Qwen-Audio-Jev 用决策头替代文本生成做音频判断与打分。
资讯摘要
论文提出 Qwen-Audio-Jev，在 Qwen-Audio-3.1-ASR-Flash-Next 上增加专用 Jev 决策头，用 CHOICE、NOUL、SCORE 三种决策原语统一选择、二分类判断与打分，直接输出任务条件概率分布或数值分数，以减少自回归文本生成带来的计算开销与延迟。作者报告在 18 个基准上的结果：MMAU 准确率 78.40%、MMSU 83.14%，VoxCeleb1-O 说话人验证 93.76%，NISQA 归一化平均绝对误差 0.1235。
要点速读
- 在 Qwen-Audio-3.1-ASR-Flash-Next 上增加 Jev 决策头，通过 CHOICE、NOUL、SCORE 三种原语输出概率分布或分数。
- 作者报告 MMAU 准确率 78.40%、MMSU 83.14%，VoxCeleb1-O 说话人验证准确率 93.76%。
- NISQA 整体质量评估的归一化平均绝对误差为 0.1235，论文称适用于大规模音频筛选等场景。
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 2026/10/24 08:00:37（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。