音频判断模型表现参差不齐：Clef-omni 实测难以准确评分

作者用支持音频的 judgment 模型 Clef-omni 搭建西班牙语单词卡练习，发现其音频输入训练明显不足：把 "manzana"（苹果）误答成 "mañana"（明天）仍被判为正确。短语场景更易出错，现有 ChatGPT Live 等工具则响应慢、过于对话化。作者认为面向音频场景的判断模型可选方案有限，改进空间很大，并计划构建覆盖此类问题的音频决策模型 benchmark。