🔧 机制
GLM-4-Voice 交错格式（13 text+26 speech）中插入固定 100-token 推理块：Stitch-R 先想后说（首块延迟略增）、Stitch-S 先说后想（零附加延迟）。
预算账目：A100+vLLM 80 tok/s × 2s 播放窗 = 160 token 产能，减去必须的 39 个 text/speech token，剩 121 token 可用于不出声推理。训练数据构造极简：把完整 CoT 切成 100-token 块交错进序列做 SFT，无特殊标注。
延迟对照揭示的原则：TBS（想完再说）延迟最长、Stitch-R 只等一个推理块、Stitch-S 零附加——延迟-质量帕累托由 chunk 调度决定而非推理总量。首个给 SLM 引入 unspoken reasoning 的工作（作者声明）。
📊 结果
五个数学 QA 数据集比无 CoT 基线 +15%；非推理数据集持平（推理块不伤闲聊）。
Stitch-S 在保持与无推理基线完全相同延迟的前提下拿到推理收益——'免费'的推理。局限：固定块长无自适应时机；推理与说话的一致性靠数据切块顺序，无显式机制；单底座；评测域窄。
注意引用出处纪律：'SHANKS+STITCH（听时想+说时想）组合无人做'的声明出自 SHANKS 论文而非本篇（团队卡片陷阱标注）。
💡 对主线的启示
'播放窗=免费算力窗'的账目算法直接移植：把音频播放窗换成预约动作的执行窗，即我方场景版 STITCH。
预算公式（吞吐×窗长−必须 token=可想 token）是 chunk 级解码预算调度的原型——与 DuplexSLA 的 per-chunk 动作 token 预算、duplex-omni-agent 的 chunked decode budget 同族。动作执行期间（拖拽 800ms、页面加载 2s）的解码余量正是 GUI 场景的'播放窗'。
对照阅读：SHANKS（听时想，同团队，chunk 间续接上下文——与 VST 的丢弃式打断对比）、VST（看时想+摊销不等式）、PACE（按行动执行窗口分配推理 token 的 embodied 版）。全覆盖链：读=StreamingThinker、听=SHANKS、说=STITCH、看=VST、潜=Silent Thought——唯独视觉动作通道（G3）空白。