Step-Audio-R1.5：用RLHF调教的音频推理模型

它是什么：一个想让语音对话别再像答题机的模型

Step-Audio-R1.5 是阶跃星辰（StepFun）在 2026 年 4 月 29 日发布的音频推理模型更新，属于 StepAudio 系列。当天官方在 GitHub 上放出了技术报告，同时开源了三套自建评测集：step_caption、step_spqa 和 step_dialogue_understanding。

一句话概括：它是一个 32B 参数、输入音频、输出文字的推理模型，官方的重点不在把答题分再抬一截，而是让多轮语音对话听起来不那么像机器人。官方说，这是音频推理方向上首次系统性引入 RLHF（基于人类反馈的强化学习）的工作。

先把一件事说在前面：截至目前，官方仓库里能看到的是技术报告和评测集，R1.5 的模型权重和推理代码还没放出来，仓库待办清单里"推理代码"一项没打勾。页面上能下载权重的是上一代 R1 和 R1.1。

关键规格：底座还是熟面孔

架构沿用 Step-Audio-R1，由三块组成。前端是 Qwen2 的音频编码器，工作在 25Hz 帧率，训练全程冻结，相当于把"耳朵"固定住不动。中间是一个音频适配器，把帧率再压一半到 12.5Hz，这样多轮长对话里音频序列不会膨胀得太夸张。后面的推理核心是用 Qwen2.5 32B 初始化的语言模型解码器，直接吃音频特征，只输出文字。

生成时分两步：先写出一段内部推理过程，再给出最终回复。报告说，这种把"想"和"说"拆开的结构，是后面能接入 RLHF 的基础。

这意味着它是一个"听得懂、想得久、但只会打字"的模型：不能直接合成语音，想要开口说话，得自己再接一套语音合成。上下文长度和知识截止时间，报告里没有给出，这里不写。

训练上改了什么：从对答案到看语气

团队的出发点是一个他们称为"可验证奖励陷阱"的现象。现在主流的推理模型训练靠 RLVR，也就是用能自动判对错的答案当奖励。放到音频上，一段长长的声音最后被压成一个标签或一个数字，模型只要答对就有奖励，至于语气自然不自然、情绪接不接得上，奖励信号根本看不见。官方说，练得越久，模型分数越高，回答却越短、越平、越没有人味。

R1.5 的训练分三段。先做以音频为中心的中期训练，音频推理数据和纯文本推理数据混在一起学；再做冷启动的监督微调，用指令丰富的多轮对话数据，练对话连贯、指令遵循、回答自然和对打断追问的反应；最后是 RLHF。

RLHF 里的奖励模型是生成式的：给定对话历史、模型回复和一条参考回复，它判断谁更好。有明确要求的样本（格式、人设、跨轮保持指令）会附上评分细则，没有细则的就做普通的两两偏好比较。两类监督是放在一起联合优化的，官方说分开训会让模型忘掉先学到的那一类行为。

成绩单：均分 77.97，涨幅集中在多轮对话

下面的数字都来自技术报告，是 StepFun 自己用各家官方 API 在统一框架下跑出来的，对比对象是 Gemini 3 Flash、Gemini 3 Pro、qwen3.5-omni-flash 和 qwen3.5-omni-plus，不是第三方独立评测。

八项语音转文字基准的平均分，R1.5 是 77.97，上一代 R1 是 72.50，涨了 5.47 分。同表里 Gemini 3 Pro 是 79.67，Gemini 3 Flash 是 77.56，qwen3.5-omni-plus 是 75.77。

涨得最明显的是 AudioMultiChallenge（考打断、犹豫、中途改口这类自然多轮对话）：从 24.61 到 41.15。但这一项上 Gemini 3 Pro 是 66.37，Gemini 3 Flash 是 56.42，差距还很大，报告自己也只说"仅次于 Gemini 系列"。另一个大幅提升在 Step-DU，也就是让模型听声音回答说话人的年龄、语速等问题，从 64.37 到 82.76，涨了 18.39 分。

也有没涨甚至回落的：Spoken MQA（口述数学题）从 95.06 降到 93.74，Big Bench Audio 基本持平，98.29 到 98.30。另外要留意，Step-Caption、Step-DU、Step-SPQA 都是阶跃自建的评测集，其中 Step-DU 只有 87 条样本，数字参考价值要打折扣。

怎么用，多少钱

目前官方渠道里没有看到 R1.5 的 API 名称，也没有定价页，所以价格这里没法写。能确认的是它还没有开放权重，想本地跑暂时没有路。

如果你想先摸一摸这个系列的手感，可以用已开源的 R1 或 R1.1。R1 仓库的说明里，官方测试环境是 4 张 L40S、H100、H800 或 H20 级别的 NVIDIA 显卡，Linux 系统，用定制版 vLLM 部署。R1.5 同样是 32B，量级大概类似，具体要求以后续官方发布为准。

和谁比，适合谁

对比上一代，R1.5 的改进路线很清楚：R1 强在把推理链条拉长也不掉分，R1.5 补的是多轮对话和副语言感知这块短板，代价是个别数学类题目略有回落。

对比同档竞品，以报告数据为准：和 qwen3.5-omni-plus 比，R1.5 的均分高 2.2 分，Audio MC（41.15 对 39.38）和 Step-SPQA（79.40 对 74.80）更好，但 MMSU、MMAU、Spoken MQA、Step-Caption、Step-DU 五项都略低。和 Gemini 3 Pro 比，均分差 1.7 分，多轮对话差距明显，Step-DU 和 Step-SPQA 则是 R1.5 更高。

适合谁？做语音助手、陪伴类、客服类产品的团队，值得盯着它的评测方法和后续发布，因为它关心的正是"聊久了像不像人"这个问题。做选型的人建议先等权重或 API 放出来，再用自己的真实录音测一遍。搞研究的可以直接去拿 step_caption 这几套评测集，它们已经开源，对测副语言感知挺实用。AI主线的看法是：这份报告最有价值的是问题意识，用可验证奖励练出来的音频模型会变"硬"，这个判断比单个分数更值得记下来。至于它的实际对话手感，得等能上手以后再下结论。