超越二进制乐器 QA：探索音乐音频语言模型中的乐器音频定位

最近的音乐音频语言模型在乐器问答基准上实现了高精度，但尚不清楚这是否反映了强大的音频基础或基准特定的快捷方式。在本文中，我们介绍了一种源自 OpenMIC 的诊断基准序列，用于音乐音频语言模型中的乐器音频定位，将二进制乐器存在 QA 扩展到流派先验减少的示例、易混淆的乐器辨别、更长的音频上下文和时间本地化。在这些设置中，高二元 QA 准确率通常无法预测模型行为：模型可能会表现出选项位置偏差、易混淆的仪器错误和时间响应偏差。这些结果表明，应该使用多轴诊断基准而不是单一的总体精度来评估仪器视觉定位。