NVIDIA这次真的有点东西！发布了能“保住智商”的语音大模型Audex

大家玩多模态模型肯定都有这种感觉：一旦模型学会了“说话”（音频输出），它的逻辑推理能力就会莫名其妙地“缩水”，也就是所谓的“文本税”。但这次Audex的设计思路很硬核，它没有搞那种“思考者+说话者”的堆叠架构，而是直接在同一个MoE解码器里把文本和音频token一起处理。

最让我吃惊的是它的跑分。很多模型加了音频功能后，逻辑推理分会掉一大截，但Audex在IMO AnswerBench这种硬核逻辑测试上，居然比纯文本版本还要高一点点！甚至在代码能力（LiveCodeBench）上直接把Qwen3.5-35B给超了。

而且它不仅能听、能说，甚至还能生成各种音频（不只是人声），这在开源界真的挺罕见的。感觉英伟达这次是想把“全能语音助手”的底层架构给标准定下来。

如果你对音频生成或者端到端语音交互感兴趣，这绝对是目前最值得关注的开源权重，强烈建议去HuggingFace上拉下来跑跑看。

传送门：
模型权重：https://huggingface.co/nvidia/Nemotron-Labs-Audex-30B-A3B
论文：https://arxiv.org/pdf/2607.05196