Qwen-Audio-Jev：面向音频决策的统一接口

大型音频语言模型（LALMs）在音频理解方面取得了显著进展。然而，在需要频繁进行选择、判断和评分的高吞吐量应用中，自回归文本生成会带来额外的计算开销和响应延迟。为解决这一局限，我们在 Qwen-Audio-3.1-ASR-Flash-Next 的基础上增设专用的 Jev 决策头，推出了 Qwen-Audio-Jev。该模型通过 CHOICE、NOUL 和 SCORE 三种决策原语，统一了选择、二元判断和评分。给定音频、自然语言问题和明确的答案规范后，它通过具有明确类型的决策读出，直接生成以任务为条件的概率分布或数值评分。我们在 18 种带标签的配置上开展了评估，涵盖全部三种原语：对于 CHOICE，Qwen-Audio-Jev 在 MMAU-mini 和 MMSU 上的准确率分别达到 78.70% 和 84.06%；对于 NOUL，它在 VoxCeleb1-O 说话人验证基准上的等错误率为 6.50%；对于 SCORE，该模型在 NISQA 整体质量评估中的归一化平均绝对误差为 0.1062，Pearson 和 Spearman 相关系数分别为 0.8210 和 0.8074。与原始 Qwen-Audio-3.1-ASR-Flash-Next 相比，Qwen-Audio-Jev 实现了约 20 倍的推理加速。这展示了它在大规模音频筛选、说话人验证和自动化质量评估等应用中实现高效、高吞吐量音频决策的潜力。