Audio-Native LLM（音频原生大语言模型）
Audio-Native LLM直接在音频空间推理的 LLM
亦作、亦称：音频原生大语言模型 · Audio-Native LLM · 音频原生 LLM
Audio-Native LLM 把语音理解/推理/函数调用统一在单一音频 LLM 中，区别于 ASR+LLM+TTS 级联。PolyAI Dialog-RSN-1 是其代表——融合端点检测、语音识别、函数调用，TTS 可选。
核心
见 glossary.ts 同名条目。Audio-Native LLM 是语音 AI 的第三路线——不同于级联架构和纯端到端模型，在单一音频 LLM 内统一理解/推理/工具调用。
常见误解
日常交流中容易听到的简化说法，未必准确，但能帮助理解误解从何而来。
- 「直接在音频空间推理的 LLM」
- 「不是 ASR+LLM+TTS 的级联」
相关术语
和本术语关联紧密的其他词条，便于串联理解。
🎯 考点练习
含该术语的高频面试题，含标准答案与追问。
- 高级系统设计查看详解 →
如何设计全模态视频生成模型的评估基准？
全模态视频生成模型的评估需覆盖画面质量、音画一致性、时序连贯性、品牌保真度、成本效率五个维度，且需区分编辑与从零生成两类任务。
- 初级概念高频查看详解 →
什么是大语言模型（LLM）？它能做什么、不能做什么？
LLM 是基于 Transformer、在海量文本上预训练的自回归语言模型，擅长语言任务，但不擅长精确计算、实时信息，且会产生幻觉。
- 中级概念查看详解 →
Claude Opus 5 如何在降低成本的同时提升安全性？「guardrails 激活频率降低 85%」意味着什么？
考察候选人对前沿模型「安全-可用性平衡」的理解：以 2026 年 7 月发布的 Claude Opus 5 为例，解读「guardrails 激活频率较 Fable 5 降低 85%」的真实含义、过度拒绝（over-refusal）问题，以及为什么「更少误拦」与「更安全」可以同时成立。
- 高级概念查看详解 →
比较 Subquadratic Attention 与标准 Self-Attention 的复杂度差异。长上下文 LLM 的工程挑战有哪些？
考察候选人对注意力机制复杂度的理解：标准自注意力为何是 O(n²)、亚二次注意力的实现路径（稀疏/低秩/线性/SSM）、SubQ 的工程突破，以及长上下文 LLM 在内存、延迟、成本上的工程挑战。
延伸阅读
从知识库精选 1 篇文章，帮助深入理解该术语。
外部参考
维基百科：查看「Audio-Native LLM」词条本页内容为本站原创撰写；维基百科链接仅作延伸参考。