NAACA：无需训练 神经听觉注意力认知架构，具有振荡工作记忆，用于显着性驱动的注意力门控

音频提供了关键的情境线索，但当前的音频语言模型 (ALM) 在长格式录音中面临注意力瓶颈，其中主导的背景模式可能会淡化罕见的显着事件。我们介绍 NACA，一种 无需训练 神经听觉注意力认知架构，它将注意力分配重新定义为听觉显着性过滤问题。其核心是 OWM，一种受神经启发的振荡工作记忆，它可以维持稳定的类似吸引子的状态，并仅在自适应能量波动发出感知显着性信号时触发更高认知的 ALM 处理，从而触发更高级别的推理。在 XD-Violence 上，NAACA 将 AudioQwen 的平均精度 (AP) 从 53.50% 提高到 70.60%，同时减少了不必要的 ALM 调用。此外，对世界城市声景 (USoW) 数据集的定性案例研究表明，OWM 捕获新事件和子类别变化，同时对瞬时停顿和城市环境噪音保持鲁棒性。