NVIDIA与马里兰大学推出了Audio Flamingo Next（AF-Next），这是一个开放的大型音频语言模型，旨在提升音频理解能力。AF-Next有三种版本，分别用于问答、多步骤推理和音频字幕生成。该模型通过时间音频思维链技术，能够更准确地处理长达30分钟的录音，并在长音频理解和音乐识别方面表现优异。

AIxiv专栏促进学术交流，报道超过2000篇内容。马里兰大学研究团队提出AutoHallusion框架，自动生成视觉大模型的幻觉案例，以解决数据集不足的问题。实验结果显示，GPT-4V等模型在新基准数据集上的问答准确率最高为66%。该研究已发表于EMNLP 2024。