AURAL 用潜空间推理与联合分块预测，在语音语言模型上以 11.8 倍更快的首答延迟达到与 CoT-RL 相当的性能
该工作提出 AURAL，在潜空间中建模多种可能推理延续的分布并联合预测未来状态分块，配合 683K 条双语语音话语（约 1000 小时）的 AuralReason-683K 监督与 AURAL-RL 强化学习，在两个骨干网络上取得与 CoT-RL 相当的性能，多数指标上相对各自监督检查点提升更大，并在 Qwen2.5-Omni 上将首个答案 token 的时间从 1.22 秒降至 0.10 秒（11.8 倍），而直接回答为 0.05 秒。