提示学习

该文把自然语言行为描述经分解、按需挑选领域知识、分头合成图形处理器核函数再组装为可执行草图，在 8 个提示上把零样本与全文档 p 档的零通过率提升到管线条件下约五至七成，但只验证 12 秒无错运行而不验证行为保真与音乐可用性。

共收录 103 篇 cvpr-2026 会议论文的 Reader 深度解读

针对可学习查询缺乏显式情感语义的问题，论文用固定数量的多模态情感原型作软提示并冻结大模型主干，在四个数据集和三种大模型上取得可复述的精度提升，而可训练参数仅占极小比例。

针对 CLIP 固定提示 a photo of a 与音频嵌入 token 语义脱节的问题，SOUPLE 用图像特征经 Meta-net 生成的可学习上下文替代固定词，在 VGGSound-144K 训练下提升 VGG-SS 与 SoundNet-Flickr 定位与 AVSBench 单源分割，但在无类别监督的多源 MS3 上出现过分割代价。

针对无菌手术室中多设备协调控制难与语音交互延迟高的问题，论文提出分层语音流水线加智能体核心的 SurgicalRoomAgent，用 KV 缓存预热、流式提前执行与渐进式提示披露降低延迟与上下文压力，但所报告的延迟数字为理论估计且缺乏大规模临床验证。

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读

针对文本到音乐模型的黑盒提示词窃取问题，AudioStealer 用相似度引导的启发式搜索定方向、再用沙普利值量化各语义单元贡献做精修，在 InspireMusic 上以语义 59.4%、音乐 70.1% 的可复现流程实现最强证据，代价是依赖本地影子模型的多次查询与精修计算。

针对人听希望去噪干净而识别前端怕语音失真的问题，论文用源条件与额外标记两类提示扩展统一分离模型并按提示切换标准损失与正则损失，英日噪声实验显示识别分支降低了词错误率与字错误率而高质量分支保持了重建质量，代价是识别分支牺牲客观质量且仍未超过推理期混合基线。

针对音频语言模型提示调优在基类上过拟合、新类上掉点的问题，论文提出用大模型生成语义邻居并以带间隔的拉近推远损失约束文本空间，在 11 个数据集平均上把 CoOp 新类准确率从 34.09% 提升到 42.98%，代价是训练时每个类要多编码 10 个邻居文本。

针对十种非洲低资源语言的转写任务，PUMA 用冻结的 wav2vec 2.0 特征加可训练的通用语言投影与语言令牌和 CTC 训练，在同时训练平均词错误率 0.314 上报告优于 MMS 的 0.419 和 Whisper-large 的 0.339，代价是零样本下仍落后于 7B 量级系统且阿拉伯语等难语言更依赖语言令牌。

针对级联转写在低资源语言和口音下丢失声学线索且误差传播的问题，论文用冻结 MiMo-Audio-7B 加任务加共享加语言残差三段软提示做端到端二分类，在 PolySpeechTox 上报告微平均 ROC-AUC 为 98.07%，代价是只验证了单一骨干且依赖语言口音标签做训练路由。

针对语音、声音、歌声与音乐四类音频造假统一检测问题，论文提出冻结语音自监督模型并只学习提示词的小波提示调优方法，在四类联合训练下以远少于微调的参数取得更低的平均等错误率，但单类训练仍难跨类泛化。

共收录 36 篇 eacl-2026 会议论文的 Reader 深度解读

论文把同一恶意叙事分别用文本、中性语音和五种心理风格语音送入端到端音频大模型，用三数据集攻击成功率证明讲法改变服从性，在 Gemini 上达到 98.26% 而代价是小模型解码不稳定与手工风格难优化。

针对音频问答中少样本演示不稳定且每次推理都要重复传入演示音频的问题，论文提出每个任务只归纳一次纯文字指令的 Audio-Induct，并在 9 个大音频语言模型与两个基准上验证其准确率与推理开销，代价是小模型自行归纳仍不稳定且对策略思维链仅边缘显著。

针对中文语音识别中口语忠实转写与书面可读转写难以兼顾的问题，论文用成对监督加提示词选形式训练一个共享模型，并以数字关键词加权的序列优化和分开考核必须改与禁止改的协议证明其在必须规范化上达到 4.64% I-CER 与 94.85% 关键词 F1、在禁止改上达到 95.18% 保留率，而无数字控制集上未引入虚假数字。

语音识别 | 5.7/10

音视频问答 | 5.9/10

音乐生成 | 6.6/10