CSyMR: Benchmarking Compositional Symbolic Muisc Reasoning With MIR Tool Integration

📄 arXiv: 2601.11556v1 📥 PDF

作者: Boyang Wang, Yash Vishe, Xin Xu, Zachary Novack, Julian McAuley, Junda Wu

分类: cs.LG, cs.AI, cs.CL, cs.SD, eess.AS

发布日期: 2025-12-16

💡 一句话要点

提出CSyMR基准以解决符号音乐推理的整合性问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 符号音乐推理 大型语言模型 音乐分析 工具增强代理 数据集构建 综合性推理 机器学习

📋 核心要点

  1. 现有方法在符号音乐推理中缺乏综合性推理能力，主要集中于孤立知识或原子分析。
  2. 论文提出CSyMR-Bench基准，结合多个原子分析以解决复杂的音乐推理问题，并引入工具增强代理框架。
  3. 实验结果表明，CSyMR-Bench对模型提出了显著挑战，而工具增强代理在准确率上超越所有基线，提升幅度为5-7%。

📝 摘要（中文）

大型语言模型（LLMs）在符号音乐推理中得到了应用，但现有基准主要强调孤立知识或原子分析，而缺乏连接音乐结构所需的综合性推理。为此，我们提出了组合符号音乐推理基准（CSyMR-Bench），这是一个由126个问题组成的多项选择数据集，问题来源于专家论坛和专业考试。每个问题都涉及将多个原子分析结合以得出最终答案。此外，我们引入了一种工具增强代理框架，利用music21库中的符号音乐分析工具来应对CSyMR-Bench所带来的挑战。实验验证了CSyMR-Bench在社区来源和考试风格问题上都具有非平凡的挑战性，而我们的工具增强代理在所有基线中表现优异，取得了5-7%的绝对准确率提升。

🔬 方法详解

问题定义：本论文旨在解决符号音乐推理中的综合性推理问题，现有方法往往局限于孤立的知识或原子分析，无法有效连接音乐结构。

核心思路：提出组合符号音乐推理基准（CSyMR-Bench），通过设计多项选择题目，要求模型结合多个原子分析得出最终答案，从而提升推理的综合性。

技术框架：整体架构包括数据集构建、工具增强代理框架和模型训练三个主要模块。数据集通过专家论坛和专业考试问题构建，工具增强代理利用music21库进行符号音乐分析。

关键创新：CSyMR-Bench的设计是本研究的核心创新点，它通过整合多个分析任务，推动了符号音乐推理的研究进展，区别于以往的孤立分析方法。

关键设计：在模型训练中，采用了特定的损失函数和参数设置，以优化模型在多项选择题上的表现，同时确保工具增强代理能够有效利用符号音乐分析工具。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，CSyMR-Bench对模型提出了显著挑战，工具增强代理在所有基线中表现优异，准确率提升幅度达到5-7%。这一结果表明，综合性推理在符号音乐分析中具有重要意义。

🎯 应用场景

该研究的潜在应用领域包括音乐教育、音乐创作辅助工具以及音乐分析软件。通过提高符号音乐推理的能力，能够帮助音乐学生和专业人士更好地理解和创作音乐，推动音乐理论的研究与应用。

📄 摘要（原文）

Large Language Models (LLMs) are leveraged in symbolic music reasoning, yet existing benchmarks emphasize isolated knowledge or atomic analyses rather than the integrative compositional reasoning needed to connect musical structures. To address this, we present the Compositional Symbolic Music Reasoning Benchmark (CSyMR-Bench), a curated multiple-choice dataset of 126 questions derived from expert forums and professional examinations. Each item involves combining several atomic analyses to arrive at the final answer. Furthermore, we introduce a tool-augmented agent framework that leverages symbolic music analysis tools from the music21 library to address the challenges posed by CSyMR-Bench. Experiments validate that CSyMR-Bench poses a non-trivial challenge across both community-sourced and exam-style questions, while our tool-augmented agent consistently outperforms all baselines, achieving 5-7% absolute accuracy gains.