Qwen-Audio-Jev
Qwen 团队推出的统一音频决策接口模型，在 Qwen-Audio 基础上增加 Jev 决策头，通过 CHOICE、NOUL、SCORE 三个决策原语直接输出结构化决策结果，跳过自回归文本生成环节
时间轴 (近 90 天)
Qwen-Audio-Jev 是通过在 Qwen-Audio-3.1-ASR-Flash-Next 上增加一个专用的 Jev 决策头实现的，将音频决策从'生成文本再解析'变为'直接输出决策'。
Qwen-Audio-Jev 将决策任务收敛为三个原语：CHOICE（从候选中选择）、NOUL（二元判断）、SCORE（数值打分）。
Qwen-Audio-Jev 在 18 组标注配置上做了评估，覆盖全部三个原语。
Qwen-Audio-Jev 在 MMAU-mini 上的 CHOICE 准确率达到 78.70%。
Qwen-Audio-Jev 在 MMSU 上的 CHOICE 准确率达到 84.06%。
Qwen-Audio-Jev 在 VoxCeleb1-O 说话人验证基准上的等错误率（EER）为 6.50%。
Qwen-Audio-Jev 在 NISQA 整体质量评估上的归一化平均绝对误差为 0.1062，Pearson 相关系数为 0.8210，Spearman 相关系数为 0.8074。
Qwen-Audio-Jev 相比原始的 Qwen-Audio-3.1-ASR-Flash-Next 实现了约 20 倍的推理加速。
Qwen-Audio-Jev 的加速来源是消除了自回归文本生成的开销，而非模型变小或精度降低。
论文明确指向三类应用场景：大规模音频筛选、说话人验证、自动化质量评估。
还有 3 条时间轴事件
全部知识事实 (13)
Qwen-Audio-Jev 是通过在 Qwen-Audio-3.1-ASR-Flash-Next 上增加一个专用的 Jev 决策头实现的，将音频决策从'生成文本再解析'变为'直接输出决策'。
50%待验证Qwen-Audio-Jev 将决策任务收敛为三个原语：CHOICE（从候选中选择）、NOUL（二元判断）、SCORE（数值打分）。
50%待验证Qwen-Audio-Jev 在 18 组标注配置上做了评估，覆盖全部三个原语。
50%待验证Qwen-Audio-Jev 在 MMAU-mini 上的 CHOICE 准确率达到 78.70%。
50%待验证Qwen-Audio-Jev 在 MMSU 上的 CHOICE 准确率达到 84.06%。
50%待验证Qwen-Audio-Jev 在 VoxCeleb1-O 说话人验证基准上的等错误率（EER）为 6.50%。
50%待验证Qwen-Audio-Jev 在 NISQA 整体质量评估上的归一化平均绝对误差为 0.1062，Pearson 相关系数为 0.8210，Spearman 相关系数为 0.8074。
50%待验证Qwen-Audio-Jev 相比原始的 Qwen-Audio-3.1-ASR-Flash-Next 实现了约 20 倍的推理加速。
50%待验证Qwen-Audio-Jev 的加速来源是消除了自回归文本生成的开销，而非模型变小或精度降低。
50%待验证论文明确指向三类应用场景：大规模音频筛选、说话人验证、自动化质量评估。
50%待验证决策头模式的前提是答案规格足够明确；对于开放式、需要生成解释或推理过程的问题，文本生成仍然是必要的。
50%待验证Qwen-Audio-Jev 的评估集中在英文基准上，多语言场景下的表现还有待验证。
50%待验证Qwen-Audio-Jev 采用'理解与决策分离'的设计，使主干模型无需重新训练，只需在输出端增加少量参数即可支持新的决策类型。
50%