BASS：评估音频语言模型在音乐结构与语义推理方面的能力

音乐理解是一项复杂任务，通常需要对音频的结构和语义元素进行推理。本文提出 BASS 基准，旨在评估音频语言模型在结构分割、歌词转录、音乐学分析及艺术家协作四类任务中的理解与推理能力。该基准包含 2658 个问题、1993 首独特歌曲及超 138 小时多流派音乐数据。对 14 个模型的评估显示，现有模型虽能有效利用语言先验，但在高层推理任务（如结构分割）上表现欠佳，揭示了当前技术在音乐结构与属性推理上的局限。