arXiv cs.AI·20 天前★ 3

论文提出SWEAR：按难度自适应分配音频推理算力

原文标题：SWEAR: Section-Wise Efficient Audio Reasoning via Self-Rated Difficulty

重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

arXiv论文针对大型音频语言模型自适应推理中难度估计粗糙的问题，提出五维难度评分与压缩推理轨迹，并给出SWEAR框架，在监督微调中学习难度信号、用强化学习跨推理阶段分配算力。在MMAU-test-mini与MMAR上提升准确率同时显著减少生成token。

深读 · 结论先行AI 生成展开看要点与影响 ↓

SWEAR按五维难度评分分配音频推理算力，准确率提升同时显著减少生成token。

为什么重要：音频推理的算力分配从粗粒度难度判断走向多维信号驱动，为多模态模型在准确率与推理成本之间取得更细的平衡。

以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。

AI 处理过程展开/收起

原始标题：SWEAR: Section-Wise Efficient Audio Reasoning via Self-Rated Difficulty

AI 中文标题：论文提出SWEAR：按难度自适应分配音频推理算力

来源：arXiv cs.AI · 发布于 20 天前

分类：多模态 · AI 重要度：★ 3（3）

标签：音频大模型 / 自适应推理 / 强化学习 / 多模态

关键词：SWEAR / 音频大模型 / 自适应推理 / 多模态推理 / 推理效率

AI 处理：2026/10/12 12:02:32 · 模型 deepseek-chat · 规则版本 2026-10-10.1

AI 生成以上内容由 AI 自动生成：中文标题、摘要、分类与重要度；同一事件的多家报道会自动归并展示。内容仅供参考，可能存在偏差，请以原文为准，不构成任何投资或专业建议。
版权归原作者与原发布平台所有；若涉及侵权或信息错误，请在举报与侵权投诉页反馈，我们会及时处理。

相关推荐