免训练上下文学习可提升音乐效价预测，效价 R² 达 0.427
资讯摘要
论文研究用大语言模型的上下文学习（ICL）改进音乐连续效价与唤醒度预测：不由模型直接打分，而是借助辅助数据集的示例来修正小型专用基础模型的初始预测。作者系统评估了基于歌词与生成音频描述的文本 ICL，以及加入原始音频的多模态版本，并在 MER60 数据集上做严格留出测试。作者报告文本 ICL 在 80 个示例下将效价 R² 从 0.110 提升至 0.427，多模态版本仅用 10 个示例即达 0.346。
要点速读
- 框架用辅助数据集的上下文示例修正小型任务专用模型的初始预测，而非直接预测情绪分数
- 文本 ICL 使用歌词与生成音频描述，多模态版本额外引入原始音频信号
- MER60 全部作为留出测试集；作者报告效价 R² 从 0.110 升至 0.427（80 示例），多模态 10 示例为 0.346
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。