面向AI作曲家：合成乐谱问题以实现音乐推理

增强大语言模型（LLM）和多模态大语言模型（MLLM）理解乐谱的能力，是构建AI作曲家的关键步骤。然而，当前研究缺乏乐谱推理的评估基准和训练数据。灵感来自数学学科，其中简单运算可产生大量可验证的问题，我们提出了一种新方法，将核心音乐理论规则（例如关于节拍和音程的规则）视为程序化函数，以系统性地合成大量且多样化的乐谱推理问题。这种方法允许我们引入一个数据合成框架，用于生成文本和视觉两种模态的可验证乐谱问题，导致Synthetic Sheet Music Reasoning Benchmark（SSMR-Bench）以及互补的训练集。SSMR-Bench上的评估结果突显了推理在解读乐谱中的关键作用，同时也指出了在视觉格式中理解乐谱的持续挑战。通过利用合成数据进行RLVR，所有模型在SSMR-Bench上都实现了显著的性能提升。此外，它们还在之前建立的人工制作基准（如MusicTheoryBench和MMM的音乐子集）上实现了显著的进步。最后，我们的结果表明，增强的推理能力还可以促进音乐创作。