تكشف دراسة أن نماذج تضمين الصوت-اللغة مثل CLAP تواجه صعوبات مع النفي، حيث تقوم بربط التسميات المؤكدة والمنفية بتمثيلات متطابقة تقريباً. وكشفاً عن هذا القصور، يقدم المؤلفون إطار عمل NegEval-Audio، والذي يحول مجموعات البيانات إلى مهام Retrieval-Neg و Multiple-Choice Negation.
- تتدهور الأداء على AudioCaps و Clotho بشكل حاد تحت النفي، مع انخفاض دقة MCQ إلى ما دون مستوى الصدفة.
- يستمر الفشل حتى بالنسبة لنماذج التضمين متعددة الوسائط الحديثة القائمة على LLM.
- تحسن طريقة توجيه خالية من التدريب لـ MCQ-Neg لكنها تقدم مكاسب هامشية لـ Retrieval-Neg.
تشير النتائج إلى أن التحيز التأكيدى هو عيب أساسي في هندسة التمثيل، مما يستلزم أهداف تدريب صريحة واعية بالنفي.