音视频一致性

生成、分析与精修：基于多模态大模型元推理的免训练声源定位

Generate, Analyze, and Refine: Training-Free Sound Source Localization via MLLM Meta-Reasoning

把 MLLM 的推理能力当作免训练的音视频一致性判别器：用开放集角色标注加锚框投票量化音视频一致性，再用自适应门控决定是否修正框，这套「生成-分析-精修」流程可直接迁移到其他需要跨模态验证的定位任务（如指代定位、开放词表检测的后处理）。