我已经获取了足够的研究锚点。现在让我汇总关键发现并撰写审稿。

研究阶段关键发现：

1. 全文已获取，来自 arXiv HTML（第 186-758 行包含完整论文：引言、相关工作、问题表述、方法、HIU-Bench、实验、消融实验、结论、参考文献）。
2. OMC Wiki：所有 7 次查询均无结果 —— 没有关于音频智能体、GRPO 多轮交互、合成轨迹评估的过往经验。
3. paper-wiki：未找到该论文或相关概念 —— 知识库中不存在先前的记录。
4. free-search 锚点：
   • AudioToolAgent (arXiv:2510.02995) — 基于文本的 LLM 协调音频专家，缺乏原生音频推理能力
   • AuTAgent (arXiv:2602.13685) — 基于 RL 的工具选择，但不基于中间结果组合工具
   • EChO-Agent (arXiv:2606.15141) — 在预定义的工作流内进行证据组织
   • Echo (arXiv:2602.11909) — 音频重听，仅限于原始输入
   • RC-GRPO (arXiv:2602.03025) — 用于多轮工具调用的 GRPO，但属于通用 LLM，非音频领域
   • VoiceAgentBench (arXiv:2510.07978) — 语音助手智能体基准测试，但侧重于数字任务，而非声学推理

现在我将撰写完整的审稿。

Paper Review: Hear, Invoke, and Understand: A Skill-Calling Multimodal Agent for Large Audio Language Models

论文类型: 系统型 + benchmark 型（混合）

论文同时提出：(1) 一个训练得到的音频智能体系统 SpeechAgent-R（SFT + GRPO），(2) 一个训练语料库 HIU-Corpus，(3) 一个评测基准 HIU-Bench。核心贡献横跨系统构建与基准构建，但主驱动力是系统型——证明训练后的音频智能体能学会技能协调。

公理审查结果

公理一：对象公理

• 判定: ✅
• 分数: 8
• 依据: 论文研究的对象——”tool-interactive audio reasoning”——是真实存在的。现有 LALMs（Qwen2-Audio、Kimi-Audio、Qwen3-Omni）确实仅依赖固定音频输入进行推理，无法在推理时调用外部声学工具（如说话人分离、DOA 估计、目标说话人提取）。论文在 Introduction 中给出了具体场景（空间录音中目标说话人恢复需要定位→识别→提取→语义理解的级联），说明问题不是凭空构造的。问题可操作化定义清晰：给出了形式化的交互轨迹 τ={(h_k, a_k, o_k)} 和优化目标（公式 1）。HIU-Bench 的 ID/OOD 划分设计有明确的工具覆盖和工作流组合差异（Fig. 4 显示 12 和 21 条 unique gold tool chains 无重叠）。问题外延与实验验证范围基本一致：论文声称的是”skill and tool coordination improves audio agents’ ability to handle diverse task settings”，实验在 56 个任务上验证了这一点。唯一保留：56 个任务虽多样但全部来自已有公开数据集的模板化构造，而非真实应用场景中的自然请求。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 AudioToolAgent、AuTAgent、EChO-Agent、Echo 均已识别到类似局限，但论文声称的”adaptive multi-step skill coordination”确实未被任何一个先前工作完整解决——AudioToolAgent 用文本 LLM 缺原生音频推理；AuTAgent 不基于中间结果组合工具；Echo 限于原始输入；EChO-Agent 在预定义工作流内操作。对象真实且有必要。

公理二：识别公理

• 判定: ⚠️
• 分数: 6
• 依据: 论文有消融实验（Table 2），逐步叠加了 Base → +Agent harness → +SFT(answer-only) → +SFT → +SFT+RL，每个组件的贡献被隔离。GRPO 相对于 SFT 带来 +4.85 overall 的提升。但存在关键识别问题：(1) 最简 baseline 缺失——没有与”规则路由器”(rule-based skill router) 或”随机工具选择 + 多数投票”等简单启发式对比。如果给定技能文档，一个基于检索相似度的工具选择器可能就能取得不错的效果，但论文未测试。(2) 多变量同时改变：SpeechAgent-R 相对于基座 Qwen3-Omni-Thinking 同时改变了训练数据(HIU-Corpus)、训练方法(SFT+GRPO)、推理模式(agent harness)、技能文档接入。虽然消融试图分离，但 agent harness 本身就是一个重大工程组件，其设计细节（技能检索机制、工具调用格式、错误处理）未充分暴露，可能偷走了一部分贡献。(3) Table 3 的 per-tool 分析显示工具执行性能在不同训练策略间几乎不变(72.0/74.5/75.5)，论文据此声称”gains mainly come from improved agent-side skill and tool utilization”——这个因果推断是合理的，但仅限 ID split。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 AuTAgent 也使用 RL 做工具选择，但论文未将 AuTAgent 的 RL 方法作为对照（只在 direct/agent harness setting 下比较了最终系统），缺少方法级 ablation。

公理三：独立性公理

• 判定: ⚠️
• 分数: 5
• 依据: 存在多层循环风险：(1) 训练数据与评测数据同源：HIU-Corpus 和 HIU-Bench 的 ID split 来自相同的 24 个任务和相同的数据源（AISHELL-1、LibriMix、VoxCeleb、FSD50K 等），仅音频实例不同。虽然论文声称 file-level MD5 验证无二进制重叠、speaker overlap 遵循源数据集划分，但任务模板和技能文档完全共享。模型可能在 SFT 中学到了任务模板的模式而非真正的技能协调。(2) 评测指标与训练 reward 重叠：S_total 的三个维度(format 0.05 / tool 0.25 / answer 0.70)与 GRPO 的 composite reward R(λ_f=0.05, λ_t=0.25, λ_a=0.70)权重完全一致。论文声称”evaluation metrics follow the same task definitions as training rewards but are independently computed on held-out annotations”，但使用相同的权重结构和相同的任务指标(EM, 1-CER, BERTScore 等)确实构成评测-训练闭环。OOD split 的 tool score 使用了”workflow-aware rubric”略有不同，但 answer score 仍用相同指标。(3) 数据生成依赖闭源模型：Claude-Opus-4.7 用于 QA 检查和轨迹质量评估，Qwen3.5-omni-plus 和 Qwen3.5-122B 用于轨迹生成。训练目标和质量评估都与这些模型的能力挂钩，但论文未提供独立人类校验的统计数据（仅说”flagged samples manually corrected or removed”）。这不是 fatal 问题（评测使用的是 task-specific metrics 而非模型偏好），但属于 major 问题。
• Wiki 证据: OMC Wiki 无记录。free-search 未找到关于 HIU-Corpus 独立人类校验的外部记录。

公理四：压缩公理

• 判定: ⚠️
• 分数: 5
• 依据: 方法是标准 SFT + GRPO 的组合应用于音频智能体领域。GRPO 公式（公式 3-5）是标准 GRPO 的直接应用，无算法修改。Composite reward 设计(format/tool/answer 三项加权)是工程组合，每项都是已有指标。技能文档→技能选择→工具调用→观察整合的交互流程是文本 agent 领域的标准 agent loop 在音频领域的迁移。论文没有提出新的算法机制、新的训练目标或新的问题重构——核心贡献是将已有的 agent training recipe 应用到音频 + 工具调用场景。命名方面：”Hear-Invoke-Understand”是对 agent loop 的修辞包装，”HIU-Corpus”和”HIU-Bench”均由此命名，存在一定命名膨胀。论文的压缩价值主要在于：(1) 证明了 GRPO 可以扩展到多模态多轮工具调用场景（可迁移经验），(2) OOD split 设计揭示了工具组合泛化的挑战。但这些是经验发现而非方法压缩。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 RC-GRPO (arXiv:2602.03025) 和 Multi-Turn RL for Tool-Calling Agents (arXiv:2604.02869) 已在文本领域做了类似的多轮工具调用 RL，本文的方法在算法层面无增量，增量在领域迁移。

公理五：效用公理

• 判定: ⚠️
• 分数: 6
• 依据: (1) 绝对指标：SpeechAgent-R 在 ID 上 84.17、OOD 上 70.94、Overall 80.05。这些分数在 0-100 scale 上看起来不错，但 S_total 是一个加权混合指标(format+tool+answer)，其中 format 接近满分(99.5)、tool-call 也很高(96.7)，实际瓶颈在 Answer(78.6 ID)。这意味着模型在”选对工具”和”格式正确”上很好，但在”用工具输出推理出正确答案”上仍有 21.4% 的差距。(2) 相对提升：相对于同基座+agent harness(65.01)提升 15.04，相对于 SFT(75.20)提升 4.85。这些提升是真实的，但基座 Qwen3-Omni-Thinking 在 agent harness 下已经达到 65.01，说明 agent harness 本身贡献了大量提升（42.10→65.01 = +22.91），而训练只额外贡献了 15.04。(3) Baseline 覆盖：比较了 7 个模型(Kimi-Audio, Step-Audio-R1, MiDashengLM, Qwen2-Audio, Qwen2.5-Omni, Gemini-3.1-Pro, Gemini-3-Flash)，覆盖面广。但关键缺失：没有与 AuTAgent（同样用 RL 做音频工具选择）的方法级比较，只在系统级比较了 AuTAgent 的基座模型 Step-Audio-R1。(4) Oracle 分析（Table 4）是有价值的效用上限分析，显示工具输出质量是主要瓶颈(answer +9.9 when using oracle tools)。这是诚实讨论 trade-off 的体现。(5) Gemini-3.1-Pro-Preview 在 agent harness 下达到 65.81 overall，Tool score 92.28 高于 SpeechAgent-R 的 96.74(ID)——实际上 Gemini 的 tool score 更高？不，96.74 > 92.28。但 Gemini-3-Flash 的 91.08 tool score 接近。SpeechAgent-R 在 OOD answer score(65.80) 上超过 Gemini-3.1-Pro(60.89)，这是核心指标上的取胜。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 7 个 baseline 均为当前主流 LALMs，覆盖面足够。但 AuTAgent 作为最接近的方法级竞品未被直接对比。

公理六：新颖性公理

• 判定: ⚠️
• 分数: 5
• 依据: 论文的新颖性主张是”first to formulate complex audio problem solving as adaptive multi-step interaction”和”first to learn skill-based tool coordination for audio agents”。逐一检查：(1) 相对于 AudioToolAgent：AudioToolAgent 用文本 LLM 协调音频工具，论文的改进是用原生音频 LLM 做 agent——这是真实增量。(2) 相对于 AuTAgent：AuTAgent 用 RL 学工具选择但不组合工具，论文的改进是支持基于中间观察的动态工具组合——这是真实增量。(3) 相对于 EChO-Agent：EChO-Agent 在预定义工作流内操作，论文支持自适应工作流——增量较小。(4) 相对于文本 agent 领域：SFT+GRPO+tool-use+multi-turn 在文本领域已被充分研究(RC-GRPO, Multi-Turn RL for Tool-Calling Agents 等)。论文是将这套 recipe 迁移到音频领域。迁移本身不算包装，且确实解决了音频领域真实问题（音频工具返回 processed audio 而非纯文本，需要多模态理解整合）。(5) HIU-Corpus 和 HIU-Bench：作为数据型和 benchmark 型贡献，有一定独立价值——65,492 条轨迹和 1,395 个样本 covering 56 tasks 是规模可观的。但构造方法是模板化的，技能和工具也是已有的（8 skills, 9 tools 均为现有音频处理工具）。综合判断：新颖性是”领域迁移 + 系统集成”，不是新算法/新机制/新问题重构。在音频智能体子领域内有增量，但跨领域看是已有方法的组合应用。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 AuTAgent (arXiv:2602.13685, Feb 2026) 和 EChO-Agent (arXiv:2606.15141, Jun 2026) 是最近 2-6 个月的同期/近同期工作，按 skill 规则不作为强扣分依据。但 AudioToolAgent (arXiv:2510.02995, Oct 2025) 超过 2 个月，其与本文的差异是本文新颖性的核心所在。

公理七：可复现公理

• 判定: ⚠️
• 分数: 6
• 依据: 论文声明”will release the code, models, and datasets upon publication”。训练细节充分：24× A100 GPU、BF16、SFT lr=1e-6 batch=32、GRPO LoRA rank=16 alpha=32 lr=5e-7 group=4 ε=0.2 β=0.04 150 steps、step-80 checkpoint selected。基座模型 Qwen3-Omni-Thinking 是公开的。工具和技能是已有音频处理工具。HIU-Corpus 构造 pipeline 描述清楚（三阶段：任务构造→技能文档→轨迹生成验证）。但存在以下问题：(1) 截至 review 时（2026-08-04）代码/数据尚未公开，论文是 2026-08-03 提交，仅 1 天前。(2) 依赖闭源模型做数据构造：Claude-Opus-4.7 用于质量检查和技能文档评估，Qwen3.5-omni-plus 和 Qwen3.5-122B 用于轨迹生成。这些模型的版本和调用 prompt 未完全公开，影响数据构造的精确复现。(3) 评测脚本：S_total 的具体计算细节（特别是 OOD 的 “workflow-aware rubric” 的评分标准）需要代码才能完全验证。(4) Agent harness 的工程细节：技能检索机制、工具调用格式、错误处理流程等 agent harness 的关键设计未在论文中完整描述，而这些设计对性能影响很大（baseline 模型在 agent harness 下的表现差异很大，从 26.60 到 68.08）。
• Wiki 证据: OMC Wiki 无记录。

总评

• 科学价值: 中 — 证明了 GRPO+SFT 可以训练音频智能体学会技能协调，但因果识别不够强（缺最简 baseline 对比），评测-训练闭环未完全独立。
• 方法价值: 中 — 标准训练 recipe 的领域迁移，无算法创新，但系统整合工程量大且有效。
• 社区价值: 中偏高 — HIU-Corpus（65K 轨迹）和 HIU-Bench（56 tasks, ID+OOD）是有价值的社区资源，如果开源将促进音频智能体研究。但 benchmark 的评测-训练重叠需要社区警惕。

日报摘要

• Strength: 在 56 个任务上构建了完整的音频智能体训练+评测闭环（HIU-Corpus 65K 轨迹 + HIU-Bench 1,395 样本），SpeechAgent-R 通过 SFT+GRPO 达到 80.05 overall，较同基座 agent harness 提升 15.04 分，并设计了 ID/OOD 划分评估工具组合泛化能力。
• Weakness: 评测指标与训练 reward 使用相同权重结构(0.05/0.25/0.70)和相同任务指标构成评测-训练闭环；缺少规则路由器等最简 baseline 对比；方法为标准 SFT+GRPO 的领域迁移，无算法级创新；截至 review 时代码/数据尚未公开。

打分

加权总分: 5.95/10（加权分之和 55.0 / 权重之和 9.5） 最终建议: Borderline 5-6.5