四项探针检验音乐评判模型是否真在听音频

一项研究提出四种探针，检验开放音频语言模型在评判生成音乐时究竟依据音乐、文本提示还是提问方式。研究者在 MusicEval 全部 2,748 个片段上测试五个开放评判模型，发现去掉音频后，没有模型能超过仅凭提示词从人类评分预测的水平。 在成对评判中，四个较小模型的判定跟随片段在配对中的位置而非质量；改写指令对多数模型相关性的影响，与更换评判模型相当。作者据此建议每个音乐评判模型都报告这四项探针结果。

AI 根据报道生成 · 56 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。