让音乐共创智能体学会“聆听”：用于理解与生成的分层自监督世界模型

论文提出面向符号音乐的分层自监督“世界模型”：以255万参数Swin V2编码MIDI钢琴卷帘图，结合JEPA式等变、掩码预测与分布正则目标。冻结表征呈现与音乐时间尺度对应的层级结构；少量和弦监督将联合和弦恢复从0.18提升至0.54，并使未直接监督的调性检测从0.16升至0.70。条件流匹配模型还支持生成、变化控制和掩码修复。