MAC-SLU：多意图汽车座舱口语语言理解基准
计算与语言
2025-12-02 v1 多媒体
摘要
口语语言理解 (SLU)，旨在提取用户语义以执行下游任务，是任务导向对话系统的关键组成部分。现有的 SLU 数据集通常缺乏足够的多样性和复杂性，并且缺少针对最新大语言模型 (LLM) 和大音频语言模型 (LALM) 的统一基准。本工作引入了 MAC-SLU，一个新颖的多意图汽车座舱口语语言理解数据集，通过融入真实且复杂的多意图数据来提高 SLU 任务的难度。基于 MAC-SLU，我们对领先的开放源 LLM 和 LALM 进行了全面基准测试，涵盖了上下文学习、监督微调 (SFT) 以及端到端 (E2E) 和流水线范式等方法。我们的实验表明，虽然 LLM 和 LALM 有潜力通过上下文学习完成 SLU 任务，但其性能仍显著落后于 SFT。同时，E2E LALM 展现出与流水线方法相当的性能，并有效避免了语音识别中的错误传播。代码和数据集已公开发布。
引用
@article{arxiv.2512.01603,
title = {MAC-SLU: Multi-Intent Automotive Cabin Spoken Language Understanding Benchmark},
author = {Yuezhang Peng and Chonghao Cai and Ziang Liu and Shuai Fan and Sheng Jiang and Hua Xu and Yuxin Liu and Qiguang Chen and Kele Xu and Yao Li and Sheng Wang and Libo Qin and Xie Chen},
journal= {arXiv preprint arXiv:2512.01603},
year = {2025}
}