Lychee-FD：分层声学-语义建模缓解全双工SLM模态干扰

论文提出Lychee-FD，用分层参数分离缓解全双工SLM模态干扰。

资讯摘要

论文针对全双工语音语言模型（SLM）中的模态干扰问题，通过分析优化动态指出，声学与语义建模被迫共享深层参数空间时会产生梯度冲突，导致知识退化与语义完整性受损。作者提出Lychee-FD原生端到端框架，采用分层参数分离策略在深层解耦冲突模态，并通过语义对齐通道保持跨模态一致性。论文报告在Spoken QA上提升7.4%，在FullDuplexBench 1.5上提升28.5%，且未牺牲推理效率。

要点速读

1. 论文将全双工SLM性能退化归因于声学与语义建模在共享深层参数时的梯度冲突。
2. Lychee-FD采用分层参数分离解耦冲突模态，并以语义对齐通道维持跨模态一致性。
3. 作者报告Spoken QA提升7.4%、FullDuplexBench 1.5提升28.5%，推理效率未受影响。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。