待验证50% 置信事实精确时间
LongVALE 侧重视觉-音频-语言联合理解，UnAV-100 聚焦音频事件定位，两者是常用的音视频时序定位基准。
1
来源数
50%
置信度
长期有效
时效性
2026/10/20
首次发现
来源
涉及实体
相关事实
待验证研究团队提出了HLR-AVSceneQA，一个按照'听—定位—推理'（Hear-Localize-Reason）层级结构设计的空间音视频综合评测基准。71% 相似待验证当前大多数音视频大语言模型（AV-LLM）把音频当作单声道语义信息处理，只能识别声音内容而无法判断声源方位及其与画面中物体的关联。69% 相似部分验证音频是时序信号，音乐生成模型需要保持长时间跨度上的连贯性，将其集成进以图像/视频为主的工作流引擎需要在采样调度、内存管理和输出格式上做专门适配67% 相似待验证音视频联合去噪将音频潜空间与视频潜空间在同一扩散过程中并行处理，音频信号作为条件约束参与每一步去噪迭代66% 相似待验证音频对数值精度更敏感，失真容易被耳朵察觉，因此音频VAE选fp32；视频VAE选fp16是在画质与显存之间取得平衡66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1073806API
curl https://kongchang.com/api/v1/knowledge/claims/1073806MCP
get_claim(id=1073806)