MiMo-Audio：基于大型语言模型的少样本音频学习

本文介绍了MiMo-Audio，一个展示了少样本学习能力的大型音频语言模型。它通过利用类似于GPT-3等基于文本的语言模型中看到的可扩展性范式，解决了现有音频模型中特定任务微调的局限性。本文强调了该模型在各种基准测试中的强大性能，以及它对未见任务的泛化能力，展示了大规模预训练在音频领域的潜力。模型检查点和评估套件的可用性是一项重大贡献。

• •MiMo-Audio是一个大型音频语言模型。
• •它展示了少样本学习能力。
• •在各种基准测试中取得了SOTA性能。
• •泛化到未见的音频任务。
• •模型检查点和评估套件已公开。