arXiv cs.CL· Yi Wang, Tianzi Wang, Tong Lei, Dahan Wang, Peter Bell·· 5 小时前AI 评分23
如何设计文本接口提升 LLM 在音视频问答中的推理能力
Designing Textual Interfaces To Enhance Llm Reasoning On Audio-Visual Question Answering
AI 导读
研究比较了三种文本接口设计对音视频问答提示词优化的影响：单一全模态大模型（OmniLLM）直接推理、captioner-reasoner 系统，以及由主智能体编排子智能体 OmniLLM 的智能体架构。基于 Qwen3-Omni 和 Gemini 的实验显示，直接提示词优化带来依赖模型的增益，而 captioner-reasoner 与智能体系统虽提供更可解释的优化接口，却更难优化。
来源：arXiv cs.CL · arxiv.org