**VoxMem：首个评估大型音频语言模型多模态记忆能力的基准**

_VoxMem: Benchmarking Multimodal Memory in Large Audio Language Models_

> VoxMem 是一个包含 3,196 个评估实例和 177 小时语音会话的基准，旨在全面测试大型音频语言模型（LALM）的记忆能力。该基准从声学证据类型（如语义、说话人身份、副语言线索、环境音）和记忆操作（如信息提取、多会话推理、时间追踪、拒答）两个维度构建评估体系，覆盖 8K 至 64K 的上下文预算。对 15 个 LALM 的测试显示，模型在 32K 上下文下准确率均未超过 40%，且在处理非语义声学信息时表现显著弱于语义内容，揭示了当前模型在多模态记忆方面的局限性。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-30 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.32607)