Logbook：面向小时级长音频事件理解的基准

研究者推出 Logbook，一个面向小时级音频理解的基准，录音时长从 10 分钟到 6 天，要求系统在给定连续音频和事件标签词表下输出无间隙的分段、标签与描述。团队对比了 52 个端到端与级联系统，并消融微调、上下文长度和推理预算，发现任务可解但最佳系统仍低于人类参考水平，过度分段普遍存在，微调可部分缓解，端到端系统通常优于级联系统但随上下文变长而退化。