大型音频语言模型（LALM）在语音转写、音乐分析等多种音频理解任务上已展现出令人印象深刻的能力，但这类模型的训练目标通常是对齐生成文本回复，因此其隐藏状态会逐步被塑造成服务于文本生成，而非保留声学信息。结果是，音频所携带的丰富声学内容——如音素细节、韵律、声音事件、情感和音高等——在这一过程中逐渐丢失，难以在最终回复中被有效利用。为应对这一问题，研究者提出了“连续音频思考”（Continuous Audio Thinking，CoAT）框架。
CoAT 的核心思路是为音频语言模型提供一个连续的潜在工作空间，在生成回复之前先对声学信息进行组织。该空间由来自音频专家的蒸馏信号进行“锚定”，即模型通过知识蒸馏从专门的音频专家模型中学习，从而在思考空间内获得并保留丰富的声学表征。这样，模型在生成回复时便能够调用这些经由专家蒸馏注入的声学信息，而不是仅依赖为文本生成而优化的隐藏状态。
在效率方面，CoAT 提出连续思考块可以在一次预填充（prefill）中完成处理，因此相较于基线模型，并不需要额外的自回归解码开销。这意味着性能提升并非以增加推理延迟为代价，对于实际部署具有重要意义。
实验方面，研究者在三个音频语言模型上验证了 CoAT 的有效性，分别是 Qwen2-Audio、Qwen2.5-Omni-7B 和 Audio Flamingo 3。评测覆盖了广泛的基准套件，涉及音频推理、音频理解、音乐分类、语音情感以及语音转写等任务，CoAT 在这些任务上均取得了性能提升，证明了该框架的通用性和有效性。进一步的深入分析表明，辅助监督信号会从思考位置传播到模型的文本回复中，说明思考空间中的声学信息确实被下游回复生成所利用，而非孤立存在。
该论文为预印本，作者为 Gyojin Han 等共五位研究者，提交于 2026 年 6 月 5 日，属于 Computation and Language（cs.CL）分类，同时涉及人工智能（cs.AI）、声音（cs.SD）以及音频与语音处理（eess.AS）等方向，论文编号为 arXiv:2606.18273。