多模态大语言模型真能胜任音素级别的辨音纠音吗？ 曾经试过豆包，发现豆包并不能准确说出发音错误，甚至还有不少假阳性。 大语言模型对节奏韵律也没有能力分辨。 说明多模态大模型的底层原理就不支持这个任务吧？ 是我外行了吗？有没有懂模型底层原理的伙伴指点迷津。