本文第一作者謝之非，共同第一作者馬子陽(yáng)皆是來(lái)自于南洋理工大學(xué)的博士生。通訊作者為新加坡國(guó)立大學(xué)特聘教授顏水成和南洋理工大學(xué)數(shù)據(jù)與科學(xué)系校長(zhǎng)講席教授苗春燕。共同作者為騰訊AI首席專(zhuān)家葉德珩和新加坡國(guó)立大學(xué)博士后研究員廖越。

兩千多年前，孔子說(shuō)過(guò)「三思而后行」。這句古老箴言，其實(shí)點(diǎn)出了人類(lèi)面對(duì)復(fù)雜問(wèn)題的核心智慧：一步步推理，層層拆解，最終做出可靠的決策。

現(xiàn)在，已有諸多模型在復(fù)雜推理方面展現(xiàn)出顯著進(jìn)展，如 DeepSeek-R1 和 OpenAI o1，部分多模態(tài)系統(tǒng)甚至能夠處理跨領(lǐng)域的復(fù)雜任務(wù)，展現(xiàn)出解決復(fù)雜現(xiàn)實(shí)問(wèn)題的潛力。然而，在端到端對(duì)話模型中，推理能力尚未解鎖。

原因并不復(fù)雜。深度思考意味著模型往往需要在輸出前生成完整推理鏈，而這直接帶來(lái)延遲。對(duì)于語(yǔ)音對(duì)話系統(tǒng)而言，速度與質(zhì)量同樣關(guān)鍵。一旦停頓過(guò)長(zhǎng)，哪怕答案再精妙，也會(huì)破壞交互的自然感。

設(shè)想一個(gè)場(chǎng)景：你問(wèn)語(yǔ)音助手「這份研究報(bào)告的結(jié)論可靠嗎？」。如果模型沉默十秒才給出語(yǔ)音的回復(fù)，則完全失去對(duì)話的體驗(yàn)；若它立刻回答，但推理缺乏深度，又容易顯得表面化。問(wèn)題在于：要么得到一個(gè)「強(qiáng)大但反應(yīng)遲鈍」的助手，要么得到一個(gè)「迅速但思維簡(jiǎn)單」的助手。魚(yú)與熊掌，似乎不可兼得。

基于這一挑戰(zhàn)，我們提出了 Mini-Omni-Reasoner——一種專(zhuān)為對(duì)話場(chǎng)景打造的實(shí)時(shí)推理新范式。它通過(guò)「Thinking-in-Speaking」實(shí)現(xiàn)邊思考邊表達(dá)，既能實(shí)時(shí)反饋、輸出自然流暢的語(yǔ)音內(nèi)容，又能保持高質(zhì)量且可解釋的推理過(guò)程。

• 論文標(biāo)題：MINI-OMNI-REASONER: TOKEN-LEVEL THINKING-IN-SPEAKING IN LARGE SPEECH MODELS
• 論文鏈接
• https://arxiv.org/pdf/2508.15827
• 項(xiàng)目主頁(yè)
• https://github.com/xzf-thu/Mini-Omni-Reasoner

Mini-Omni-Reasoner：

邊思考，邊表達(dá)

讓我們暫時(shí)把視角放回人類(lèi)自己。當(dāng)一個(gè)人面對(duì)復(fù)雜問(wèn)題時(shí)，往往不是「想完再說(shuō)」，而是「邊說(shuō)邊想」。當(dāng)被問(wèn)到「如何理解人工智能的未來(lái)」時(shí)，大多數(shù)人不會(huì)先默默推理數(shù)分鐘再完整輸出結(jié)論，而是會(huì)邊思考邊組織語(yǔ)言：「這個(gè)問(wèn)題挺復(fù)雜的……我覺(jué)得可以從技術(shù)和社會(huì)兩個(gè)層面來(lái)看……」

Mini-Omni-Reasoner 正是受到這一啟發(fā)，探索「邊思考，邊表達(dá)」的新范式。它允許模型在生成回答的同時(shí)進(jìn)行內(nèi)部推理，實(shí)現(xiàn)token 級(jí)別的思維流與輸出流交替生成。這樣既能保留邏輯深度與可解釋性，又能提供自然、低延遲的交互體驗(yàn)。

「一心二用」——如何在大模型中實(shí)現(xiàn)？

「Thinking-in-Speaking」推理范式：傳統(tǒng)推理模型遵循「thinking-before-speaking」路線：先完整生成推理鏈，再一次性給出答案。邏輯雖完整，但交互性差，用戶(hù)必須等待較長(zhǎng)時(shí)間。尤其在語(yǔ)音交互場(chǎng)景下，這種長(zhǎng)時(shí)間的停頓極大削弱了使用體驗(yàn)。

Mini-Omni-Reasoner 提出的則是「thinking-in-speaking」范式。模型在生成過(guò)程中同時(shí)維護(hù)兩條流：回答流（response stream）和推理流（reasoning stream）。二者像兩支交錯(cuò)前進(jìn)的隊(duì)伍，一邊輸出用戶(hù)可聽(tīng)到的回答，一邊在后臺(tái)繼續(xù)進(jìn)行邏輯演算。

通俗理解為：模型循環(huán)輸出p 個(gè)回答 token + q 個(gè)推理 token，直到完成任務(wù)。用戶(hù)感受到的是自然、幾乎無(wú)停頓的對(duì)話，而模型在內(nèi)部始終維持嚴(yán)謹(jǐn)?shù)耐评礞?。整個(gè)推理過(guò)程如下。

這種機(jī)制突破了「要么快，要么準(zhǔn)」的二元困境，讓「會(huì)想、會(huì)說(shuō)」真正成為可能。

模型架構(gòu)：Mini-Omni-Reasoner 采用了Thinker-Talker架構(gòu)，像一對(duì)分工明確的搭檔：

• Thinker：大腦擔(dān)當(dāng)，負(fù)責(zé)語(yǔ)音理解和邏輯推理，交替產(chǎn)出回答 token 和推理 token。內(nèi)部結(jié)構(gòu)是「音頻編碼器 + 大模型」。

• Talker：嘴巴擔(dān)當(dāng)，只負(fù)責(zé)把回答 token 變成語(yǔ)音，而對(duì)推理 token 保持沉默，確保輸出始終簡(jiǎn)潔、自然。

這種解耦方式的好處很直觀：Thinker 全力搞邏輯，Talker 專(zhuān)心搞對(duì)話，誰(shuí)也不分心。

2:8 Token 交替設(shè)計(jì)：我們最終選擇了2:8 的回答–推理 token 比例，背后有幾層考量：

• 推理比例更高 → 思維更完整，但可能反應(yīng)太慢，實(shí)時(shí)性差。

• 回答比例更高 → 說(shuō)得快，但容易「說(shuō)過(guò)頭」，邏輯沒(méi)跟上，甚至產(chǎn)生幻覺(jué)。

• Chunk 過(guò)長(zhǎng) → 不管是全推理還是全回答，都會(huì)帶來(lái)延遲或質(zhì)量問(wèn)題。

結(jié)合實(shí)驗(yàn)結(jié)果，我們發(fā)現(xiàn)推理鏈長(zhǎng)度大約是回答的 2～3 倍，因此 2:8 是一個(gè)平衡點(diǎn)：既保證推理深度，又能保持實(shí)時(shí)語(yǔ)音合成的流暢性。比如，當(dāng)模型每秒生成 50 token，就能給用戶(hù)帶來(lái) 10 個(gè)回答 token——對(duì)實(shí)時(shí)對(duì)話來(lái)說(shuō)已經(jīng)非常充裕。

「點(diǎn)石成金」——四階段數(shù)據(jù)合成管線

僅有架構(gòu)還不夠，要真正掌握「邊思考邊表達(dá)」，還需要精心設(shè)計(jì)的數(shù)據(jù)與訓(xùn)練流程。為此，我們構(gòu)建了Spoken-Math-Problems-3M數(shù)據(jù)集，并設(shè)計(jì)了嚴(yán)謹(jǐn)?shù)臄?shù)據(jù)管線。

在數(shù)據(jù)構(gòu)建中，我們面臨一個(gè)核心挑戰(zhàn)——解決**「邏輯錯(cuò)位」（Anticipation Drift）**問(wèn)題。即如何防止模型在回答時(shí)「搶跑」，說(shuō)出推理流中尚未得出的結(jié)論。我們?yōu)榇嗽O(shè)計(jì)了兩大核心策略：

• 異步推理機(jī)制：我們?cè)跀?shù)據(jù)層面「教會(huì)」模型一種新的說(shuō)話藝術(shù)。在回答流中，先說(shuō)一些「鋪墊語(yǔ)境」的話，為后續(xù)的推理爭(zhēng)取時(shí)間；而在推理流中，則要求模型「開(kāi)門(mén)見(jiàn)山」，直奔主題，不講廢話。

• 反序列化驗(yàn)證：我們像一位嚴(yán)格的考官，將所有交錯(cuò)的 token 重新組合成自然語(yǔ)言文本，然后利用強(qiáng)大的 GPT 模型進(jìn)行語(yǔ)義和時(shí)間一致性檢查，剔除所有邏輯不連貫或存在「超越」現(xiàn)象的不合格樣本。

通過(guò)上圖中的四階段數(shù)據(jù)管線，我們?yōu)?Mini-Omni-Reasoner 提供了超過(guò)百萬(wàn)份高質(zhì)量的訓(xùn)練數(shù)據(jù)。

「百煉成鋼」——五階段訓(xùn)練方法

訓(xùn)練 Mini-Omni-Reasoner 需要一個(gè)精心設(shè)計(jì)的五階段管線，因?yàn)槟Ｐ筒粌H引入了定制化架構(gòu)，還采用了全新的輸出形式。為了確保穩(wěn)定收斂并有效將文本推理能力遷移到語(yǔ)音，我們將訓(xùn)練過(guò)程分解為五個(gè)逐步遞進(jìn)的階段，總體思路為先在文本模態(tài)中保持或增強(qiáng)推理能力，再將其與語(yǔ)音模態(tài)對(duì)齊。

• 對(duì)齊訓(xùn)練：我們從 Qwen2.5-Omni-3B 初始化模型，解決架構(gòu)不兼容問(wèn)題，并先只微調(diào)音頻適配器，使用語(yǔ)音問(wèn)答和對(duì)話數(shù)據(jù)橋接語(yǔ)音編碼器與 LLM 主干的接口，然后解凍除音頻編碼器外的所有模塊，適應(yīng)新加入的特殊 token，確保模型在定制化 token 格式下無(wú)縫工作。

• 混合數(shù)學(xué)預(yù)訓(xùn)練：在模型對(duì)齊后，我們?cè)鰪?qiáng)其數(shù)學(xué)推理能力，使用標(biāo)準(zhǔn)的「先推理再說(shuō)話」數(shù)據(jù)集（包括文本和語(yǔ)音形式）進(jìn)行預(yù)訓(xùn)練，確保在引入 token 級(jí)交錯(cuò)生成之前具備扎實(shí)的推理能力和數(shù)據(jù)對(duì)齊。

• 文本 thinking-in-speaking 訓(xùn)練：在文本模態(tài)中訓(xùn)練模型交替生成推理 token 和回應(yīng) token，僅更新語(yǔ)言模型參數(shù)，專(zhuān)注于掌握交錯(cuò)推理-回應(yīng)結(jié)構(gòu)，不涉及語(yǔ)音變化。

• 語(yǔ)音 thinking-in-speaking 訓(xùn)練：將輸入替換為語(yǔ)音，僅微調(diào)音頻編碼器，保持 LLM 固定，使模型能夠在語(yǔ)音條件下保持推理增強(qiáng)的生成方式，實(shí)現(xiàn)推理范式在模態(tài)間的遷移。

• Talker 訓(xùn)練：最終階段訓(xùn)練說(shuō)話模塊，實(shí)現(xiàn)流暢自然的語(yǔ)音生成，整個(gè) Thinker 組件凍結(jié)，僅訓(xùn)練 Talker 以將交錯(cuò)輸出轉(zhuǎn)換為語(yǔ)音，同時(shí)保留前面階段建立的邏輯基礎(chǔ)和推理能力。

「真金火煉」——實(shí)驗(yàn)數(shù)據(jù)與案例分析

為了驗(yàn)證 Mini-Omni-Reasoner 的有效性，我們?cè)?Spoken-MQA 數(shù)據(jù)集上測(cè)試了模型與多種不同類(lèi)型方法的對(duì)比，模型相比于基座模型 Qwen2.5-Omni-3B 有明顯的性能提升。

為了進(jìn)一步展現(xiàn) Mini-Omni-Reasoner 與傳統(tǒng)的對(duì)話模型和基礎(chǔ)模型 Qwen2.5-Omni 模型的區(qū)別，我們分析了針對(duì)同樣問(wèn)題不同模型的回答結(jié)果：實(shí)驗(yàn)證明「Thinking-in-Speaking」方法可以有效地在保持回復(fù)內(nèi)容自然簡(jiǎn)潔的情況下保持高質(zhì)量的推理過(guò)程。

結(jié)語(yǔ)

當(dāng)下，大模型的推理能力已逐漸成為解決復(fù)雜問(wèn)題的核心驅(qū)動(dòng)力。但遺憾的是，這一能力在對(duì)話系統(tǒng)中仍未被真正釋放。為此，我們提出了Mini-Omni-Reasoner——一次早期的嘗試。誠(chéng)然，它距離成熟應(yīng)用還有很長(zhǎng)的路要走，但「thinking-in-speaking」的實(shí)時(shí)推理機(jī)制，我們相信正是對(duì)話模型邁向復(fù)雜問(wèn)題解決的必經(jīng)之路。

展望未來(lái)，我們認(rèn)為至少有幾個(gè)值得深入探索的方向：

• 如何科學(xué)地評(píng)測(cè)模型在通用問(wèn)題上的推理增益，如「人生的意義是什么」；
• 如何讓對(duì)話模型自主決定何時(shí)需要「思考」；
• 如何突破固定比例生成，探索更靈活多樣的思維范式。

總的來(lái)說(shuō)，Mini-Omni-Reasoner 并非終點(diǎn)，而是一個(gè)起點(diǎn)。我們更希望它能成為拋磚引玉，引發(fā)學(xué)界和產(chǎn)業(yè)界對(duì)「對(duì)話中的推理能力」的持續(xù)關(guān)注與探索。