ONOTE：面向专家级音乐智能的全模态记谱处理基准
声音
2026-04-23 v1 人工智能
多媒体
音频与语音处理
摘要
全模态记谱处理（ONP）代表了全模态AI的一个独特前沿，因为它需要在听觉、视觉和符号领域之间进行严格的、多维的对齐。当前的研究仍然零散，专注于孤立的转录任务，未能弥合表面模式识别与底层音乐逻辑之间的鸿沟。严重的记谱偏见（偏向西方五线谱）以及“LLM-as-a-judge”指标固有的不可靠性（通常用系统性幻觉掩盖结构推理失败）使这一局面进一步复杂化。为了建立更严格的标准，我们引入了ONOTE，这是一个多格式基准，利用基于规范音高投影的确定性流水线来消除跨不同记谱系统的主观评分偏见。我们对领先的全模态模型的评估揭示了感知准确性与音乐理论理解之间的根本性脱节，为诊断复杂、规则约束领域中的推理漏洞提供了必要的框架。
引用
@article{arxiv.2604.20719,
title = {ONOTE: Benchmarking Omnimodal Notation Processing for Expert-level Music Intelligence},
author = {Menghe Ma and Siqing Wei and Yuecheng Xing and Yaheng Wang and Fanhong Meng and Peijun Han and Luu Anh Tuan and Haoran Luo},
journal= {arXiv preprint arXiv:2604.20719},
year = {2026}
}
备注
12 pages, 8 figures