MUSE 基准：探索音乐感知与音频 LLM 中的听觉关系推理

多模态大语言模型（MLLMs）在音频理解方面已展现出能力，但当前的评估可能掩盖其关系推理中的根本性弱点。我们提出 Music Understanding and Structural Evaluation（MUSE）基准，这是一个包含 10 个任务的开源资源，用于探索基础音乐感知技能。我们对四个 SOTA 模型（Gemini Pro and Flash、Qwen2.5-Omni、Audio-Flamingo 3）进行评估，并对大型人类基线（N=200）进行比较。我们的结果揭示了 SOTA 模型能力的广泛差异，并持续存在与人类专家之间的差距。尽管 Gemini Pro 在基础感知方面成功，Qwen 和 Audio Flamingo 3 的表现接近随机，暴露了严重的感知缺陷。此外，我们发现链式思维（Chain-of-Thought, 简称 CoT）提示在不一致且常常适得其反。我们的工作提供了一个评估不变音乐表征并推动开发更健壮 AI 系统的关键工具。