Audio LLM 会先听再行动吗？诊断语音智能体中的声学上下文门控

研究者提出 VGBench，一个包含 1,018 条样本的诊断基准，用于评估语音智能体在闲聊、自言自语和说话人切换场景下能否正确判断指令是否针对自己。基准采用统一动作空间（静默、工具调用、自然语言回答），说话人切换样本固定文字内容，仅改变声源、距离渲染和时间边界。测试覆盖 6 个原始 Audio LLM 和 3 个（后续内容缺失）。