# 音频幻觉

该工作把面向视觉语言模型的多模态直接偏好优化（mDPO）迁移到音频域，用反转、随机噪声、时频掩蔽等声学扰动构造“完好音频对扰动音频”的偏好对，在Qwen2-Audio-7B-Instruct上训练，使DCASE 2025音频问答整体准确率由56.0%升至70.0%，AH Existence由55.6%升至83.0%。

该工作把面向视觉语言模型的多模态直接偏好优化（mDPO）迁移到音频域，用反转、随机噪声、时频掩蔽等声学扰动构造“完好音频对扰动音频”的偏好对，在Qwen2-Audio-7B-Instruct上训练，使DCASE 2025音频问答整体准确率由56.0%升至70.0%，AH Existence由55.6%升至83.0%。