Das Modell zeigt, dass typische Audiomodelle (z. B. AF3-Stil) ~74 % ihres Vorsprungs behalten, selbst wenn Audio durch Stille ersetzt wird – ein Hinweis auf Text-Prior-Dominanz. Sori-1B adressiert dieses Problem durch konsequentes Audio-Grounding, ist jedoch durch eine nicht-kommerzielle Lizenz und einen noch ausstehenden Weights-Release limitiert.