ICASSP 2026 - 音频问答

共 15 篇论文

← 返回 ICASSP 2026 总览

📋 论文详情

🥇 Enhancing Audio Question-Answering Performance Through Log-Likelihood Guided Reward Functions

🔥 8.5/10 | 前25% | #音频问答 | #强化学习 | #多模态模型 #基准测试

👥 作者与机构

• 第一作者：Sam Blouir (Amazon)
• 通讯作者：未说明
• 作者列表：Sam Blouir (Amazon), Ganesh Ramachandra Kini (Amazon), Qingming Tang (Amazon), Raphael Petegrosso (Amazon), Chieh-Chi Kao (Amazon), Ankur Gandhe (Amazon), Chao Wang (Amazon)

💡 毒舌点评

亮点：论文提出的“概率比奖励”设计巧妙，将传统RLVR中非黑即白的准确率信号转化为一个能反映模型对正确答案相对置信度的连续信号，为“接近正确”但未得分的样本提供了有效学习信号，这在奖励稀疏的强化学习微调中至关重要。 短板：所有实验仅在单一的MMAU基准上完成，且基础模型固定为Qwen2.5-Omni-7B，该方法在其他音频任务（如开放式QA、不同声源类型）或不同规模的模型上的效果和泛化能力有待验证。

📌 核心摘要

1. 要解决什么问题：现有的强化学习与验证奖励（RLVR）方法在训练音频问答系统时，通常只使用格式是否正确和答案是否完全匹配的二元奖励信号，这种稀疏的信号对模型几乎正确但未得分的样本无法提供有效的学习指导。
2. 方法核心是什么：提出了一种新的基于对数几率（log-odds）的奖励函数。该函数在生成推理链（）之后、答案文本生成之前，计算模型对正确答案选项与最可能的错误答案选项的标准化对数似然之差，以此作为奖励信号。这鼓励模型通过推理链增加正确答案相对于最强干扰项的概率优势。
3. 与已有方法相比新在哪里：新在将音频问答的RL训练奖励从简单的二元正确性/格式惩罚，升级为利用模型自身策略分布的“软”概率比奖励。这提供了更密集、更有方向性的梯度信号。
4. 主要实验结果如何：在MMAU测试集（mini版）上，使用所提方法微调的模型平均准确率达到78.3%，优于使用传统“准确率+格式”奖励的基线（76.3%）和未微调的Qwen2.5-Omni-7B基础模型（70.4%）。消融实验表明，“log-odds”奖励变体优于“概率”奖励和“提升”奖励。 关键实验结果表格：

   模型/方法	基础模型	Sound (%)	Music (%)	Speech (%)	平均准确率 (%)
   log-odds (ours)	Qwen2.5-Omni	83.4	73.3	78.2	78.3
   accuracy + format (our setup)	Qwen2.5-Omni	81.6	70.9	76.4	76.3
   Omni-R1 [9]	Qwen2.5-Omni	81.7	73.4	76.0	77.0
   Qwen2.5-Omni-7B (base)	–	77.8	61.1	72.4	70.4
   Step-Audio-2 [17]	–	84.0	73.6	75.1	77.6
   消融实验表格：
   奖励变体	平均准确率 (%)
   —	—
   log-odds (ours)	78.3 (从主表)
   prob	77.2
   lift	77.0

5. 实际意义是什么：为训练更有效的多选题音频问答系统提供了一种新的、更优的强化学习奖励设计范式，证明了在RLVR框架下，超越二元信号的似然度引导能提升模型的音频推理能力。
6. 主要局限性是什么：1) 验证实验仅限于MMAU这一个复杂的音频问答基准；2) 方法的核心组件（对数似然计算）依赖于一个具有较强基础能力的预训练多模态大模型（如Qwen2.5-Omni），在更小的模型上是否有效未知；3) 论文未讨论该奖励函数对开放式生成任务（如音频描述）的适用性。

🥈 DSpAST: Disentangled Representations for Spatial Audio Reasoning with Large Language Models

🔥 8.0/10 | 前25% | #音频问答 | #多任务学习 | #音频大模型 #空间音频

👥 作者与机构

• 第一作者：Kevin Wilkinghoff（奥尔堡大学电子系统系， Pioneer Centre for AI）
• 通讯作者：论文中未明确标注通讯作者（基于作者列表，通常可认为两位作者共同负责）
• 作者列表：Kevin Wilkinghoff（奥尔堡大学电子系统系， Pioneer Centre for AI）， Zheng-Hua Tan（奥尔堡大学电子系统系， Pioneer Centre for AI）

💡 毒舌点评

亮点：用0.2%的额外参数实现了多任务性能的大幅提升，证明了解耦表示在空间音频任务中的巨大潜力。短板：训练和评估高度依赖SoundSpaces 2.0合成的仿真数据，其与真实世界声学环境的差距可能限制了结论的普适性。

📌 核心摘要

1. 问题：使用单一音频编码器（如SpatialAST）处理空间音频推理任务（声音事件检测SED、距离预测DP、方向估计DoAE）时，由于各任务所需信息（事件类型、距离、方向）大多相互独立，导致表征纠缠，单一任务的优化可能损害其他任务的性能。
2. 方法核心：提出DSpAST，一种基于SpatialAST的解耦空间音频编码器。主要创新包括：(a) 引入特征注意力模块，允许模型为每个任务动态选择最相关的音频特征（log-mel, IPD, ILD, GCC-PHAT）；(b) 设计任务特定分支，将信息流分离到SED、DP和DoAE三个独立分支中，每个分支包含自己的特征注意力模块、骨干网络和投影头。
3. 新意：在单一模型架构内实现了任务表征的解耦，而非使用多个独立编码器。通过共享骨干网络参数，以极低的参数开销（0.2%）解决了多任务表征冲突问题，并提供了可解释的注意力权重。
4. 主要实验结果：
   • 表1 (消融研究)：DSpAST（stage 3）在模拟双耳音频数据集上显著优于基线SpatialAST。具体数值如下：

• 表2 (SpatialSoundQA任务)：使用DSpAST作为BAT系统的编码器，在SpatialSoundQA的所有问题类型上均优于使用SpatialAST。例如，在需要联合SED、DoAE和DP的类型D问题上，DSpAST（单阶段）的距离预测DER为47.89%，而SpatialAST（单阶段）为53.40%；在需要空间推理的类型E问题上，DSpAST（单阶段）的二元准确率为77.71%，高于SpatialAST（单阶段）的74.04%。

5. 实际意义：为构建更强大的空间音频推理系统提供了一个高效且性能更优的音频编码器前端，其解耦设计有助于理解和分析不同空间特征对各任务的重要性。
6. 主要局限性：性能仍不完美，依赖合成数据进行训练和评估，未来需在更多真实场景和更复杂声学条件下验证和改进。

🥉 Improving Audio Question Answering with Variational Inference

✅ 7.5/10 | 前25% | #音频问答 | #变分推断 | #音频大模型 #模型校准

👥 作者与机构

• 第一作者：Haolin Chen（Idiap Research Institute, Martigny, Switzerland; EPFL, Lausanne, Switzerland）
• 通讯作者：未说明
• 作者列表：Haolin Chen（Idiap Research Institute, EPFL）

💡 毒舌点评

论文亮点在于成功地将高效的变分推断优化器（IVON）应用于音频问答任务，不仅略微提升了准确率，更显著改善了模型的校准特性和选择性预测能力，这对构建可信赖的AI系统非常实用。但略显单薄的是，其核心贡献本质上是“把一个已知的好工具用在一个新场景”，而非提出针对音频问答特性设计的新方法，创新维度稍显单一。

📌 核心摘要

1. 要解决的问题：多模态大模型（如音频问答模型）在微调后常常过于自信（overconfident），预测置信度不能反映真实准确率（校准差），导致在需要可靠判断的风险敏感应用中不可信。
2. 方法核心：采用变分推断（VI）框架，使用高效的优化器IVON替代传统的AdamW，对大型音频语言模型Qwen2.5-Omni进行参数高效微调（LoRA）。IVON在训练中对模型权重的后验分布进行建模，从而捕获参数不确定性。
3. 与已有方法相比新在哪里：区别于传统优化器（如Adam）提供点估计，以及Monte Carlo Dropout等事后不确定性估计方法，IVON在训练过程中即内建了不确定性建模，且计算成本接近Adam。本文首次将其系统地应用于多模态音频问答任务。
4. 主要实验结果：在DCASE 2025 AQA数据集（BQA, TSQA, CQA三个子集）上，与AdamW基线相比：
   • 准确率（ACC）：IVON（均值或MC-8）平均从80.45%提升至80.97%。
   • 校准：ECE（越低越好）从16.2显著降至10.0（IVON MC-8），NLL和Brier分数同样改善。
   • 选择性预测：在拒答1%最不确定样本时（C@1%），覆盖准确率从3.8%（AdamW）大幅提升至19.5%（IVON MC-8），风险-覆盖曲线下面积（AUC）从7.4降至5.8。
   • 消融实验表明，增加蒙特卡洛（MC）采样数能持续改善校准，而调整后验分布的温度则在准确率和校准间存在权衡。
5. 实际意义：为多模态模型提供了更可靠的置信度估计，使其能在不确定时主动拒绝回答（选择性预测），从而提升系统在医疗、安防等风险敏感领域的应用安全性。
6. 主要局限性：研究仅限于多选题形式的音频问答（单次令牌预测），未验证在开放式生成任务（如自由问答、语音合成）中的效果。

4. TAU: A Benchmark for Cultural Sound Understanding Beyond Semantics

✅ 7.5/10 | 前25% | #音频问答 | #基准测试 | #数据集 #模型评估

👥 作者与机构

• 第一作者：Yi-Cheng Lin (National Taiwan University)
• 通讯作者：论文中未明确指定通讯作者
• 作者列表：Yi-Cheng Lin¹, Yu-Hua Chen², Jia-Kai Dong¹, Yueh-Hsuan Huang¹, Szu-Chi Chen¹, Yu-Chen Chen¹, Chih-Yao Chen¹, Yu-Jung Lin¹, Yu-Ling Chen¹, Zih-Yu Chen¹, I-Ning Tsai¹, Hsiu-Hsuan Wang¹, Ho-Lam Chung¹, Ke-Han Lu¹, Hung-yi Lee¹ (¹National Taiwan University, ²University of Toronto)

💡 毒舌点评

该论文的亮点在于它敏锐地指出了当前音频-语言模型评估体系中一个被忽视的“文化盲区”，并为此提供了一个设计精巧、收集过程透明的高质量本地化基准，为推动更公平的多模态评估铺了路。短板则在于，它本质上是一个评估工具（Benchmark），而非解决该问题的算法或模型，因此其影响力高度依赖于后续研究社区的采纳程度，且论文本身未对“如何提升模型的文化理解能力”给出更深入的方案探索。

📌 核心摘要

1. 问题：现有的大型音频-语言模型评估基准主要关注语音或全球通用的声音环境音，忽略了对社区独特文化声音（如特定地区的地铁提示音、便利店音乐）的理解能力评估，导致无法真实衡量模型在真实本地化场景中的表现，并可能加剧技术对弱势社区的排斥。
2. 方法核心：提出了TAU（台湾音频理解）基准，通过一个结合人工编辑和LLM辅助的多阶段流程，构建了702个台湾日常“声音地标”音频片段和1,794个无法仅通过文本转录解答的文化相关多选题。
3. 新意：不同于以往评估语音语义或全球通用声音的基准，TAU首次将评估重点转向“非词汇的、文化特异性的声景理解”，强调通过音色、节奏等声学特征而非语义进行识别。
4. 主要实验结果：实验表明，最先进的模型（如Gemini 2.5 Pro）在TAU上的表现（单跳72.4%，多跳73.9%）远低于本地人类表现（单跳84.0%，多跳83.3%）。即使在提供“文化身份”提示后，模型性能也无普适性提升，甚至对部分顶级模型有轻微下降。具体关键数据如下表所示：

5. 实际意义：揭示了当前模型在文化本地化音频理解上的严重不足，强调了构建本地化评估基准对于实现公平、稳健的多模态AI的必要性。
6. 主要局限性：基准仅专注于台湾文化，性能在其他地区不具普适性；声音库可能存在城市场景过采样问题；声景随时间变化可能导致数据分布偏移。

5. Efficient Audio-Visual Inference Via Token Clustering And Modality Fusion

✅ 7.5/10 | 前25% | #音频问答 | #音频大模型 #多模态模型 | #音视频 #多模态模型

👥 作者与机构

• 第一作者：Chenjie Pan（华南师范大学）
• 通讯作者：Chenyou Fan（华南师范大学）
• 作者列表：Chenjie Pan（华南师范大学）、Yi Zhu（华南师范大学）、Songkai Ning（华南师范大学）、Xiangyang Liu（华南师范大学）、Weiping Zheng（华南师范大学）、Chenyou Fan（华南师范大学）

💡 毒舌点评

亮点：论文精准地抓住了当前音视频LLM中音频模态token冗余这一关键痛点，提出的无参动态聚类压缩策略（ATCC）在大幅削减token数量（96%）和计算量（54%）的同时，性能不降反升，这证明其压缩确实保留了有效信息，而非简单丢弃。 短板：创新性更多体现在“组合”与“针对特定场景的优化”上，其核心的聚类算法和双向交叉注意力融合均为成熟技术的直接应用；此外，论文声称的性能提升幅度（0.6%-3.7%）相对有限，且绝对数值并未显著超越表中列出的所有最强基线（如PAVE在Music-AVQA上仍略高）。

📌 核心摘要

1. 解决的问题：多模态大语言模型在处理音视频问答任务时，因音频和视觉token数量庞大导致计算和内存开销高，且现有的融合方法往往忽略了音频token的冗余问题，影响了效率和跨模态对齐效果。
2. 方法核心：提出高效音视频推理框架（EAVI），包含两个核心组件：(1) 音频token聚类压缩（ATCC），通过动态阈值聚类在保留时序结构的前提下压缩音频token；(2) 双向模态融合模块，通过交叉注意力让压缩后的音频特征与视觉特征相互增强。
3. 与已有方法的新颖之处：不同于以往工作主要压缩视觉token或进行简单拼接，EAVI首次专门针对音频模态设计了一种无需额外训练参数的动态聚类压缩方法，并引入了双向的跨模态注意力机制，使融合更加充分。
4. 主要实验结果：在三个AVQA基准数据集上，EAVI相比强基线VideoLLaMA2，准确率提升了0.6%-3.7%。效率方面，音频token数量平均减少96%，总token减少66%，导致FLOPs降低54%，KV缓存使用减少65%，推理延迟降低15%。
   • 主要对比结果：

     模型	Music-AVQA	VGGSound	AVSD
     CREMA (2025)	75.6	67	-
     VideoLLaMA2 (2024)	80.9	71.4	57.2
     PAVE (2025)	82.3	-	42.5
     EAVI (Ours)	81.5 (+0.6)	75.1 (+3.7)	58.7 (+1.5)

   • 效率对比：

     模型	Tokens (Audio / Total)	FLOPs (T)	Latency (S)	KV cache (MB)
     VideoLLaMA2	1496 / 2172	40.3	1.13	120
     EAVI (Ours)	66 / 742	15.4	0.96	42

5. 实际意义：为在资源受限的设备上部署实时、高效的音视频问答模型提供了可行的技术路径，通过压缩减少了对计算和内存资源的需求。
6. 主要局限性：聚类压缩可能导致细微语义信息的丢失；模型的最终性能仍强依赖于底层预训练的视觉和音频编码器；在对话理解（AVSD）等任务上的提升幅度相对较小。

6. SightSound-R1: Cross-Modal Reasoning Distillation from Vision to Audio Language Models

✅ 7.5/10 | 前25% | #音频问答 | #知识蒸馏 | #多模态模型 #迁移学习

👥 作者与机构

• 第一作者：未说明（论文中作者列表排序未明确指定第一作者）
• 通讯作者：未说明
• 作者列表：Qiaolin Wang（Columbia University, New York, NY, USA）、Xilin Jiang（Columbia University, New York, NY, USA）、Linyang He（Columbia University, New York, NY, USA）、Junkai Wu（University of Washington, Seattle, WA, USA）、Nima Mesgarani（Columbia University, New York, NY, USA）

💡 毒舌点评

亮点在于巧妙地利用“视觉可听”的假设，将强大的视觉语言模型（LVLM）作为“免费的”教师来生成音频推理数据，从而绕过了音频链式思考（CoT）数据稀缺的瓶颈，思路清晰且实用。短板则是这一核心假设存在天然局限，导致生成的推理链可能基于视觉臆测而非真实音频内容（论文中也承认了语音、音乐任务性能下降），且方法的最终效果高度依赖外部强大LVLM和验证模型的能力，并非完全独立。

📌 核心摘要

1. 要解决什么问题：大型音频语言模型（LALMs）在复杂音频场景下的推理能力落后于视觉语言模型（LVLMs），主要瓶颈是缺乏大规模、高质量的音频链式思考（CoT）数据来训练逐步推理能力。
2. 方法核心是什么：提出SightSound-R1，一个跨模态推理蒸馏框架。核心步骤包括：(i) 利用强大的LVLM（如Qwen2.5-VL-32B）仅从静音视频生成针对音频问题的CoT推理链；(ii) 使用音频验证器（如GPT-4o-audio）过滤掉包含声音幻觉的推理链；(iii) 将验证后的CoT数据用于监督微调（SFT）和基于群体相对策略优化（GRPO）的强化学习，训练LALM学生（如Qwen2-Audio-7B）。
3. 与已有方法相比新在哪里：不同于从同模态强模型蒸馏，本文首次系统性地探索从跨模态的视觉教师向音频学生进行推理能力迁移。其创新在于设计了一个自动化的“生成-验证-蒸馏”流水线，无需人工标注CoT数据，即可利用丰富的音视频数据提升LALM的推理能力。
4. 主要实验结果如何：在AVQA验证集上，该方法将Qwen2-Audio-7B的准确率从直接推理的67.1%提升至82.7%（测试时蒸馏）和86.5%（SFT）。在未见过的MMAU测试集上，声音子任务达到66.1%，在MUSIC-AVQA测试集上达到59.5%总体准确率，优于多个基线，尤其在时间、比较类推理上表现突出。消融实验证明，音频验证（AGFV）和GRPO优化是性能提升的关键。
5. 实际意义是什么：该方法为解决音频领域CoT数据匮乏问题提供了一种可扩展的自动化方案，开辟了利用视觉数据提升音频模型推理能力的新路径，对音视频理解、多模态AI的发展有启发意义。
6. 主要局限性是什么：核心假设（视觉能看到所有声音来源）在现实中有缺陷，导致对语音、音乐等缺乏清晰视觉对应物的任务效果不佳（甚至低于基线）。生成的推理链可能存在与音频事实不符的幻觉，尽管有验证，但仍可能误导学生模型。最终性能受限于教师和验证模型本身的能力。

7. Keeping Models Listening: Segment- and time-aware attention rescaling at decoding time

✅ 7.5/10 | 前25% | #音频问答 | #推理时调整 | #音频分类 #音频大模型

👥 作者与机构

• 第一作者：Hangyu Du（新加坡国立大学，设计与工程学院）
• 通讯作者：Jingxing Zhong（福州大学，明智国际工程学院）
• 作者列表：Hangyu Du（新加坡国立大学，设计与工程学院），Jingxing Zhong（福州大学，明智国际工程学院）（论文注明两位作者贡献相等）。

💡 毒舌点评

亮点：精准地诊断出ALLMs解码时“听着听着就忘了音频”的顽疾，并用一个免训练、近乎零开销的“解码时注意力微调”插件（AttnAdapter）显著缓解了这个问题，效果立竿见影，实用性很强。 短板：方法更像是对症下药的“经验性工程”，虽然能“work”，但对于注意力漂移的根本原因（为何系统令牌会成为sink？为何音频注意力会衰减？）缺乏更深层次的理论或神经机制层面的剖析，略显“知其然而不知其所以然”。

📌 核心摘要

1. 要解决什么问题：本文发现并研究了音频大语言模型（ALLMs）在自回归解码过程中普遍存在的“注意力路由退化”现象。随着解码进行，模型对音频输入（Audio Tokens）的注意力会系统性衰减，转而过度依赖语言先验和早期生成的“汇聚”令牌，导致回答偏离输入音频，产生幻觉。
2. 方法核心是什么：提出AttnAdapter，一个训练无关、可插拔的模块。它在解码的每一步，对注意力计算中的原始对数几率（logits）进行分段、时间感知的乘性重缩放。具体包含三个组件：(1) 系统令牌汇聚抑制，(2) 音频关键点时序增强，(3) 局部输出窗口稳定。
3. 与已有方法相比新在哪里：与现有方法（如EAH、MemVR）相比，AttnAdapter的特点是：完全在解码时操作，无需训练或修改模型架构；设计上明确针对音频模态的序列性、密集性特点，提出时间感知的增强策略；并且组合了多种干预（抑制、增强、稳定）以协同工作。
4. 主要实验结果如何：在MMAU-mini和AIR-Bench两个基准上，AttnAdapter为LLaMa-Omni、Qwen-Omni和Audio Flamingo 3三个模型带来了稳定的性能提升。
   • 在LLaMa-Omni上，MMAU-mini平均准确率从0.71提升至0.85（+14%），AIR-Bench平均准确率从0.69提升至0.82（+13%）。
   • 在Qwen-Omni上，MMAU-mini平均准确率从0.73提升至0.87（+14%），AIR-Bench平均准确率从0.71提升至0.84（+13%）。
   • 在Audio Flamingo 3上，MMAU-mini平均准确率从0.73提升至0.87（+14%），AIR-Bench平均准确率从0.70提升至0.83（+13%）。
   • 所有方法中，AttnAdapter均取得了最高的分数，尤其在“混合音频”子任务上改进明显。
5. 实际意义是什么：提供了一个即插即用、计算开销极低（延迟增加<2%）的解决方案，可以增强现有ALLMs的音频接地能力，使其在长序列对话和推理中能持续“听”音频，减少基于文本先验的幻觉，提升在音频问答、分析等实际应用中的可靠性和准确性。
6. 主要局限性是什么：(1) 方法的有效性依赖于经验调优的超参数（σ, η, g, w, β），对于新模型或任务可能需要重新搜索。(2) 论文主要关注准确率提升，对模型生成文本的流畅性、连贯性等质量指标的详细分析不足。(3) 机制解释偏经验性，缺乏对ALLMs内部信息流动的深层理论分析。

8. Benchmarking Humans And Machines On Complex Multilingual Speech Understanding Tasks

✅ 7.5/10 | 前25% | #音频问答 | #语音大模型 | #多语言 #模型评估

👥 作者与机构

• 第一作者：Sai Samrat Kankanala（印度科学研究院，电气工程系，LEAP Lab）
• 通讯作者：未说明
• 作者列表：Sai Samrat Kankanala（印度科学研究院，电气工程系，LEAP Lab）、Ram Chandra（印度科学研究院，电气工程系，LEAP Lab）、Sriram Ganapathy（印度科学研究院，电气工程系，LEAP Lab）

💡 毒舌点评

本文设计了一个精巧的跨人机实验范式，首次系统量化了多语言母语者在混合语音中选择性注意力的“母语优势”现象，同时揭示了顶尖语音大模型在并行信息提取上展现出的“超人类”能力，这一对比本身极具洞察力。然而，论文在得出“模型是并行处理”这一关键结论时，更多是基于性能表现的推测，缺乏对模型内部工作机制的探查，使得这一深刻论断略显武断。

📌 核心摘要

1. 问题：如何系统地量化人类在多语言环境（特别是母语与第二语言）中处理混合通道（鸡尾酒会）语音的听觉注意力能力，并与当前先进的语音大模型（Speech LLMs）进行基准比较。
2. 方法核心：构建一个包含印度英语、印地语和卡纳达语的长篇故事朗读语料库（单声道和两/三路混合声道），设计基于内容的问答题，招募人类受试者并测试多个语音大模型（Audio-Flamingo, Gemini, GPT-4o系列），对比其在单声道和混合声道条件下的准确率。
3. 新在哪里：1） 创建了首个针对印度多语言环境的长上下文语音问答基准；2） 首次在受控实验中量化了人类在混合语音中选择性注意力的“L1（母语）优势”差距；3） 通过大规模对比，揭示了人类与AI在听觉注意力机制上的根本差异：人类依赖流畅的、针对L1优化的选择性注意，而大型AI模型则依赖更强大的并行信息提取能力。
4. 主要实验结果：人类在母语中的表现显著优于第二语言（例如，印地语单声道：95.0% vs 英语：81.3%；混合声道注意力侧：60.4% vs 45.0%）。所有模型在单声道下表现良好（>88%），但在混合声道性能下降。关键发现是，在混合语音的非注意侧（干扰语音），模型（如Gemini-Pro）的准确率远高于人类（例如，英语两路混合：79.5% vs 人类72.5%），显示出模型“同时听”多路的能力，但这也导致其根据指令选择性关注目标说话人的能力（即注意力差距）远小于人类。
5. 实际意义：为评估语音交互系统在复杂、多语言真实场景中的理解能力提供了新基准；揭示了人机信息处理机制的差异，为开发更具“人性化”注意力的AI提供参考；也指出了当前开源模型在多语言复杂场景下的不足。
6. 主要局限性：1） 评估任务限于问答准确率，未分析模型如何实现“超人类”的并行处理；2） 数据集完全自建且未公开，可复现性差；3） 模型评估是黑盒的，无法区分性能差异是源于语音编码、注意力机制还是语言理解能力。

9. FastAV: Efficient Token Pruning for Audio-Visual Large Language Model Inference

✅ 7.0/10 | 前25% | #音频问答 | #大语言模型的压缩与加速 | #音视频 #多模态模型

👥 作者与机构

• 第一作者：Chaeyoung Jung（韩国科学技术院，Korea Advanced Institute of Science and Technology, South Korea）
• 通讯作者：未说明
• 作者列表：Chaeyoung Jung（韩国科学技术院）、Youngjoon Jang（韩国科学技术院）、Seungwoo Lee（韩国科学技术院）、Joon Son Chung（韩国科学技术院）

💡 毒舌点评

亮点：本文敏锐地发现了现有token剪枝研究在音视频大语言模型领域的空白，并首次提出了系统性的解决方案，其两阶段剪枝策略（全局剪枝+精细剪枝）在实验上取得了显著且一致的效率提升（>40% FLOPs降低），且不损害甚至能提升性能，这对于推动此类昂贵模型的实际部署具有明确的工程价��。 短板：技术路线本质上是对视觉token剪枝方法的“移植”和“拼接”（全局剪枝基于视觉工作常见的注意力回溯，精细剪枝基于LLM剪枝中常见的最后token分析），在剪枝机制本身上创新有限。此外，实验对比集中在自身设定的不同剪枝策略上，缺乏与更多元、更强的基线方法（如其他可能适用于多模态的剪枝或加速技术）的横向比较。

📌 核心摘要

1. 要解决的问题：音视频大语言模型在处理包含音频、视频、文本的多模态输入时，token数量巨大，导致推理时内存消耗和计算成本剧增，限制了其实际应用。
2. 方法核心：提出FastAV，一个两阶段的推理时token剪枝框架。第一阶段在中间层进行“全局剪枝”，利用注意力回溯机制分析token重要性，移除位置靠后、影响力较弱的大部分token（如2/3）；第二阶段在后续层进行“精细剪枝”，基于最后一个查询token的注意力权重，逐层迭代移除最不重要的20% token。
3. 与已有方法相比新在哪里：这是首个专门为音视频大语言模型设计的token剪枝框架。不同于直接应用在纯文本LLM或视觉-语言模型上的方法，FastAV综合考虑了音视频模态的特点，并通过注意力回溯揭示了此类模型在中间层后注意力集中于早期token的“锚定”模式，从而设计了针对性的剪枝策略。
4. 主要实验结果：在VideoLLaMA2和video-SALMONN2两个模型上，FastAV将理论FLOPs降低了40%以上（见表1），同时推理速度提升约30%，内存占用降低。在AVQA, MUSIC-AVQA, AVHBench三个基准测试上，性能保持持平甚至有所提升（例如在AVHBench的AV匹配任务上，VideoLLaMA2的准确率从57.8%提升至69.0%）。消融实验表明，基于注意力回溯的全局剪枝策略优于随机剪枝和基于原始注意力权重的策略（表2），精细剪枝的剪枝比例P=20%为最优（表4）。
5. 实际意义：使音视频大语言模型能够更高效地处理长视频、复杂音频等多模态长上下文输入，降低了部署的硬件门槛和延迟，有助于推动其在实时交互、边缘设备等场景的应用。
6. 主要局限性：剪枝策略的有效性依赖于“注意力在中间层后集中于早期token”这一观察，该模式是否在所有音视频大语言模型和任务中普遍存在尚不明确。此外，论文未探讨该剪枝框架对模型训练或微调阶段的影响，也未提供理论保证证明性能不会在更极端的压缩下下降。

10. AUDIOGENIE-Reasoner: A Training-Free Multi-Agent Framework for Coarse-to-Fine Audio Deep Reasoning

✅ 7.0/10 | 前25% | #音频问答 | #多智能体 | #音频场景理解 #迭代优化

👥 作者与机构

请基于当前提供的论文内容尽量完整提取作者与机构信息，要求：

1. 明确标注第一作者（如论文可判断），否则写“未说明”
2. 明确标注通讯作者（如论文可判断），否则写“未说明”
3. 列出能确认的作者姓名及其所属机构（大学、实验室、公司）
4. 机构信息尽量具体到实验室或部门；如果文本里没有，就写到能确认的层级
5. 禁止猜测机构信息；无法确认时明确写“未说明”

输出格式示例：

• 第一作者：张三（清华大学计算机系）

• 通讯作者：李四（Google DeepMind）

• 作者列表：张三（清华大学计算机系）、李四（Google DeepMind）、王五（未说明）

• 第一作者：Yan Rong（香港科技大学（广州））

• 通讯作者：Li Liu（香港科技大学（广州））

• 作者列表：Yan Rong（香港科技大学（广州））、Chenxing Li（腾讯AI Lab）、Dong Yu（腾讯AI Lab）、Li Liu（香港科技大学（广州））

💡 毒舌点评

用 2-3 句话做有信息量的点评，必须同时包含至少 1 个亮点和 1 个短板。可以犀利，但不要空泛嘲讽，不要只喊“很强”或“很水”。

亮点在于其创新的范式转换，巧妙地将复杂的音频推理任务转化为大语言模型擅长的文本理解和迭代证据搜寻问题，并通过一个设计精巧的“诊断-计划-行动”多智能体循环实现了这一想法。短板在于，该框架的性能高度依赖于所选ALLM和LLM的“天花板”，且其迭代优化过程在多轮交互中可能引入噪声，论文未深入探讨其计算成本与效率问题。

📌 核心摘要

用 5-8 句话总结这篇论文，必须覆盖：

1. 要解决什么问题

2. 方法核心是什么

3. 与已有方法相比新在哪里

4. 主要实验结果如何（尽量带数字；没有就写未提供）。如果论文中有实验结果表格，必须用 Markdown 表格完整列出关键数据；如果有实验结果相关图表，描述图表内容

5. 实际意义是什么

6. 主要局限性是什么

7. 问题：现有音频深度推理模型存在“感知-推理”能力差距，受限于缺乏显式推理链的训练数据，且通常采用被动的单次信息处理，无法主动探索和迭代完善证据。

8. 方法：提出AudioGenie-Reasoner (AGR)，一个免训练的多智能体系统。其核心是将音频推理任务转化为文本理解任务，先通过音频描述模型生成粗糙文档，再通过规划、交互、增强等智能体组成的主动迭代循环，不断搜索和补充缺失的文本证据，直至信息充足。

9. 新意：首次在音频深度推理中探索多智能体框架；实现了从“音频推理”到“文本理解”的范式转换；提出了“诊断-计划-行动”的主动迭代文档优化循环，使系统从被动接收者变为主动调查者。

10. 结果：在MMAU-mini和MMAR两个基准测试上，AGR均取得了开源模型中的最优性能（SOTA）。在MMAU-mini上，AGR的准确率达到72.60%，相比开源最强基线（Audio Flamingo 3）高出9.0个百分点；在更复杂的MMAR上，达到58.85%，高出12.6个百分点。消融实验验证了迭代循环和LLM能力的关键作用。

11. 意义：为解决音频深度推理这一挑战性任务提供了新的有效思路，证明了将感知与认知解耦并利用LLM推理潜力的可行性，对具身智能、自动驾驶等应用有潜在价值。

12. 局限：框架性能严重依赖所选ALLM（感知）和LLM（推理）的性能上限；对信号层面的低级声学线索推理能力可能有限；迭代过程可能引入噪声或增加延迟（论文未明确评估计算开销）。

11. Segmentwise Pruning in Audio-Language Models

✅ 7.0/10 | 前50% | #音频问答 | #token剪枝 | #音频场景理解 #音频大模型

👥 作者与机构

• 第一作者：未说明（根据作者列表顺序推测为Marcel Gibier，但未明确标注）
• 通讯作者：未说明
• 作者列表：Marcel Gibier（Inria Paris），Pierre Serrano（Inria Paris），Olivier Boeffard（Inria Paris），Raphaël Duroselle（AMIAD），Jean-François Bonastre（AMIAD）

💡 毒舌点评

亮点：方法设计巧妙且实用，通过简单的“分段再选Top-K”约束，显著缓解了标准Top-K可能导致的token时间聚集问题，在保持甚至提升性能的同时大幅降低计算开销，为ALM的推理加速提供了一个即插即用的轻量级方案。 短板：方法本质是启发式规则，并未深入探究“为什么分段有效”背后的表征理论，例如分段大小如何与音频内容的时长、节奏特性相匹配。实验仅展示了推理加速，未涉及训练成本或对模型微调的潜在影响。

📌 核心摘要

1. 要解决什么问题：音频-语言模型（ALMs）通常将长序列的音频编码与文本嵌入拼接后送入Transformer，导致注意力机制的计算复杂度随序列长度平方增长，造成巨大的计算开销，限制了模型在长音频任务中的效率。
2. 方法核心是什么：提出一种名为“分段Top-K（Segmentwise Top-K）”的轻量级推理时token剪枝方法。该方法将音频编码器的输出序列划分为S个时间片段，在每个片段内独立选择注意力得分最高的若干token，从而保证剪枝后的token在时间维度上分布均匀。
3. 与已有方法相比新在哪里：不同于仅依赖注意力分数的全局Top-K（可能导致选中的token在时间上聚集）或基于相似度的合并方法（如VisionZip），本文方法显式地利用了音频信号的时序结构，通过分段约束在剪枝时促进了token的时间多样性，能更好地覆盖音频全程信息。
4. 主要实验结果如何：在Audio Flamingo 3和Qwen2-Audio-7B两个模型上进行的实验表明，仅保留25%的音频token，模型在音频描述（CIDEr）和音频问答（准确率）等任务上的性能下降通常小于2%（相对最大下降）。例如，在Audio Flamingo 3上保留25% token时，在ClothoAQA和MMAU-total上甚至比原始模型性能略高。同时，推理预填充阶段速度提升显著（从162.54ms降至29.55ms，提速约5.5倍）。
5. 实际意义是什么：该方法为部署和实时运行大型音频-语言模型提供了一种简单高效的优化途径，能大幅减少推理延迟和内存占用，而对核心任务性能影响极小，有助于推动ALM在边缘设备或低延迟场景的应用。
6. 主要局限性是什么：分段数量S=10是启发式选择，对不同长度或特性的音频可能非最优；方法仅在推理时应用，未探索与训练结合是否能带来更大收益；未深入分析剪枝后丢失的信息类型以及对极长或复杂音频的鲁棒性。

12. Teaching Audio Models to Reason: A Unified Framework for Source- and Layer-Wise Distillation

✅ 7.0/10 | 前25% | #音频问答 | #知识蒸馏 | #音频大模型 #音频场景理解

👥 作者与机构

• 第一作者：Runyan Yang、Yuke Si、Yingying Gao（三人并列第一作者，论文中标注† Equal contribution）
• 通讯作者：Shilei Zhang（论文中标注* Corresponding author）
• 作者列表：Runyan Yang（JIUTIAN Research, China Mobile & 北京大学多媒体信息处理国家重点实验室）、Yuke Si（JIUTIAN Research, China Mobile & 北京大学多媒体信息处理国家重点实验室）、Yingying Gao（JIUTIAN Research, China Mobile & 北京大学多媒体信息处理国家重点实验室）、Junlan Feng（JIUTIAN Research, China Mobile & 北京大学多媒体信息处理国家重点实验室）、Chao Deng（JIUTIAN Research, China Mobile & 北京大学多媒体信息处理国家重点实验室）、Shilei Zhang（JIUTIAN Research, China Mobile & 北京大学多媒体信息处理国家重点实验室）

💡 毒舌点评

该论文提出的“源维度”与“层维度”双轨蒸馏框架，在理论上为跨模态推理能力的迁移提供了一个清晰且有一定新意的视角，特别是将声学教师作为冻结快照来保持音频能力的做法有巧思。然而，实验规模和范围严重受限，仅在Qwen系列模型的师生配置下进行了验证，缺乏跨架构、跨数据规模的普适性证明，其“统一框架”的宣称说服力因此大打折扣。

📌 核心摘要

1. 要解决什么问题：大型音频语言模型（LALM）虽在感知任务上表现良好，但因音频与文本间的模态鸿沟及缺乏结构化中间监督，其复杂推理能力受限。直接进行监督微调（SFT）易导致模型在异构任务（如语音情感识别）上发生灾难性遗忘。
2. 方法核心是什么：提出一个统一的知识蒸馏（KD）框架，从两个维度进行解耦：a) 源维度蒸馏：结合文本教师（强推理）和声学教师（保音频）提供互补监督。b) 层维度蒸馏：将教师信号对齐到学生模型的合适深度，以提高知识迁移效率。
3. 与已有方法相比新在哪里：区别于传统仅用单一教师顶层监督的KD方法，该框架首次系统性地引入“源”和“层”两个正交维度进行精细化控制，并创新性地利用学生模型蒸馏前的冻结快照作为“声学教师”，以平衡推理能力引入与原有声学能力保持之间的矛盾。
4. 主要实验结果如何：在MMAU音频问答基准和IEMOCAP语音情感识别任务上实验。关键结果（来自表1）如下表所示：

   方法	AQA 准确率 (Sound/Music)	AQA 准确率 (Speech/Average)	SER UA(%)
   基线 (Qwen2.5-Omni-7B)	74.47 / 66.47	70.27 / 70.40	58.89
   SFT-only	69.37 / 68.56	71.47 / 69.80	51.93
   顶层文本KD + SFT	70.57 / 66.47	73.87 / 70.30	54.13
   跳层文本KD (1-in-7) + SFT	70.87 / 68.86	72.37 / 70.70	53.37
   层文本KD + SFT	70.87 / 70.96	75.68 / 72.50	49.65
   层文本KD + 声学KD + SFT	75.38 / 70.36	74.17 / 73.30	56.03
   最终组合方法（层文本KD+声学KD）在AQA平均准确率（73.30%）上达到最佳，并在声音类问答和语音情感识别（SER）上相比仅文本蒸馏有显著提升（+4.51%，+6.38%），证明了声学蒸馏对保留底层感知能力的重要性。

5. 实际意义是什么：为高效地将大语言模型的推理能力迁移到音频大模型提供了一种可行的框架，有助于构建更强大且成本可控的音频推理系统。
6. 主要局限性是什么：实验仅在单一模型家族（Qwen）内验证，缺乏与其他架构、更大规模模型的对比，通用性未明；声学教师仅为学生模型蒸馏前的快照，其有效性边界未深入探讨；未公开代码和完整训练细节，可复现性存疑。

13. AQUA-Bench: Beyond finding answers to knowing when there are None in Audio Question Answering

✅ 7.0/10 | 前50% | #音频问答 | #基准测试 | #多模态模型 #鲁棒性

👥 作者与机构

• 第一作者：Chun-Yi Kuan（National Taiwan University）
• 通讯作者：Hung-yi Lee（National Taiwan University）（论文未明确说明通讯作者，根据学术惯例及作者排序推断）
• 作者列表：Chun-Yi Kuan（National Taiwan University）、Hung-yi Lee（National Taiwan University）

💡 毒舌点评

亮点：该工作直面了一个被主流评测普遍忽视但极为现实的问题——“当模型无法回答时该怎么办”，并为此构建了系统化、可操作的评估框架，填补了音频大模型评测中的一个重要空白。短板：作为一项“评测基准”工作，其本身并未提出解决模型“强制选择”偏差的方法或模型，更多是“诊断”而非“治疗”，且论文中部分实验图表（如详细Prompt影响、部分模型对比）的可视化数据在正文中缺失，略显遗憾。

📌 核心摘要

1. 要解决什么问题：当前的音频问答基准（如Dynamic-SUPERB, MMAU）默认所有问题都有答案，忽略了现实世界中常见的、模型应拒绝回答的“不可回答”问题（如问题与音频不相关、选项缺失等），导致对模型可靠性的评估不全面。
2. 方法核心是什么：提出了一个名为AQUA-Bench的新基准，系统评估模型在三种不可回答场景下的表现：(1) 缺失答案检测（AAD），(2) 不兼容答案集检测（IASD），(3) 不兼容音频-问题检测（IAQD）。该基准通过系统性地修改现有可回答的音频问答样本，构造对应的不可回答版本。
3. 与已有方法相比新在哪里：首次为音频问答任务定义并构建了针对“不可回答性”的标准化评测体系。与之前仅关注回答正确性的基准不同，AQUA-Bench专门评估模型“识别并拒绝无效问题”的能力，这更贴近可信AI的要求。
4. 主要实验结果如何：实验揭示了当前主流音频大模型（ALLMs）的一个普遍盲点。如表1所示，模型在原始可回答任务（Ori.）上表现优异（例如Qwen2.5-Omni在动物声音上达96.4%），但在不可回答任务（尤其是AAD）上性能急剧下降（同模型在AAD上仅20.5%）。使用思维链（CoT）提示能显著提升模型在不可回答任务上的表现（如BALSa-MA在多个AAD任务上超过90%）。
5. 实际意义是什么：该基准为评估和推动更可靠、更值得信赖的音频语言系统提供了重要工具。它指出了当前模型在真实部署场景中的一个关键缺陷——倾向于对无效问题给出自信但错误的答案，这对于医疗、安防等敏感领域至关重要。
6. 主要局限性是什么：1. 基准本身不提供解决模型偏差的方法，只是揭示问题。2. 构建的IAQD部分依赖于GPT-4o生成不相关问题，其质量和分布可能受限于生成模型的能力。3. 评估的模型范围有限，主要聚焦于公开的ALLMs，未涵盖更多潜在的架构探索。

14. Test-Time Scaling for Auditory Cognition in Audio Language Models

✅ 7.0/10 | 前25% | #音频问答 | #测试时扩展 | #音频大模型 #大语言模型

👥 作者与机构

• 第一作者：Ting Dang (墨尔本大学，澳大利亚)
• 通讯作者：未说明
• 作者列表：Ting Dang（墨尔本大学，澳大利亚）、Yan Gao（剑桥大学，英国）、Hong Jia（奥克兰大学，新西兰；墨尔本大学，澳大利亚）

💡 毒舌点评

这篇论文首次系统性地探索了测试时扩展（TTS）策略在音频语言模型（ALM）听觉认知任务上的应用，填补了一个明显的空白。然而，其自建数据集仅包含10名参与者，样本规模偏小，这使得论文声称的“揭示ALM的局限性”和“TTS显著提升性能”的结论在泛化性上略显薄弱。

📌 核心摘要

1. 问题：现有的音频语言模型（ALM）在训练数据和基本能力上关注语音转录与感知，但在应对真实世界复杂听觉认知场景（如鸡尾酒会问题）时，其推理能力和适应性不足。
2. 方法核心：本文的核心在于评估ALM的认知能力并探索提升其推理能力的方法。作者设计了三个难度递增的听觉认知任务（自然声识别、单说话人数字序列、双说话人重叠数字序列），收集了相应的人类回答数据集。随后，系统评估了五款主流ALM在无额外处理下的表现，并首次尝试应用五种源自文本大模型的测试时扩展（TTS）策略（包括Chain-of-Thought提示、自一致性解码、束搜索加权、LLM验证器打分等）来增强模型的推理能力。
3. 创新点：相较于已有工作，本文的创新在于：(1) 首次针对ALM设计并评估了听觉认知任务；(2) 首次将多种TTS策略迁移到ALM的音频推理任务中，证明了其有效性；(3) 揭示了当前ALM在复杂听觉场景下的显著不足，并指出了提升方向。
4. 主要实验结果：所有测试的ALM（包括开源和闭源）在听觉认知任务上的表现均低于人类。其中GPT-4o表现最佳，在某些复杂场景甚至超越人类。引入TTS策略后，性能获得显著提升（相对提升幅度从9%到150%不等）。具体结果见表2。
5. 实际意义：该研究为提升ALM在复杂、真实听觉环境中的理解和推理能力提供了新思路，验证了TTS作为一种无需额外训练即可增强模型推理能力的方法在多模态领域的潜力。
6. 主要局限性：研究构建的数据集规模较小（10名参与者，180条音频事件），可能限制结论的普遍性；实验仅在有限的五个模型和三种任务上进行；缺乏为音频任务专门设计的奖励模型，验证器方案（使用GPT-4o）较为通用。

表2：使用TTS的准确率对比（括号内为相对百分比提升）

图1说明：展示了本文设计的三个听觉认知任务流程（从自然声识别到单人说话再到双人重叠语音），以及如何收集人类与模型的回答进行对比评估。

图2说明：详细描绘了三种TTS中“搜索对抗验证”类方法的流程，包括自一致性解码（多数投票）、基于束搜索的加权对数似然、以及使用另一个更强LLM作为验证器打分。

图3说明：直观对比了在不使用TTS时，五款ALM（包括GPT-4o, Gemini系列，开源模型）与人类在三个任务上的准确率。显示所有ALM均低于人类，且随任务难度增加性能下降明显。

图4说明：分析了Audio-Flamingo 2模型在不同束搜索大小（2-7）下的准确率变化。随着束大小增加，总体准确率及复杂任务（Task2， Task3）的准确率有提升趋势，说明生成更多候选答案有助于提高最终选择的准确性。

15. Advancing Speech Summarization in Multi-Modal LLMs with Reinforcement Learning

✅ 7.0/10 | 前50% | #音频问答 | #强化学习 | #知识蒸馏 #多模态模型

👥 作者与机构

• 第一作者：Shaoshi Ling（Microsoft CoreAI）
• 通讯作者：未说明
• 作者列表：Shaoshi Ling（Microsoft CoreAI）、Gang Liu（Microsoft CoreAI）、Guoli Ye（Microsoft CoreAI）、Jinyu Li（Microsoft CoreAI）

💡 毒舌点评

本文提出的三阶段强化学习训练框架，特别是“在策略知识蒸馏”方法，确实为提升开源MLLM的语音摘要能力提供了一条清晰的工程路径，效果显著（相对提升28%并超越GPT-4o-Audio）。但整个框架高度依赖GPT-4作为教师模型和评估者，这既在“选题价值”上打了折扣（更像是一种蒸馏应用而非原理突破），也让所谓“超越GPT-4o”的结论在公平性上留有疑问——毕竟你用的是GPT-4o（文本模式）当老师来训学生去赢另一个GPT-4o的变体。

📌 核心摘要

1. 要解决什么问题：现有开源多模态大语言模型在语音摘要任务上的性能远落后于商业闭源模型（如GPT-4o-Audio），存在明显的模态差距（音频 vs 文本）。
2. 方法核心是什么：提出一个三阶段强化学习训练框架：首先在精心构建的合成数据上进行监督微调以增强指令遵循能力；其次，通过“在策略知识蒸馏”从强大的文本LLM（GPT-4o）转移摘要能力，直接学习学生模型自身生成的序列；最后，使用直接偏好优化来减少幻觉并提升输出质量。
3. 与已有方法相比新在哪里：创新点在于将“在策略知识蒸馏”成功应用于跨模态（文本教师到音频学生）的知识迁移，解决了传统蒸馏中由于分布不匹配导致的模式坍塌问题；并将其与DPO结合，形成一个端到端的、能有效弥合模态差距的训练流水线。
4. 主要实验结果如何：
   • 在Golden3、AMI、Floras三个基准测试上，最终模型（Phi-4MM SFT+KD+DPO）相比强基线（复现的Phi-4MM）取得了高达28%的相对性能提升。
   • 在所有三个数据集上均超越了GPT-4o-Audio模型。
   • 主要结果如下表所示：

     模型/方法	Golden3 ↑	AMI ↑	Floras ↑
     GPT-4o Audio	6.26	5.83	5.77
     GPT-4o Text	6.57	6.75	6.82
     Phi-4MM replicated	4.84	4.13	4.16
     Phi-4MM SFT	4.97	5.14	5.14
     Phi-4MM SFT+KD	6.05	5.75	4.93
     Phi-4MM SFT+KD+DPO	6.36	6.26	5.74

   • 消融研究表明，每个训练阶段都有贡献，其中知识蒸馏阶段带来最大提升，但同时也引入了幻觉，由DPO阶段缓解。
5. 实际意义是什么：为在资源受限条件下提升开源多模态模型在语音摘要等跨模态任务上的能力，提供了一个有效且可复现的训练范式，有助于推动语音理解技术的普惠化。
6. 主要局限性是什么：训练过程高度依赖闭源、强大的GPT-4作为教师模型和偏好评估者，这可能在实际部署中难以复现；论文中未提及模型、代码或数据的开源计划；评估主要基于GPT-4打分，可能存在偏见。