EChO-Agent：用于音频推理的证据链编排智能体

尽管大型音频语言模型在音频问答任务中展现出潜力，但在处理复杂音频推理时，往往难以聚焦于与问题相关的音频片段，且无法提供清晰、可核查的推理过程。现有的强化学习与工具增强提示方法虽有助于模型关联问题与音频，但缺乏理解、整合及自验证音频片段的可靠机制。为此，本文提出 EChO-Agent，这是一种模块化智能体框架，将复杂音频问答重构为规划、工具执行、证据整合及答案验证的工作流。在 MMAR 基准上的实验表明，EChO-Agent 在准确率和评分标准上均优于基线模型，消融研究进一步证实证据整合是关键因素。