Neuere Fortschritte in der Entwicklung von Schlussfolgerungsmodellen haben in Text- und Visueldomänen erheblichen Erfolg durch erweiterte Chain-of-Thought-Überlegungen gezeigt. Dennoch bleibt ein verwirrender Phänomen in Audio-Sprachmodellen bestehen: Diese erzielen stets bessere Ergebnisse bei minimaler oder gar keiner Schlussfolgerung, was die grundlegende Frage aufwirft, ob die Audio-Intelligenz tatsächlich von bewusstem Denken profitieren kann. Wir stellen Step-Audio-R1 vor, das erste Audio-Schlussfolgerungsmodell, das die Fähigkeit zur Schlussfolgerung im Audio-Bereich erfolgreich freisetzt. Mittels unseres vorgeschlagenen Modality-Grounded Reasoning Distillation (MGRD)-Frameworks lernt Step-Audio-R1, audio-relevante Schlussfolgerungsketten zu generieren, die tatsächlich auf akustischen Merkmalen basieren und nicht willkürlich abstrakte Überlegungen hervorbringen. Unser Modell zeigt starke Fähigkeiten im audio-basierten Schlussfolgern und übertrifft Gemini 2.5 Pro, wobei es Leistungen erreicht, die mit dem derzeitigen Stand der Technik, Gemini 3 Pro, vergleichbar sind, sowohl in umfassenden Benchmarks für Audio-Verständnis als auch für Audio-Schlussfolgerung, die Sprache, Umgebungsgeräusche und Musik abdecken. Diese Ergebnisse belegen, dass Schlussfolgern eine übertragbare Fähigkeit über Modalitäten hinweg ist, sofern es angemessen verankert ist, und wandelt die erweiterte Überlegung von einer Belastung in ein mächtiges Kapital für die Audio-Intelligenz um. Durch die Etablierung des ersten erfolgreichen Audio-Schlussfolgerungsmodells eröffnet Step-Audio-R1 neue Wege hin zu wirklich multimodalen Schlussfolgerungssystemen, die tiefgreifend über alle sensorischen Modalitäten hinweg denken können.