基准测试

共分析 137 篇 ICML 2026 论文

论文研究无可见光工业场景下只用空间音频找方向、只用深度看路的导航问题，用三阶段训练的 ADAPT 和位置朝向图上的剩余动作数奖励 TARS 实现，在未见过的工厂中 Clean 条件成功率 90.6% 而最难的局部噪声下保持 60.0%，代价是依赖仿真中的特权地图和固定鸣叫信标。

AMemOps 用增益与声像位置可控的长音频流检验最新属性取回、未变属性保留与缺席拒绝，用录音、熟悉度与冲突历史配对控制比较固定尺寸递推记忆与注意力，说明更新优势在什么录音与历史条件下出现以及擦除的作用。

AnyEdit 把带噪编辑拆成干净语义编辑与上下文声学渲染两步，用噪声鲁棒韵律与流匹配渲染保持背景，在真实与模拟带噪集上内容与背景连续性更好，但长音频与瞬态声仍受限。

针对 5 分钟长音频中事件定位与密集描述易幻觉的问题，论文用 EgoSCAPE 评测与 ATTEST 强化学习约束模型只说音频中有证据的时间段，代价是需要多轮采样与注意力统计的训练开销。

论文以行为文本控制动物叫声生成，用发声锚点把六个物种录音与文献行为知识成组配对，在 TangoFlux 上微调并用事件感知变长掩码聚焦真实事件，主结果支持微调全面改善与变长进一步提升判别力和声学保真度，但结论只限于已见行为的新表述与给定目标时长条件。

针对参考语音与待合成文本语言不同时无对齐模型按字节估计时长导致失配的问题，论文构建英语与九种印度语言双向评测基准，提出只在推理期引入语言平均每字符时长的修正策略，并在双语与多语 A-DMA 模型上用可懂度、相似度和自然度指标验证改进的范围与局限。

DuplexAct 把边听边说的交互拆成 8 个动作和 24 种条件，用立即执行与后续跟进两段成功率评价 14 个模型，发现能力分布不均且后续跟进普遍偏弱。

论文要解决声源运动时左右声道空间线索不跟着画面走的问题，用运动轨迹同时约束视频和立体声音频的 StereoBind 在 StereoWorldBench 上取得更好的空间一致性，同时保持整体视听质量，结论只在该合成监督与评测条件下成立。

HMU-Bench 用 1029 对乐谱问答和 460 对音频问答考查同一批全模态模型，最强系统乐谱得分接近 3.9 而音频最高仅 1.33，且两类排名几乎无关，局部困难音频与移调八度错误进一步暴露了评分与定位短板。

论文把混合音频的取证从整段二分类扩展为语音与背景各自的存在与真假八分类，用分离引导加混合波形与伪影证据联合推理的 TruMix 在 MixedTruth 上达到宏平均 AUC 约 98.51%，代价是约 98.8M 参数的多路 Transformer 与结构化推理流程。

论文把 WAXAL、BibleTTS 与 Mina 三处埃维语资源去重拼成 174.82 小时固定评测基准，并在其上微调 Whisper 与 AfriHuBERT，最好的 Whisper-medium 在 1443 句固定测试集上词错误率为 37.98%，代价是仍有标点与变音符号带来的虚高误差和专有名词脆弱性。

OmniCompass 针对视频理解只考问答或只用文字指代的问题，用同一目标的文字与图文配对、视觉与视听双轨道、时间定位加空间定位加问答三任务来诊断模型，并用 50 个模型的评测显示问答强而定位弱、跨指代不一致、开源模型在视听绑定上差距更大，但多帧与时间戳等输入预算会改变结论的适用条件。

论文针对单一媒体语音协议无法反映部署泛化的问题，把 16 个公开来源整理为 26 个固定试音对集合与 11 个场景组，用冻结键值和统一打分比较 18 个检查点的场景画像，发现平均误差相近的系统失效模式不同且同场景内也存在来源差异。

PAG-Agent 用最爱的歌曲与用户背景先提炼显式审美档案再生成专辑，并在 Personal-100 上用一致性与特异性指标验证个性化效果，而通用音质并未同步提升。

论文把实时语音系统放到 176 段闲聊的真实停顿和话轮末尾，比较它是否像真人一样保持沉默或接话，最强证据是托管 API 几乎从不沉默而全双工模型才会沉默，代价是历史输入通道不同且标注和触发方式影响结论适用范围。

论文针对语音同时带来有用人口线索和有害刻板联想的问题，提出区分是否被明确要求使用人口信息的三轴评测，用八个语音大模型显示能听出性别年龄不等于会恰当使用，且显式标签同时提升个性化和刻板选择。

论文提出查询条件下的同类多声源集合定位任务，用 40,000 场景基准检验包含缺席查询在内的集合恢复，Q-RSet 以查询加权的声源槽与证据汇聚实现最多 3 个同类源的活动与方向预测，主测试 F1 为 50.36% 但方向误差与空查询误报仍有明显代价。

论文针对第一视角助手只看拒答率会掩盖伤害对象差异与不懂装拒问题，提出 2,902 条视频加语音查询的 STOU 基准并分离测试拒答与理解，发现理解后仍协助与对佩戴者伤害最弱是主要代价。

论文针对屏幕场景下仅靠音频难以判定的关键词，构建按视觉证据直接程度分三层的评测集 ScreenASR-Bench，用关键词召回与归一化视觉增益度量三类模型在纯音频与加入视觉条件下的变化，最强的提升出现在可直接读屏的层级而间接语义层级提升最小。