11 月 19 日挂上 arXiv 的 Duopra,把语音智能体的问题问得很具体。全双工模型已经很会接话、会打断、会应答,但接完话未必把活派出去。作者共 15 人,把这个缺口叫任务代理。
他们拆的是前端与后端的错位。前端决定要不要请求、请求什么,后端决定怎么做;执行可以外包,没发出去的请求没法执行,发得不完整的请求还会把后端带偏。在自建流式管线里用 Realtime-Venus-Audio 加一层 Harness 跑 Full-Duplex-Bench v3,多数失败发生在任何领域工具被执行之前。
Duopra 的做法是把后端也当成一个工具,请求必须写成自包含的自然语言,直接调用与委托共用同一套动作接口,于是发起得忠实与执行得正确可以一起训练。训练分三段,协议 SFT、奖励及时且完整执行的全双工强化学习、思考模块更新后只修说话模块的投影层。
数字集中在一处。同一个后端下,Pass@1 从 4.7% 提到 44.7%;直接调用工具 47.7%,SFT 之后是 26.0%;换 DeepSeek 后端到 49.3%;在 FDB v1.0 上三项接管率都高于基座。
需要打折的地方也在。基准是作者自建的流式管线,接管率的提升没有第三方复现;论文没给打断频发时的误触发率,也没说多轮纠正里旧请求怎么撤销。44.7% 的另一面,是过半任务仍然没做完。