，包含三音与两小节设置，用于评测大型音频语言模型的定位与理解能力。实验显示跨模态微调可让模型学会两种能力，但增加定位监督并未在不同骨干模型上稳定提升理解力。两个受测 LALM 在基础音乐概念上的零样本定位仍有限，凸显接地音乐理解仍是开放挑战。