[LG]《Harness-1: Reinforcement Learning for Search Agents with State-Externalizing Harnesses》P Jiang, Z Shi, K Hong, X Xu… [University of Illinois at Urbana-Champaign & UC Berkeley] (2026)

在音频智能领域，AUDIO-INTERACTION 面临的核心困境是：现有 LALMs 只能离线处理整段音频或处理单一流式任务，无法像人类一样边听边做判断。其本质问题是模型缺乏对实时上下文的感知与决策机制。

本文的核心突破是将音频理解建模为“感知—决策—回应”的连续循环。通过逐块判断是否回应，模型能够在同一个框架下同时实现实时转写、语音翻译、对话交流和主动干预，使流式音频交互成为可能。

这项工作的价值在于，它将音频智能从“事后反应”升级为“持续在场”的交互模式，为统一流式音频处理打开新路径，同时也揭示了现实噪声环境下误触发仍需优化的挑战。

arxiv.org/abs/2606.02373 机器学习 人工智能 论文 AI创造营