论文评估 Gemini 2.5 Flash、3.5 Flash 和 3.1 Pro 直接依据原始立体声音频评价全双工语音对话的可靠性。基于209段会话、8个生产维度及48个缺陷单元，2.5 Flash与人工评分在相关性、误差和缺陷敏感度上大体接近，但模型更换后仍需重新校准，不能只看排序相关性。
最近 24 小时暂无可用热度快照。