即時字幕最惱人的問題，不只是慢，而是文字一邊出、一邊改。Confucius4-R2T2 針對這個矛盾，採用只追加、不回頭修訂的穩定前綴（Stable Prefix）串流設計，已確認的文字永久提交，未確認內容則留在模型內部，適合直播字幕、即時傳譯及接入 Large Language Model（LLM）的語音流程。
這是一個開源的低延遲自動語音辨識（Automatic Speech Recognition，ASR）模型，源自 Qwen3-ASR-1.7B，透過 Longest Stable Prefix（LSP）學習及 1,500 小時中英文音訊訓練。解碼區塊可設為 80 毫秒至 2 秒，權重優先與延遲優先模式均只輸出已提交內容，並可加入主題及詞彙提示。
- 160 毫秒（10 分之一秒）解碼、每次保留一個暫存 token 時，辨識錯誤率為 5.76%。
- 相同串流設定下，基礎模型錯誤率為 21.01%。
- 完整上下文參考結果的錯誤率是 5.15%，差距已相當接近。
- 同一個 checkpoint 支援完整上下文及串流辨識，涵蓋 13 組中英文測試集。
- 項目提供 vLLM、Hugging Face transformers 離線路徑，亦可選擇 llama.cpp 解碼。
它並非把所有即時輸出都交給下游處理，而是以 Longest Stable Prefix（LSP）學習配合 Wait 動作，訓練模型分辨哪些內容可以提交、何時需要更多音訊。訓練分為 SFT 與 GRPO 兩階段，只更新語言解碼器，音訊編碼器及 projector 保持凍結，亦沒有改變原有架構。
取捨主要落在準確度與輸出延遲之間：調整解碼區塊和暫存 token 預算即可改變兩者關係，毋須重新訓練。專注即時字幕、會議紀錄、同聲傳譯或需要即時觸發動作的 LLM Agent 團隊會較容易受惠；代價是已提交文字不能修訂，而且所報延遲未包括服務及網絡時間。