音频语言模型听不全录音：补上声学信息后，结构任务准确率最高涨44.4个百分点
音频语言模型的基准分数可能把语言能力误当成声学理解。研究用合成朗读和转写文本作参照，在6个基准的92项任务上测量原始录音相对文字的增益，发现19个开源模型在说话人、情绪等整体属性任务和重音、语调等录音内结构任务上落后Gemini 3.1 Pro 28.6和41.9个百分点，其中约一半以上来自录音增益。在Gemma-4 12B和Qwen2.5-Omni-7B的读出下降层训练LoRA适配器并加内容锚点后，两类任务准确率提升12.8至44.4个百分点，词汇任务平均准确率保持在基座模型1个百分点以内。