arXiv eess.AS· Yi Wang, Tianzi Wang, Tong Lei, Dahan Wang, Peter Bell·· 5 小时前评分27
面向音视频问答的文本接口设计如何影响 LLM 提示优化
Designing Textual Interfaces To Enhance Llm Reasoning On Audio-Visual Question Answering
导读
研究比较了三种文本接口设计对音视频问答多模态推理提示优化的影响：单一全模态大模型（OmniLLM）直接推理、描述器-推理器系统，以及由主智能体调度子智能体 OmniLLM 的智能体架构。基于 Qwen3-Omni 与 Gemini 的实验显示，直接提示优化带来依赖模型的增益，而描述器-推理器与智能体系统虽暴露更可解释的优化接口，却更难优化，并对受优化影响的案例做了错误分析。
来源：arXiv eess.AS · arxiv.org