تبلغ هذه الدراسة عن الموثوقية التجريبية لنماذج Gemini (2.5 Flash، و3.5 Flash، و3.1 Pro) التي تعمل كحكماء صوتيين يقيّمون محادثات الوكلاء ثنائية الاتجاه مباشرةً من الموجات الصوتية الثنائية الخام.
- عمل Gemini 2.5 Flash كنموذج الحقيقة الأرضية، وتم التحقق منه مقابل ثلاثة مُقيِّمين بشريين معايرين على 209 جلسة ثنائية عبر 8 أبعاد إنتاجية.
- في 5 من الأبعاد الثمانية، انحرف روه سبيرمان بين LALM والبشر عن روه بين البشر بشكل زوجي بأقصى قدر 0.07، مع تداخل فترات الثقة في 7 من الأبعاد الثمانية.
- حسّن Gemini 3.5 Flash الاتفاق البسيط إلى 8 من 8 أبعاد، بينما قيّم 3.1 Pro عدة أبعاد أقل بكثير من البشر على الرغم من تشابه ارتباط الرتبة.
- يُظهر LALM حساسية مماثلة للبشر أو أفضل في 45 من 48 خلية بُعد العيب، على الرغم من أن معظمها هو فرضيات صفرية ضعيفة القوة بدلاً من تكافؤ مُثبت.
- تكلف التقييم البشري حوالي مرتين أكبر من الأسس العشرية أكثر من عبء عمل LALM المكافئ للإيقاع المُقيَّم.
توفر البيانات أساسًا تجريبيًا قابلًا للدفاع لنشر LALM كبديل أو مُقيِّم رابع في الأبعاد التي تدعمها الأدلة، على الرغم من أن تبديل النماذج يتطلب التحقق من المعايرة المحددة.