真实音频场景，大模型集体挂科！首个原生语音基准MultiChallenge

Scale AI发布首个原生音频多轮对话基准Audio MultiChallenge，揭示大模型在真实语音交互中的严重短板。测试显示，即便强如Gemini 3 Pro，真实场景通过率也仅略超50%，GPT-4o Audio表现更差。研究指出，当前模型在语音编辑（平均通过率17.99%）、长对话一致性（8分钟后得分降至13%）及非语义信号识别（性能下降36.5%）方面存在显著缺陷，暴露其依赖洁净合成语音评测的局限性，凸显语音理解与文本处理的本质差异。
来源：https://mp.weixin.qq.com/s/icoMrC9lqVICGwdWHB_7pA