热点事件持续更新
SWEAR：分段高效音频推理框架
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
2026 年 10 月 12 日，arXiv cs.AI 收录论文《SWEAR：基于自评难度的分段高效音频推理》。该框架面向音频推理任务，思路是难度感知：先通过离线评估得到五维难度分数并压缩推理轨迹，在监督微调阶段让模型学习难度信号，再用强化学习按推理阶段自适应分配推理量。实验在 MMAU-test-mini 和 MMAR 两个基准上进行，结果显示 SWEAR 在提升准确率的同时大幅减少生成的 token，并且能缩短简单样本的推理过程，同时不牺牲困难样本上的表现。目前报道仅涉及这一方法与实验结果，未提及其他后续进展。
AI 根据报道生成 · 1 小时前更新
最新进展10月12日 12:00
arXiv 刊出 SWEAR，在 MMAU-test-mini 与 MMAR 上提升准确率同时大幅减少生成 token。报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv cs.AISWEAR：基于自评难度的分段高效音频推理
SWEAR 是一个难度感知的音频推理框架，通过离线评估得出的五维难度分数与压缩推理轨迹，在监督微调中学习难度信号，并用强化学习按推理阶段自适应分配推理量。在 MMAU-test-mini 和 MMAR 上，SWEAR 在提升准确率的同时大幅减少生成 token，并缩短简单样本的推理过程且不牺牲困难样本表现。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。