Qwen-Audio-Jev 发布：音频决策统一接口，推理提速约 20 倍
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载为什么另做决策头
论文的出发点是：大型音频语言模型在音频理解上已有明显进展，但在需要频繁选择、判断和打分的高吞吐场景里，自回归式文本生成会带来额外的计算开销与响应延迟。Qwen-Audio-Jev 的做法不是继续让模型「说话」，而是在 Qwen-Audio-3.1-ASR-Flash-Next 之上加一个专用的 Jev 决策头，把输出从自由文本改成类型化的决策读数。输入包括音频、自然语言问题以及明确的答案规格，模型据此直接给出任务条件下的概率分布或一个数值分数。这样做的直接收益是省掉逐 token 生成文本的环节，把推理成本压到更适合批量处理的水平。
三个决策原语与评测结果
模型把选择、二值判断和打分归纳为三个决策原语：CHOICE、NOUL 和 SCORE。评测覆盖 18 组带标注的配置，三类原语都有涉及。CHOICE 类任务上，MMAU-mini 的准确率为 78.70%，MMSU 为 84.06%；NOUL 类任务上，VoxCeleb1-O 说话人验证基准的等错误率为 6.50%；SCORE 类任务上，NISQA 整体质量评估的归一化平均绝对误差为 0.1062，Pearson 相关系数 0.8210，Spearman 相关系数 0.8074。这些数字对应的是具体基准上的表现，而非泛化的能力宣称。
提速幅度与适用场景
论文给出的关键工程指标是：与原始 Qwen-Audio-3.1-ASR-Flash-Next 相比，Qwen-Audio-Jev 的推理速度提升约 20 倍。作者据此说明它在高效、高吞吐音频决策上的潜力，点名的应用方向包括大规模音频筛选、说话人验证和自动化质量评估。这些场景的共同特征是单次请求不需要长文本输出，只需要一个选择结果、一个是非判断或一个分数，因此把输出改成类型化决策读数比生成文本更贴合需求。论文同时给出 arXiv 编号 2610.21614，提交时间为 2026 年 10 月 15 日，作者包括 Ying Fang、Zhifu Gao、Qing Gu 等人。
为什么值得看
音频模型从「生成文本」转向「直接出决策」，20 倍提速对高吞吐筛选、验证、打分场景有直接参考价值。
信源1 家
关键事实
相关 · 模型
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。