语音 Agent 会先「听」再行动吗？VGBench 基准显示原始音频模型静音率仅 14%

Yanjie Zhang 等发布 1,018 项诊断基准 VGBench，测评音频 LLM 在旁人说话、自言自语、说话人切换场景下该静音还是调工具或回答，六个原始音频模型与三种免训练改造的最高切换静音率仅 14%。后训练案例 VoxGate 通过监督训练把切换指令静音率提升至 91.3%，同时为佩戴者指令正确选工具。