📄 Bypassing Direct Reconstruction: Speech Detection from MEG via Large-Scale Audio Retrieval

#语音活动检测 #对比学习 #检索增强 #预训练

✅ 7.0/10 | 前25% | #语音活动检测 | #对比学习 #检索增强 | #对比学习 #检索增强 | arxiv

学术质量 5.5/8 | 影响力 0.6/2 | 可复现性 0.4/1 | 置信度 高

👥 作者与机构

  • 第一作者：Boda Xiao（北京大学BioMed-X研究中心、北京国家通用人工智能前沿科学中心）
  • 通讯作者：Heping Cheng（北京大学分子医学研究所、北京-清华生命科学中心、未来技术学院）
  • 作者列表：Boda Xiao（北京大学BioMed-X研究中心、北京国家通用人工智能前沿科学中心）、Bo Wang（北京大学言语与听觉研究中心、北京国家通用人工智能前沿科学中心）、Heping Cheng（北京大学分子医学研究所、北京-清华生命科学中心、未来技术学院）

💡 毒舌点评

这篇论文的核心在于一个聪明的“偷懒”策略：面对从低信噪比MEG信号直接重建语音特征这一艰巨任务（作者自述精度仅~0.4），他们选择不去硬碰硬，而是转向一个更简单的任务——在庞大的LibriVox有声书库里，为给定的MEG片段“找出”对应的原始音频。这确实是一个在特定竞赛规则下能拿到高分（F1: 0.962）的巧妙工程捷径。然而，这恰恰暴露了其根本局限：该框架的成功极度依赖一个强假设——测试时听到的语音必须100%存在于那个预定义的60% LibriVox子集中。一旦脱离这个封闭的、已知的“题库”，该方法就立刻失效，对于未匹配部分只能回退到那个他们自己认为“不够好”的简单回归基线。因此，它更像一个针对LibriBrain 2025竞赛的“特解”，而非一个能推广到真实世界非侵入式BCI场景的通用方法论。论文的亮点在于其清晰的“绕行”思路，但其短板在于将一个通用科学问题转化为了一个特定条件下的工程问题，且对通用性和鲁棒性避而不谈。

📌 核心摘要

  1. 问题：解决在LibriBrain 2025竞赛中，从低信噪比的MEG信号中准确检测语音/静默段的问题。作者指出，直接从MEG回归语音特征（如梅尔频谱图）的精度（Pearson相关系数~0.4）不足以支持此任务。
  2. 方法核心：提出一个两阶段框架：首先，使用对比学习模型从大规模外部音频库（约60% LibriVox）中检索与给定测试MEG最匹配的语音片段；其次，使用一个语音检测模型，根据检索到的语音片段（及其经过处理的版本）直接生成二进制语音/静默序列。
  3. 新在哪里：不同于主流的直接从MEG回归特征的范式，该方法绕过了直接重建的难题，转而利用外部数据库进行检索，将“重建问题”转化为“检索与模式匹配问题”。
  4. 实验结果：该方法在LibriBrain竞赛扩展赛道取得了第一名，F1-score为0.962。对于测试MEG数据（总时长2243秒）中从1398秒开始的后半部分，通过检索匹配到了LibriVox中的特定有声书（studyinscarlet13）并成功生成序列；对于前1398秒，因在下载的60% LibriVox子集中未找到匹配音频，回退使用简单CNN+LSTM回归方法。
  5. 实际意义：证明了在存在大规模外部音频库的特定场景下，利用检索策略辅助脑信号解码的可行性，为竞赛任务提供了第一名的解决方案。
  6. 主要局限性：方法严重依赖测试音频存在于预定义的外部库中（论文中仅为60% LibriVox子集），无法处理库中没有的语音内容；对于未找到匹配音频的信号段，性能依赖于简单基线；整体框架的通用性和跨任务泛化能力未得到验证。

🔗 开源详情

  • 代码：论文中未提及作者自己训练模型的代码链接。
  • 模型权重：
    1. 预训练模型权重：论文中提及并提供了外部预训练模型权重链接：https://huggingface.co/facebook/wav2vec2-base-960h。
    2. 作者团队训练的模型权重：包括MEG编码器、对比学习模型、语音检测模型，均未提供下载链接。
  • 数据集：
    1. LibriVox数据集：论文中提及，并提供了下载主站链接：https://www.audiobooks.com。论文使用了约60%的数据（约10,000本有声读物），但未提供其使用的具体子集列表或下载脚本。
    2. Libriaudio：作者根据比赛组织者提供的语音源URL从LibriVox下载并整理的完整音频文件集合，用于后续合成MEGaudio。未提供此数据集的直接下载链接。
    3. MEGaudio：通过将event.tsv文件中记录的静音段插入Libriaudio对应位置后合成的音频，作为训练MEG-语音匹配模型和语音检测模型的直接输入。论文未提供此合成数据集的直接下载链接，但描述了其构建方法。
    4. LibriBrain 2025竞赛数据集：论文未提及该竞赛数据集的独立下载链接。
  • Demo：论文中未提及。
  • 复现材料：
    • 训练配置：论文提供了详细的模型训练超参数（如学习率1×10⁻³、批量大小、温度参数τ=0.015、训练停止条件等）。
    • 数据划分：明确说明了使用Sherlock 1任务的第9、10会话作为验证集，第11、12会话作为测试集，其余作为训练集。
    • 模型架构：指定了MEG编码器使用ConvConcatNet架构（引用自文献[20]），但未提供该架构的具体实现细节。
    • 检查点：论文中未提及检查点的公开获取方式。
  • 论文中引用的开源项目：
    1. Wav2vec 2.0：论文中明确使用了其预训练模型，并提供了HuggingFace链接：https://huggingface.co/facebook/wav2vec2-base-960h。
    2. Adam优化器：论文中使用了Adam优化器进行模型训练，但未提供其具体实现（如PyTorch或TensorFlow）的链接。
    3. ConvConcatNet：论文中引用为文献[20]，但未提供该架构的具体代码链接。

🏗️ 方法概述和架构

本文提出了一种两阶段流水线框架，用于从MEG信号中检测语音活动。该框架的核心思想是规避从低信噪比MEG信号中直接重建语音特征的困难，转而采用“检索-分析”的策略。

整体流程概述：给定一段测试MEG信号，系统首先在第一阶段从一个大规模的预构建音频库（约60% LibriVox）中检索出与该MEG信号在时间上最匹配的原始语音片段。然后，在第二阶段，系统利用该检索到的语音片段（经过重新对齐和合成处理）的声学特征（如梅尔频谱图），通过一个训练好的语音检测模型，生成最终的二进制（0/1）语音活动序列。

主要组件/模块详解：

第一阶段：MEG-语音匹配-失配模型 * 功能：学习MEG信号与语音信号之间的对齐表示，使得在训练集上对齐的MEG和语音片段在共享的潜在空间中具有高相似度，而不对齐的则低相似度。在测试时，用于衡量测试MEG片段与音频库中所有语音片段的相似度，以找到匹配的音频。 * 内部结构/实现： * MEG编码器：采用ConvConcatNet架构（引用自文献[20]），这是一个基于CNN的网络。它将输入的MEG数据X ∈ ℝ^{C×T}（C为通道数，T为时间采样点数）编码为神经特征Z ∈ ℝ^{H×T}（H为潜在空间维度，本文设置为8以降低测试计算成本）。 * 语音编码器：使用预训练的Wav2vec 2.0模型（wav2vec2-base-960h）提取语音表示。具体地，提取其第九隐藏层的输出，然后通过一个线性层投影得到语音特征F ∈ ℝ^{H×T}，与MEG特征维度对齐。 * 相似性度量与损失函数：使用InfoNCE对比学习损失来训练。对于一批N个样本，损失函数鼓励匹配的(Z^i, F^i)对之间具有高相似度，同时抑制不匹配的(Z^i, F^j)对。相似度sim(Z^i, F^i)定义为两个序列在H个特征维度上的Pearson相关系数的平均值（公式2）。温度参数τ控制分布的锐度（本文设置为0.015）。 * 输入输出：训练时，输入是成对的MEG信号片段和对应的语音信号片段；输出是两者在共享潜在空间中的特征表示及相似度分数。训练好的模型在测试时，输入是测试MEG片段和音频库中候选语音片段，输出是它们之间的相似度分数。

第二阶段：语音检测模型 * 功能：在已知或经过处理的语音片段上，区分语音和静默区域，输出二值序列。 * 内部结构/实现：同样采用ConvConcatNet架构。输入是语音片段的梅尔频谱图，输出是二进制的0/1序列。损失函数为负Pearson相关系数，鼓励预测序列与真实标签序列的相关性最大化。训练后，在验证集上通过网格搜索确定最佳二值化阈值。 * 输入输出：训练时，输入是合成的MEGaudio（基于Libriaudio插入静音段生成）的梅尔频谱图，目标是其对应的真实二值标签（源自event.tsv）。测试时，输入是经检索和合成处理后的音频的梅尔频谱图，输出是预测的二进制语音活动序列。

组件间的数据流与交互：这是一个串行流水线。测试MEG数据流首先经过第一阶段的“匹配-失配模型”，模型遍历音频库中的语音片段，计算每个库片段与所有测试MEG片段的相似度，生成一个“匹配MEG ID序列”（MMIS）。然后，利用最长递增子序列（LAS）算法分析MMIS，从中识别出时间上连续递增的子集，从而定位到与测试MEG时序对齐的目标音频（例如从第1398秒开始）。接着，将匹配到的音频（studyinscarlet13）按其文本转录分割为句子（241句），通过匹配模型确认前126句与测试MEG匹配，在句子间插入对应时长静音，合成一个与测试MEG后半段等长的音频序列。最后，将此合成音频的梅尔频谱图送入第二阶段的“语音检测模型”，生成最终的输出序列。两个阶段的模型独立训练。

关键设计选择及动机：

  • 两阶段解耦：将“从脑信号找到对应语音”和“从语音判断活动状态”两个任务解耦。作者认为后者（传统VAD任务）在已知音频时更容易解决，且性能有保障。
  • 检索范式：选择match-mismatch/检索范式而非回归范式，是基于已往研究证据和作者自身实验：回归方法在从MEG解码梅尔频谱图等特征时精度（~0.4）远低于检索方法（从1000+候选中识别正确片段准确率达41%），因此检索路径在理论上更有潜力达到高精度。
  • 利用外部大库：利用下载的60% LibriVox子集（约1万本有声书）作为一个巨大的、预先存在的语音候选池，极大地扩展了第一阶段检索的候选空间，提高了找到精确匹配的可能性。
  • 相似度度量选择Pearson相关系数：这种度量对幅度缩放不敏感，更适合比较可能具有不同能量但模式相似的信号序列。
  • LAS算法用于时序验证：在测试阶段，LAS被用于从可能杂乱无章的MMIS中找出时间顺序正确的子序列，这是一种利用问题时序约束的有效工程设计。

架构图/流程图：

方法整体框架 图1说明：图1展示了整体的两阶段框架。左侧的测试MEG信号首先被送入“MEG-Speech Match-mismatch”模块。该模块同时处理测试MEG和音频库（LibriVox）中的语音片段，通过对比学习模型计算相似度，生成“匹配MEG ID序列（MMIS）”。然后，“LAS Algorithm”处理MMIS，识别出与测试MEG在时间上顺序匹配的LibriVox音频。右侧的“Speech Detection”模块则以该匹配到的音频（经过句子分割、确认和静音插入后形成的等长序列）的梅尔频谱图为输入，生成最终的二进制语音活动序列。图中清晰地显示了从原始测试MEG到最终输出的两步数据流向和处理逻辑。

对比学习框架 图2说明：图2详细展示了第一阶段所使用的对比学习框架。上方展示了两个编码器：MEG编码器（处理MEG输入）和语音编码器（处理语音输入，使用预训练的Wav2vec 2.0第九隐藏层输出）。它们将不同模态的数据映射到共享的潜在空间（维度H）。下方展示了InfoNCE损失的计算逻辑：在一个批次（Batch）内，对于每个MEG样本Z^i，其与对应语音样本F^i的相似度（sim(Z^i, F^i)）应该被最大化，而与批次内其他语音样本F^j (j≠i)的相似度应该被最小化。温度τ控制了这个对比过程的严格程度。

专业术语解释：

  • MEG (Magnetoencephalography)：脑磁图，一种通过测量大脑神经电活动产生的微弱磁场来探测脑功能的无创神经影像技术。其信噪比通常高于EEG。
  • Match-Mismatch Task：匹配-失配任务，一种对比学习范式。模型学习将来自同一配对（如同时采集的MEG和语音）的样本映射到表示空间中相近的位置，而将来自不配对（不匹配）的样本映射到较远的位置。
  • Longest Ascending Subsequence (LAS)：最长递增子序列。在测试阶段，此算法被用于在从音频库中检索到的、可能杂乱无章的“匹配MEG ID序列（MMIS）”中，找出一个时间上连续递增（即按原始时间顺序排列）的子序列，从而定位出真正与测试MEG时序对齐的那部分语音。
  • LibriVox：一个由志愿者朗读公有领域书籍并制作成有声书的大型开源项目。本文将其作为候选语音库，使用了约60%的数据（约1万本有声读物）。
  • MMIS (Matched MEG ID Sequence)：匹配MEG ID序列。在测试检索阶段，对于库中每个语音片段，找出与之最相似的测试MEG片段的索引，按库中片段顺序排列形成的一个序列。

💡 核心创新点

  1. 范式创新：从“直接重建”到“检索增强检测”。针对从低信噪比脑信号（MEG）直接重建语音特征精度低这一核心瓶颈（作者实验为~0.4），论文提出了一种绕行策略。将问题重构为“从大规模库中检索匹配语音”和“在已知语音上做检测”两个子问题。这种解耦规避了回归任务的精度限制，利用了匹配任务和传统VAD任务的相对易解性。
  2. 基于LAS的时序检索验证策略。在测试阶段，为了从音频库中找到与给定MEG时序对齐的语音，论文设计了一种新颖的检索与验证流程。通过计算每个库中语音片段与所有测试MEG片段的相似度，构建匹配MEG ID序列（MMIS），并应用最长递增子序列（LAS）算法来识别其中具有时序连续性的子集，从而高效地定位匹配音频。这是一种针对特定任务约束（音频库中存在正确答案且时序对齐）的有效工程设计。
  3. 利用大规模外部知识库提升性能。核心动机是受match-mismatch任务研究的启发。论文将下载的60% LibriVox子集作为一个庞大的、包含丰富语音和语言模式的知识库引入到MEG解码任务中。这相当于为模型提供了一个巨大的、固定的“先验答案集”，使得在测试时只需要做“选择题”而非“生成题”，显著降低了任务的固有难度并提升了最终性能（竞赛第一名）。

📊 实验结果

  • 主要结果：在LibriBrain 2025 Speech Detection任务的扩展赛道上，该方法获得了F1-score: 0.962，取得了第一名。这是论文最核心的实验证据。
  • 对比基线：论文未在正文中直接与其他参赛团队或SOTA方法进行定量数值对比。但文中通过两种方式进行了间接对比：1）指出传统直接回归方法解码梅尔频谱图的精度（~0.4）不足以支持此任务，而检索方法（从1000+候选中识别准确率达41%）潜力更大；2）提到对于前1398秒的测试MEG，采用了类��于Team SHINE的简单回归方法（CNN+LSTM）。因此，F1-score 0.962本身隐含了对直接重建基线的显著超越，但缺乏公开的对比表格。
  • 消融实验：论文未提供正式的消融实验表格。其“消融”体现在对测试集不同部分的处理：从1398秒开始的后半段（有匹配音频）采用完整的两阶段框架；前1398秒（无匹配音频）回退到简单回归。这间接证明了检索步骤对后半段高精度的决定性作用，但也暴露了框架在检索失败时的脆弱性。
  • 细分结果：未提供。论文只报告了整体F1-score，未拆分前后两部分的分数。
  • 实验结果表格：由于论文是竞赛报告，未包含标准的、有多个方法对比的实验结果表格。

实验结果相关图表： 论文未提供展示实验结果数值对比的图表。附录中的图表主要用于方法说明和数据预处理。 MEGaudio合成示意 图A.1说明：此图说明了训练数据的预处理。作者分析发现，竞赛提供的实际音频（MEGaudio）是在原始LibriVox音频（Libriaudio）基础上插入了许多短静音段（a，中位数时长约0.03秒）。他们利用event.tsv文件中的时间信息，将这些静音段精确地合成为训练用的MEGaudio（b）。这确保了训练数据与竞赛评测数据在分布上的一致性，是实验设计的一个关键细节。

检索匹配流程示意 图A.2说明：此图说明了测试阶段的核心检索流程。(a)展示了如何将库中的语音片段（以studyinscarlet13的330个5秒片段为例）与所有测试MEG片段（22,380个）进行相似度匹配，为每个库片段找出最相似的MEG片段索引，从而生成MMIS。(b)展示了一个理想的MMIS（应为单调递增序列）和实际找到的studyinscarlet13的MMIS（蓝色点）。论文提到，只有此音频的LAS长度超过了手动设置的阈值20，从而被识别为匹配音频。图中显示其MMIS中的点在后期确实呈现上升趋势。

🔬 细节详述

  • 训练数据：
    • 来源：训练使用Libriaudio（根据竞赛组织者提供的URL从LibriVox下载的原始有声书音频）以及合成的MEGaudio（在Libriaudio基础上根据竞赛提供的event.tsv文件时间戳插入静音段生成）。
    • 规模：论文未明确给出训练集总音频时长或MEG片段数量，但提及使用了Sherlock 1任务中除session 9,10（本地验证集）和session 11,12（本地测试集）外的所有数据。
    • 预处理：MEG和语音数据在匹配模型训练时均被分割为非重叠的3秒窗口；语音检测模型训练时使用30秒窗口。
  • 损失函数：
    • 匹配模型：InfoNCE对比损失（公式1），基于Pearson相关系数的平均值作为相似度度量（公式2）。
    • 检测模型：负Pearson相关系数。
  • 训练策略：
    • 优化器：Adam。
    • 学习率：1×10^{-3}。
    • 批大小：匹配模型为256，检测模型为64。
    • 训练停止：使用早停法（Early Stopping）。匹配模型：验证集Top-10准确率连续5个epoch不提升则停止。检测模型：验证集损失连续5个epoch不下降则停止。
  • 关键超参数：
    • 匹配模型：潜在空间维度H=8（为降低测试时计算成本），温度参数τ=0.015。
    • 检索阶段：LibriVox音频片段长度为5秒；测试MEG滑动窗口为5秒，步幅0.1秒；LAS长度阈值设为20（用于判断是否匹配成功）。
  • 训练硬件：8块NVIDIA A800 GPU。
  • 推理细节：
    • 测试MEG（总时长2243秒）被22,380个5秒滑动窗口覆盖。
    • 对于匹配到的音频（studyinscarlet13），使用文本转录分割成句子（241句），经匹配模型确认前126句与测试MEG匹配，然后在这些句子间插入对应时长的静音，合成一个与测试MEG从1398秒开始的后半段等长的音频序列。
    • 检测模型对合成的音频进行推理，输出二值序列。
  • 正则化或稳定训练技巧：使用了早停法。未提及Dropout、权重衰减等其他正则化技巧。

⚖️ 评分理由

  • 创新性：2.0/3 评审意见：论文提出了一个清晰且新颖的问题解决范式——将脑信号解码任务转化为检索+VAD任务。这种“绕行”策略的洞察力（Insight）有价值，它准确地识别了直接重建的瓶颈，并利用外部知识库提供了一条更优的路径。方法本身并非由全新组件构成（对比学习、预训练模型、CNN），但将其组合并应用于解决MEG语音检测这一特定难题的方式具有创新性，与主流SOTA方法（端到端回归或重建）有本质区别。不过，该方法更像一个针对特定竞赛规则（存在外部库且可离线检索）的巧妙工程方案，其在更一般化场景下的方法论突破性稍弱，创新性未能完全达到顶会论文的高度。
  • 技术严谨性：1.5/2 评审意见：论文的技术描述整体清晰，方法逻辑自洽。对比学习框架、相似度计算、LAS检索算法的使用都是合理的。主要不足在于理论深度较浅：1）对选择Pearson相关系数作为相似度度量的论证不足，仅提及对幅度缩放不敏感；2）对LAS算法应用于MMIS的合理性、以及阈值20的设定完全基于经验，缺乏理论分析或更充分的实验验证（如不同阈值的影响）；3）对于检索失败（前1398秒）时回退到简单回归模型的决策，缺乏技术上的深入讨论和性能对比。数学表述基本正确。
  • 实验充分性：1.5/2 评审意见：论文报告了竞赛任务上的最终成绩（F1: 0.962，第一名），这是对方法有效性的直接证明。数据处理流程描述详细，考虑了训练与测试数据分布的一致性（合成MEGaudio）。然而，实验部分存在明显缺陷：1）没有与任何基线模型进行定量对比，读者无法得知该方法相对于简单回归基线或其他参赛方法具体提升了多少；2）完全没有消融实验，无法验证各模块（如Wav2vec2.0预训练、LAS算法、两阶段分离、使用60% LibriVox子集）的贡献；3）缺乏在非竞赛数据或更通用设置下的泛化实验，结论可能仅限于该特定数据集和任务。实验充分性因缺乏对比和消融而显著受损。
  • 清晰度：0.8/1 评审意见：论文组织结构合理，按照标准格式撰写。图表（图1，图2）能有效辅助理解方法框架。技术细节（如数据合成、检索流程）描述得比较清楚。主要扣分点在于：1）部分关键细节缺失或表述模糊，例如未明确说明MEG编码器ConvConcatNet的具体架构细节（引用自[20]）；2）附录中的图A.2b提到“理想MMIS为单调递增序列”，但实际找到的序列（蓝色点）并非严格单调，论文未解释这一差异以及为何这仍能工作，可能导致复现时的困惑。
  • 影响力：0.6/1 评审意见：该工作在LibriBrain竞赛中取得第一名，对脑机接口和语音处理的交叉社区具有一定的实践价值。它提出的“检索增强”范式可能启发未来研究在特定条件下利用外部数据库。然而，其影响力受到严重限制：1）高度依赖特定竞赛设定（提供候选库、任务定义为二分类、音频来自LibriVox）；2）核心贡献是应用层面的优化和工程设计，而非基础模型或理论的突破；3）对于广大的语音处理或神经科学读者，其相关性较窄，通用性存疑。
  • 可复现性：0.4/1 评审意见：论文提供了相当多的训练细节，如优化器、学习率、批大小、早停准则、硬件环境、关键超参数（H=8, τ=0.015），以及数据处理的具体步骤。这为他人尝试复现提供了基础。然而，可复现性受到多重致命限制：1）未提供作者自己训练模型的代码；2）未提供作者自己训练模型的权重；3）竞赛使用的LibriBrain测试集以及作者下载的60% LibriVox子集（约1万本有声书）未公开，他人无法获取相同数据；4）缺乏完整的复现指南（如README）。因此，尽管训练细节充分，但在没有核心代码和数据的情况下，完全复现极其困难。

🚨 局限与问题

  1. 论文明确承认的局限：作者承认，对于测试MEG的前1398秒，未能从他们下载的60% LibriVox子集中找到匹配的音频文件。他们推测匹配音频可能在未下载的40%中，或者来自LibriVox之外的其他来源。这直接暴露了方法的第一阶段检索过程依赖于外部库的完整性和特定范围。
  2. 审稿人发现的潜在问题：
    • 方法泛化性严重存疑：框架的成功完全建立在“测试时听到的语音必定存在于预定义的外部库中”这一强假设之上。这在实际的非竞赛应用中几乎不成立。因此，该方法不具备通用性，其结论无法推广到真实世界的BCI场景。
    • 任务简化与过拟合竞赛：论文巧妙地将任务简化为“在特定库中找匹配”，并利用了竞赛测试数据来自LibriVox这一特点。这使得F1-score分数很高，但未必反映了方法在更广泛、未知数据上的能力，有“为刷榜而设计”之嫌。
    • 检索过程的计算成本与效率未评估：测试时需要将测试MEG与整个音频库（~1万本书，数万个5秒片段）的所有片段进行相似度计算（22,380个测试片段 × 数万个库片段），并运行LAS算法。论文未讨论这一过程的计算开销和实时性，可能不适合实际部署。
    • 第二阶段模型的输入分布差异：第二阶段的检测模型训练时使用的是合成的MEGaudio（在Libriaudio基础上系统性地插入静音段）。但在测试时，虽然对匹配到的句子也插入了静音，但这种静音的插入方式（基于句子边界）可能与训练数据中静音的分布（基于event.tsv）存在差异，论文未讨论此潜在分布偏移的影响。
    • 缺乏对比与消融，贡献难以分离：如前所述，缺乏与基线模型的定量对比和消融实验，使得我们无法评估各设计选择（如对比学习框架、LAS算法、使用Wav2vec2.0）的真正贡献，也无法确认高分是主要来自外部库本身的信息量，还是模型学习能力的体现。

← 返回 2026-05-14 论文速递