AHA：减少大型音频语言模型中的音频幻觉

本文解决了大型音频语言模型（LALM）中幻觉的关键问题。它确定了具体的接地失败类型，并提出了一个新颖的框架AHA来缓解这些问题。使用反事实硬负样本挖掘和专门的评估基准（AHA-Eval）是关键贡献。在AHA-Eval和公共基准上展示的性能提升突出了这项工作的实际意义。

• •识别并分类LALM中的接地失败（幻觉）。
• •引入AHA框架，使用反事实硬负样本挖掘来解决这些失败。
• •开发AHA-Eval，一个用于评估时间推理的诊断基准。
• •在AHA-Eval和公共基准上实现了显著的性能提升。
• •证明了超越诊断集的泛化能力。