HuggingFace Daily Papers（社区热门论文）·2026-09-26 08:00· 4 天前AI 评分39

VoxMem：面向大型音频语言模型的多模态记忆基准

VoxMem: Benchmarking Multimodal Memory in Large Audio Language Models

AI 导读

VoxMem 是面向大型音频语言模型（LALM）的多模态记忆基准，包含 3,196 个评测实例、34,743 段语音会话（177 小时），覆盖语音语义、说话人身份、副语言线索与环境声四类声学证据，以及信息抽取、多会话推理、时序追踪和拒答四类记忆操作，上下文预算从 8K 到 64K tokens。