Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2509.04744

帮助 | 高级搜索

计算机科学 > 声音

arXiv:2509.04744 (cs)
[提交于 2025年9月5日 ]

标题: WildScore:在真实场景中的符号音乐推理基准测试

标题: WildScore: Benchmarking MLLMs in-the-Wild Symbolic Music Reasoning

Authors:Gagan Mundada, Yash Vishe, Amit Namburi, Xin Xu, Zachary Novack, Julian McAuley, Junda Wu
摘要: 最近在多模态大语言模型(MLLMs)方面的进展已在各种视觉-语言任务中展示了令人印象深刻的能力。 然而,它们在多模态符号音乐领域的推理能力仍大多未被探索。 我们引入了WildScore,这是首个在真实场景中的多模态符号音乐推理与分析基准,旨在评估MLLMs解释现实世界音乐谱和回答复杂音乐学问题的能力。 WildScore中的每个实例都来源于真实的音乐作品,并配有真实用户生成的问题和讨论,捕捉了实际音乐分析的复杂性。 为了便于系统评估,我们提出了一种系统分类法,包括高层次和细粒度的音乐学本体论。 此外,我们将复杂的音乐推理框架化为多项选择题回答,从而实现对MLLMs符号音乐理解的受控和可扩展评估。 在WildScore上对最先进MLLMs的实证基准测试揭示了其视觉-符号推理中的有趣模式,揭示了MLLMs在符号音乐推理与分析中的有前景方向和持续挑战。 我们发布了数据集和代码。
摘要: Recent advances in Multimodal Large Language Models (MLLMs) have demonstrated impressive capabilities across various vision-language tasks. However, their reasoning abilities in the multimodal symbolic music domain remain largely unexplored. We introduce WildScore, the first in-the-wild multimodal symbolic music reasoning and analysis benchmark, designed to evaluate MLLMs' capacity to interpret real-world music scores and answer complex musicological queries. Each instance in WildScore is sourced from genuine musical compositions and accompanied by authentic user-generated questions and discussions, capturing the intricacies of practical music analysis. To facilitate systematic evaluation, we propose a systematic taxonomy, comprising both high-level and fine-grained musicological ontologies. Furthermore, we frame complex music reasoning as multiple-choice question answering, enabling controlled and scalable assessment of MLLMs' symbolic music understanding. Empirical benchmarking of state-of-the-art MLLMs on WildScore reveals intriguing patterns in their visual-symbolic reasoning, uncovering both promising directions and persistent challenges for MLLMs in symbolic music reasoning and analysis. We release the dataset and code.
主题: 声音 (cs.SD) ; 计算与语言 (cs.CL); 音频与语音处理 (eess.AS)
引用方式: arXiv:2509.04744 [cs.SD]
  (或者 arXiv:2509.04744v1 [cs.SD] 对于此版本)
  https://doi.org/10.48550/arXiv.2509.04744
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Gagan Mundada [查看电子邮件]
[v1] 星期五, 2025 年 9 月 5 日 01:54:50 UTC (6,198 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
eess.AS
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-09
切换浏览方式为:
cs
cs.CL
cs.SD
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号