论文用最早可执行点监督让语音代理边听边调用工具。
资讯摘要
论文提出语音对话中“最早可执行点”监督，即请求在语音流中何时已足以确定工具及参数，而非等整轮结束。作者构建合成语音对话管线，生成48个领域、26,694段对话共786小时数据，并制作τ²-bench音频版用于外部评测。基于该语料训练的全模态模型在留出对话与外部基准上工具状态宏F1分别为0.48和0.47；对正确调用，作者报告相对轮末级联方案平均提前1.8–2.0秒（域内）和1.1秒（τ²-bench）。
要点速读
- 论文定义并标注语音请求的“最早可执行点”，用于在听到足够信息时即触发工具调用。
- 作者构建26,694段、786小时、48领域的合成语音对话数据，并制作τ²-bench音频渲染用于外部评测。
- 训练的全模态模型工具状态宏F1为0.48（留出集）和0.47（τ²-bench），正确调用相对轮末方案提前约1.8–2.0秒和1.1秒。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/28 08:00:17（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。