音频推理不再整段等长：模型先给每个推理段自评难度，MMAR准确率62.0%而token降六成
音频大模型做显式推理时，此前多用一个整体难度信号决定要不要多想，难以指导推理链内部各段该分配多少算力。SWEAR把难度拆成声学质量、声学复杂度与推理需求等五个维度，先离线给推理链的规划、描述、推理三段打分并压缩参考轨迹，再让模型在监督微调中学会在生成每段之前先预测该段难度，随后用强化学习按自评难度控制各段长度。在MMAU-test-mini与MMAR上，相比无难度监督的CoTA-SFT，准确率分别提高2.6与6.3个百分点，生成token减少60.1%与62.3%。