AudioMCQ：推动大型音频语言模型后训练的新里程碑

AudioMCQ是专为大型音频语言模型（LALMs）后训练设计的大规模多选题数据集，含57.1万个样本。其核心创新包括双链式思维标注机制和音频贡献度过滤框架，有效解决模型过度依赖文本先验的问题。该数据集在DCASE 2025挑战赛中获第一名，填补了音频贡献度感知数据集的空白，推动音频语言模型发展。

随着多模态大语言模型发展，音频理解能力成为衡量综合智能的重要维度。但现有模型处理音频问答时易过度依赖文本提示的先验知识，而非真正理解音频内容，这种“虚假关联”制约实际应用价值。为此，inclusionAI团队提出AudioMCQ数据集，引入“音频贡献度感知”训练范式，旨在构建具备真实音频理解能力的系统。

规模与覆盖

AudioMCQ含57.1万样本，覆盖声音、音乐、语音、时间序列四大领域，以多选题形式呈现，兼顾自动化评估与细粒度理解测试。

双链式思维标注

采用结构化（逻辑步骤+中间结论）与非结构化（自然灵活推理）两种推理路径，助力模型学习系统分解与创造性思维。

音频贡献度过滤

将样本分为弱贡献（54.8%，可仅靠文本答题）和强贡献（45.2%，需深度理解音频）两类，引导模型平衡音频与文本信息权重。

训练策略

• 弱到强范式：先在弱贡献样本预训练，再过渡到强贡献样本，避免“捷径学习”。
• 混合到强范式：混合两类样本，通过损失函数赋予强贡献样本更高权重，兼顾稳定性与深度理解。

评估指标革新

引入MMAR（多模态音频推理）和MMAU（多模态音频理解）指标，评估模型决策过程合理性，准确反映音频理解深度。

• 竞赛成绩：AudioMCQ在DCASE 2025音频问答挑战赛中获第一名，验证实际应用有效性。
• 模型提升：经AudioMCQ后训练的模型在复杂音频理解场景中鲁棒性与准确性显著提升，团队开源了Weak-to-Strong和Mixed-to-Strong范式的模型检查点。
• 社区反馈：2026年4月修正评估脚本确保MMSU指标准确，发布AudioMCQ-StrongAC-GeminiCoT子集（Gemini 3.1 Pro生成CoT），被指定为DCASE2026 Task5官方训练数据。

• 推动LALMs发展：填补音频贡献度感知大规模数据集空白，标准化资源加速领域进步。
• 多模态融合启发：音频贡献度概念可推广至视觉、触觉等模态，助力均衡可靠的多模态系统构建。
• 产业应用：模型可应用于智能客服、音频审核、医疗听诊、工业故障检测等场景，提升垂直领域应用价值。

AudioMCQ是音频语言模型训练数据构建的重要里程碑，通过音频贡献度感知与双链式标注建立新训练范式，引导模型深入理解音频。其获ICLR2026录用及DCASE2025冠军，证明学术价值与实用潜力。后续版本（如StrongAC-GeminiCoT）及DCASE2026的采用，将持续推动领域进步。研究者与工程师深入应用其理念，可把握音频语言模型发展趋势。