一份技术报告的分数表，真正读得懂的人不多：OpenAudioBench 的 Overall 是怎么平均出来的、Full-Duplex-Bench 的接管率在什么窗口里数、τ-Voice 的任务成功为什么要看数据库、VoiceChat 的 Spoken 和 Rubric 为什么一升一降。这篇把 Qwen-Audio-3.1-Realtime 报告用到的三十多个测试集逐个拆开：每个是什么、一道题长什么样、分数怎么算、报告里的数字该怎么读。
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。
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。