大模型这条线最近一年最显著的方向就是「把思考做厚」——Chain-of-Thought、潜在 CoT、thinking tokens——但所有这些设计默认在文本空间里展开。CoAT (Continuous Audio Thinking) 这篇来自韩国研究团队的工作把视角切到了更上游的「声学」维度，指出当前 LALMs 的结构性痛点：因为训练目标只对齐文本响应，模型的隐藏状态会逐步向「文本友好」形态塌缩，原本承载音素细节、韵律、声学事件、情感、pitch 等关键信息的中间表征在层层传播中被稀释，到解码阶段早已不可用。 CoAT 的做法相当克制——不引入任何新的自回归 token，而是让模型在 prefill 阶段就把声学信息打点到一段连续潜在空间里，由音频专家模型蒸馏出辅助监督信号。关键工程优势是这段连续 thinking block 是一次性 prefill 处理的，不会在 inference 端增加额外 decode 成本。 实验覆盖 Qwen2-Audio、Qwen2.5-Omni-7B、Audio Flamingo 3 三个不同架构的 LALM，在音频推理、音频理解、音乐分类、语音情感、语音转写五大类基准上同步取得提升。这种 plug-in 式设计意味着现有 LALM 不需要重新训练主线权重，换上一个 CoAT 模块即可获得跨任务增益。 最有意思的是 paper 末尾对 thinking 位置辅助监督信号的传播分析——它证明声学信息并非被解码 token 真正消费，而是通过隐藏状态扩散到最终的文本响应中。这给「thinking trace 不需要显式 token」提供了新的实验证据，也意味着未来 LALM 可以用更低带宽、更经济的 latent thinking 路径替代纯文本 CoT。 对国内做多模态语音模型的团队来说，CoAT 的方法论可以直接借鉴：用轻量 expert distillation head 把声学知识钉在中间层，比硬上 autoregressive thinking tokens 务实得多。