语音助手能秒回不等于靠得住：它还得记住你一路加的约束、会调工具、看得懂执行反馈、知道什么时候该闭嘴。Qwen-Audio-3.1-Realtime 把这些拆成 Think、Act、Speak and Coordinate 三层：用 M²-OPD 把文本模型的智力搬到耳朵里，用自进化的可执行环境和三种粒度的 GRPO rollout 教它动手，再用一套「怎么说 · 何时说 · 该不该说」的对话策略管住嘴。这篇带公式、带伪代码、带十张图，把技术报告拆开讲一遍。
全双工语音模型聊天越来越顺，但都不会「办事」：工具调用是暂停—等待—恢复，而全双工的世界没有暂停键。NVIDIA 的 NemotronLabs VoiceChat 11B 是第一个支持工具调用的开源全双工模型：流式编码器加 9B Nemotron Nano v2 加帧同步 TTS，四条通道踩着 80 毫秒的节拍并行推进，第四条通道专门吐 TOOLCALL，等待 API 返回时 agent 还能说一句「稍等，我查一下」。这篇从模型架构、打断机制一路拆到 Triton 加双 vLLM 的推理容器，看全双工怎么从 demo 走向能干活的语音 agent。
语音 agent 抢话的根源，是它拿静音时长猜「你说完没」。Pipecat 的 Smart Turn 用一个 8 MB 的模型直接听音频做判断：Whisper Tiny 编码器 + 注意力池化 + 三层分类头，CPU 上十几毫秒出结果，权重、数据、训练代码全部开源。这篇拆它的架构、三代演进、合成数据流水线，以及它在 VAD 之上怎么组成双保险。
语音助手为什么一调用工具就沉默？qwen-audio-agent 的答案不是再造一个更大的端到端模型，而是把「实时对话」和「后台干活」拆成两条并行流水线：前台 Qwen Audio Realtime 只管听和说，后台任意 ACP Agent 负责执行，中间用 Work 状态机、权限中转和送达确认把两边缝回「同一个助理」。本文基于 0.9.1 源码逐层拆解。
四篇论文串起 LLM Agent 的关键问题：ReAct 让推理与行动形成闭环，Toolformer 让模型自监督学习 API 调用，AgentBench 把 agent 放进八种环境考试，AgentBoard 再用进度率和轨迹诊断回答“究竟卡在哪里”。