arXiv · cs.AI · Wish Suharitdamrong, Muhammad Awais, Xiatian Zhu, Sara Atito · 6 小时前模型评分44
研究揭示多模态大模型内部音频与视觉信息如何流向决策
From Senses to Decisions: The Information Flow of Auditory and Visual Perception in Multimodal LLMs
导读
一项被 NeurIPS 2026 接收的研究追踪了音视频大语言模型（AVLLMs，Audio-Visual Large Language Models）内部的信息流，发现处理音视频视频时，音频与视觉信号沿视觉语言模型既有的顺序通路传递，贡献比例取决于任务对各模态的依赖；面对多个交错音视频条目时则转为并行流。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
事件类型：研究发布
证据摘录
- “In this study, we examine audio-visual information flow inside Audio-Visual Large Language Models (AVLLMs), tracing how AVLLMs route, utilize, and integrate audio and visual information across two input configurations, audio-visual video and multiple interleaved audio-visual items.”
来源：arXiv · cs.AI · arxiv.org