近年来，推理模型在文本与视觉领域通过扩展的思维链（chain-of-thought）推理取得了显著进展。然而，在音频语言模型中，一种令人困惑的现象持续存在：这些模型在采用极少甚至完全不进行推理的情况下表现更优，这引发了一个根本性问题——音频智能是否真的能从深思熟虑中获益？为此，我们提出了Step-Audio-R1，这是首个成功在音频领域实现推理能力的音频推理模型。通过我们提出的模态锚定推理蒸馏（Modality-Grounded Reasoning Distillation, MGRD）框架，Step-Audio-R1能够生成与音频内容紧密相关的推理链条，其推理过程真正基于声学特征，而非脱离实际音频信号的臆想式推演。实验结果表明，Step-Audio-R1在多项涵盖语音、环境音与音乐的综合性音频理解与推理基准测试中，性能超越Gemini 2.5 Pro，并达到与当前最先进模型Gemini 3 Pro相当的水平。这些成果证明，当推理能力被恰当地锚定在具体模态特征之上时，它是一种可在不同模态间迁移的通用能力。由此，原本可能成为负担的长链条推理，转变为提升音频智能的核心优势。Step-Audio-R1的成功构建，标志着首个真正有效的音频推理模型的诞生，为实现真正意义上的多模态深度推理系统开辟了全新路径，推动智能系统在所有感官模态间实现深层次的协同思考。