视听对齐

听见你在哪：用视觉与空间声音教大语言模型空间推理

Hear you are: Teaching LLMs Spatial Reasoning with Vision and Spatial Sound

把双耳空间音频作为额外输入通道接入大语言模型，为视觉问答提供声源方位线索；当语义对应缺失或存在多个语义匹配时，空间对齐可作为消歧依据，这一设定可直接迁移到机器人听觉定位、视频中的声源定位与多模态推理任务。