一项新的研究论文评估了 Google 的 Gemini 模型在用作评估全双工语音代理对话的音频裁判时的可靠性。研究发现，Gemini 2.5 Flash 在大多数评分维度上与人类评分者表现出高度一致性，并且在 Gemini 系列模型之间具有可比的排名能力。虽然 Gemini 3.5 Flash 在简单一致性方面有所提高，但 Gemini 3.1 Pro 尽管排名相关性相似，但其评分维度低于人类评分者，这表明模型更换需要重新验证。研究表明，使用 Gemini 模型作为裁判与人类评估相比，可以显著降低成本。 AI
影响 Gemini 模型可以作为语音代理的经济高效的音频裁判，有可能简化评估流程。
排序理由 该集群包含一篇发表在 arXiv 上的研究论文，评估了 AI 模型的性能。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.07985v1 Announce Type: cross Abstract: We report the empirical reliability of Gemini models as audio judges that score full-duplex agent conversations directly from the raw stereo waveform, tested across three models in the Gemini family: 2.5 Flash, 3.5 Flash, and 3.1 …
We report the empirical reliability of Gemini models as audio judges that score full-duplex agent conversations directly from the raw stereo waveform, tested across three models in the Gemini family: 2.5 Flash, 3.5 Flash, and 3.1 Pro. Our primary evidence base uses Gemini 2.5 Fla…