소리 근거를 먼저 확보하기
긴 설명이 있어도 처음 들은 소리를 잘못 판단하면 결론이 흔들릴 수 있다. LLT는 의미와 음향적 성질, 시간 정보를 포괄하는 조밀한 설명을 구성해 지각 근거를 다양하게 만드는 데 초점을 둔다.
네 단계의 자료 생성
여러 측면의 오디오 설명을 만들고 더 어려운 질문을 생성한다. 이어 잘못된 추론 기록을 합성하고 짧은 기록을 이어 쓰면서 검증과 되짚기 같은 행동을 포함하도록 확장한다.
후속 학습의 구성
약 160만 개의 추론 기록을 합성해 Qwen2.5-Omni-7B를 학습한다. 지도 미세 조정에 이어 직접 선호 최적화를 적용하며 MMAU의 Test-mini와 MMAR, MMSU에서 결과를 평가한다.
길이와 정확성
두 타격음의 순서를 묻는데 첫 소리를 놓쳤다면 문장을 길게 쓰는 것만으로 해결되지 않는다. 추가 설명이 실제 관측을 점검하는지 확인해야 한다. 합성한 추론 기록의 규모가 사람 검수나 사실 정확성을 자동으로 보장하지도 않는다.