附录 B 的训练单位叫“监督微调样本回合（SFT episode）”：一次回合是一条视角加 4–10 段编号音频，而不是单段分类样本。下表保留原表所有统计；最后三列是均值（95 分位数，最大值）。

原文进一步给出 1,876 个回合、2,008 个唯一录音，约 10.6K 次 clip 出现；单例簇占 52.3%，但 \(K=1\) 的回合仅占 4.7%，94.1% 至少含一个非单例簇。这表明任务大量要求同时找到同簇关系和跨簇边界，不能把单例比例误读成“多数回合无需聚类”。

DPO 只比较合法答案，把错误类型变成训练信号

RD 后，论文从模型生成结果中挑选困难负例（hard negative，即格式仍合法、却容易与金标混淆的错误分区）。拒绝答案必须可解析、每个编号只出现一次，并且与金标分区不同；这样 DPO 不会把训练预算浪费在漏编号、重复编号等纯格式失败上。

原文公式（11）按答案 token 的平均对数概率定义初始边际 \(m(x,y^+,y^-)\)，公式（12）定义质量差 \(g=s(y^+)-s(y^-)\)。小或负边际意味着初始模型同样甚至更偏好错误答案；极小质量差会被去除。公式（13）再把负例分成 near-miss、over-merge、over-split、\(K\)-wrong 和 wrong-assignment：前者簇数相同但成员不全对；中间两类分别把不同金标簇并在一起、或把一个金标簇拆开；其余再记录簇数或成员分配错误。该公式是筛选规则，不是单独的性能结论。

读图任务：图 3 的关键是沿箭头找到“RD 模型生成—合法性过滤—金标/拒绝答案配对—DPO”四个节点。图中合法性筛选解释为何负例可以是困难聚类错误，而不是坏格式；它不能告诉我们每种错误类别的实际数量，也不能证明所有困难错误都被覆盖。

最终 DPO 使用原文公式（6）—（8），附录又以公式（14）—（17）重复同一组定义：\(\Delta_\pi\) 与 \(\Delta_{\mathrm{ref}}\) 分别是策略和冻结参考模型对选中、拒绝答案的对数概率差，\(z=\beta L_{\mathrm{ref}}(\Delta_\pi-\Delta_{\mathrm{ref}})\)，\(\mathcal{L}_{\mathrm{DPO}}=-\log\sigma(z)\)。\(\beta\) 控制偏好强度，\(L_{\mathrm{ref}}\) 是 DPO 训练集的平均答案长度。所有概率只在最终 answer token 上计算，排除 prompt、padding 和非答案 token；因此 RD 负责中间比较监督，DPO 直接校准最后的分区决策，而不是奖励一段写得漂亮的长推理。

训练配置已给出，缺的是公开材料而不是超参数

附录 E 给出了比“用了四张 GPU”更细的配置。RD 使用 1,876 个蒸馏样本，从 7B Audio Flamingo 3 初始化，LoRA 微调，bfloat16、梯度检查点、FlashAttention 和 DeepSpeed 内存优化；micro-batch 为 1，余弦学习率调度峰值 \(5\times10^{-5}\)，训练 6 个 epoch。DPO 在 Held-in 视角构造的 1,075 个筛选过的 on-policy 偏好对上运行，使用官方 trl.DPOTrainer、1 个节点 4 张 GPU、每设备 batch 1、梯度累积 3，有效全局 batch 12；训练 500 steps（epoch 上限 20.0）、5 个 warmup steps、常数加 warmup 调度、学习率 \(5\times10^{-6}\)。

DPO 同样使用 bfloat16 和梯度检查点，最大梯度范数 1.0；LoRA 加在最后 16 层的 attention 模块，rank 32、alpha 32、dropout 0。策略与参考模型都从 RD checkpoint 初始化，参考模型冻结，scaled-mean DPO 取 \(\beta=0.5\) 和 \(L_{\mathrm{ref}}=34.0\)。这些是可复核的训练超参数，不能称为“未披露”。但论文没有给出代码入口、权重、可下载的数据入口、许可证，也没有报告推理延迟、吞吐、内存或成本；这些不同于超参数缺失，分别限制公开复跑与工程部署判断。

读 ARI 和 V-measure 前，先理解它们惩罚哪种错法

ARI（Adjusted Rand Index）看所有样本对是否同时被预测为同簇或异簇，并扣除随机一致；原文公式（21）给出其组合计数形式。它通常在 \([-1,1]\) 内，越高越好，0 约对应随机水平。V-measure 则把簇纯度和类别完整性合在一起：原文公式（18）定义同质性 \(h=1-H(C\mid K)/H(C)\)，公式（19）定义完整性 \(c=1-H(K\mid C)/H(K)\)，公式（20）给出 \(V=(1+\beta)hc/(\beta h+c)\)，通常 \(\beta=1\)。混入不同金标类会伤害同质性；把同类拆散会伤害完整性。两者均为越高越好，但它们不是同一张奖牌。

主比较有四种语料、L0/L1/L2 三种层级。嵌入式基线得到金标簇数，这给了它们 oracle \(K\) 优势；LLM/LALM 直接输出分区，需自己同时猜 \(K\) 和分配。下面将原表 2 按语料拆成连续子表，保留每个方法、聚类设置和 ARI 数值。表 2 的问题是：在 oracle \(K\) 的文本嵌入基线与自行推断 \(K\) 的生成式模型并列时，谁的成对分组更接近金标？

表 2a（ARI↑，ECHR）

表 2b（ARI↑，S&P 500）

表 2c（ARI↑，Banking77）

表 2d（ARI↑，MultiWOZ）

表 2e（ARI↑，Average 与 Overall）

原表 2 的视觉注释是“每列最佳值以蓝色粗体标出、第二佳以下划线标出”；为移动端可读性，这里保留全部数值与设置，不以颜色或下划线承担比较含义。

表 2 的最强文本嵌入基线是 InBedder + K-Means，overall ARI 为 17.01；GPT-audio-1.5 是整体最强的非本方法原生 LALM，31.78；AudioLens-R1 为 44.77，较它高 12.99 个绝对点。12 个语料—层级 ARI 格中 AudioLens-R1 都最高。这个对照支持“端到端后训练模型在该受控基准上更准”的系统层结论，却不能隔离出每一项收益分别来自音频输入、RD、DPO 或基座选择。

V-measure 的例外提醒：整体领先不等于每一列都第一

表 3 的问题是：同一批方法在簇同质性和完整性的折中上表现如何？ 下列连续子表保留原表全部设置和数值。特别需要纠正提取文本的空白续行：55.50/57.76/…/52.66 是 InBedder + K-Means，55.68/57.33/…/52.19 是 Qwen3-Embedding + K-Means；不能错标为 Instructor 或 all-MiniLM。指标均为 V-measure↑。

表 3a（V-measure↑，ECHR）

表 3b（V-measure↑，S&P 500）

表 3c（V-measure↑，Banking77）

表 3d（V-measure↑，MultiWOZ）

表 3e（V-measure↑，Average 与 Overall）

原表 3 同样以蓝色粗体标每列最佳、以下划线标第二佳；连续子表保留这些比较所依赖的全部数值，但不要求读者依赖颜色辨识。

AudioLens-R1 overall V-measure 为 73.43，比 GPT-audio-1.5 的 61.81 高 11.62 个绝对点，并在 12 格中赢下 11 格；例外是 Banking77 L2，GPT-audio-1.5 的 84.12 高于 AudioLens-R1 的 78.64。这个例外很重要：论文能主张广泛而非逐格无条件领先，不能把“11/12”改写成“全部领先”。

RD 与 DPO 合在一起才出现主要增益，单独使用也有退化

表 4 的问题是：相同基座下，answer-only SFT、RD SFT、answer-only+DPO 和 RD+DPO 各改变多少？ \(\Delta\) 为相对 answer-only SFT 的绝对提升，指标方向均为↑。

RD 单独使 Banking77 ARI 从 39.50 降到 39.48，也使 MultiWOZ V-measure 从 55.94 降到 52.26；DPO 单独也没有证明每个来源都获益。这些反证防止把 RD 写成单一魔法。相反，RD+DPO 在四个语料的两项指标上均高于 answer-only SFT，整体 ARI/V-measure 分别提高 9.94/7.75 个绝对点。它支持两阶段组合在该基准中有效，却仍不能从这张整机消融单独推断“困难负例类别”或“某条教师推理”分别造成了多少收益。

换成 Qwen2.5-omni 后，DPO 并非每个视角都上涨

附录 G 以 Qwen2.5-omni 为基座复做 RD SFT 与 RD+DPO。BG、Emo.、Spk.、Gen.、Reason 分别是背景噪声、情绪、说话人数、性别、语言推理视角平均。原表 8 的斜杠式宽单元格被拆为两张连续表；所有数值保留，指标方向均为↑。

表 8a（ARI↑，Qwen2.5-omni 基座）

表 8b（V-measure↑，Qwen2.5-omni 基座）

这个诊断既给出改善也给出退化：overall ARI 的背景噪声从 0.3302 升到 0.3588、说话人数从 0.2230 升到 0.2367；但情绪从 0.3046 降到 0.3012，语言推理从 0.4164 降到 0.4088。V-measure 的 overall BG 和 Spk. 上升，Emo. 与 Reason 下降；MultiWOZ 的 Spk. 两种训练都是 0.0000。它表明“RD+DPO 一定改善每种模型、每个视角”的说法不成立，也说明原主基座的综合增益不能自动外推到其他基座。

能力边界应按证据类型分开，而不要把案例当成定量结论

论文的 Figure 4 是五个视角的雷达图，文本报告 AudioLens-R1 在背景噪声、情绪和语言推理的两项指标上均有最高平均表现；其中背景噪声为 ARI/V-measure \(41.45/60.35\)，情绪为 \(39.00/69.00\)，语言推理为 \(48.38/77.10\)。图的极坐标无法表示 Whisper+GPT-4o 在情绪 ARI 的 \(-1.50\)，该点被画成 0；因此应以数值表而非图形半径做精确比较。

读图任务：先沿训练步数观察总输出 token 与 <think>、<answer> 两条受字段约束的长度。要找的是起始处总长度的短暂尖峰，以及尖峰后这三条曲线是否趋于稳定；不要把某一时刻的绝对长度当成聚类准确率。

图上可见总输出长度在早期短暂冲高，而被计入 <think> 与 <answer> 的长度较低；随后三者稳定，且 <think> 占多数、<answer> 保持紧凑。论文据此解释为格式外 token 在适应期被抑制、输出格式趋于稳定。它只能支持这一次训练中的格式行为变化，不能证明分区正确、跨视角泛化、推理延迟或生产可靠性因此改善。

读图任务：再看训练和验证的 scaled preference margin 是否从负值越过零线并上升，同时看 policy-reference KL 是否平滑增加。重点是两类曲线的方向、过零和是否出现突变，而不是把它们误当成最终 ARI 或 V-measure。

图上可见训练与验证边际从负值越过零线并继续增长，验证曲线总体跟随训练曲线，KL 从近零平滑上升。论文将其解释为 DPO 逐步提高对选中答案相对拒绝答案的偏好，同时以受控方式偏离参考模型。图不能单独识别是哪一项训练设计造成变化，也没有多随机种子或误差条，因而不能推出稳健的因果效应、外部泛化或任意基座上的同样轨迹。

Figure 6 给出 SFT 回合的来源与簇结构画像；Figure 7 是 ECHR 案例：七个案件按申请人与责任主体关系被分为行政/监管、直接国家强制、私人纠纷中的司法保护和拘押条件四组。案例有助于理解“按视角而非表面主题分组”，但没有对应的人工案例评分，仍是能力示意。ArtifactIndex 还记录了 Figure 4 的三个子图、Figure 5 的两个子图、Figure 6、Figure 7 共七项；本篇可直接嵌入的原始 URL 为 Figure 1—3 及 Figure 5a/5b，后两者已在上文嵌入。Figure 4、6、7 的可验证资源未提供可嵌入 URL，本文仅以上述原文文字和数值说明其论证角色，不伪造或重绘图像。

复跑时先复现受控任务，再把缺口写清楚

研究者可以把下一步做成可证伪实验：在自然录音、多语言语料和未合成的噪声条件下重复 L0/L1/L2 切分，并单独消融原始音频、RD 教师质量、困难负例筛选和 LoRA 层选择。复现者有论文报告的四来源构造路线、Qwen3-TTS、SFT 回合统计和附录 E 超参数，可先复做受控训练；最大风险变量是语料构造所用的 LLM 提示、教师轨迹、TTS/噪声素材、筛选后的 1,075 个偏好对和实际脚本均未作为公开资源给出。产品读者则不应从本文直接推断可部署性：论文没有报告延迟、吞吐、GPU 内存、成本、鲁棒性、安全或隐私评估。

最后保留六个互不重复的记忆点：第一，AudioLens 的单位是“视角加集合”的分区，不是单条音频分类；第二，ASR 路线和转写 LLM 路线都可能在声音侧视角丢失信息；第三，基准通过文本验证和属性均衡来控制捷径，但仍是合成英语音频；第四，RD 教比较轨迹，DPO 在合法分区间偏好较好决策；第五，主结果很强但 Banking77 L2 的 V-measure 不是第一，替代基座也出现局部退化；第六，附录 E 已公开相当具体的训练超参数，真正阻碍独立复跑的是未公开代码、权重、数据入口和许可证。

⚖️ 评分依据与证据

独立技术复审给出 1.7/1.25/1.35/0.9/1.2/0/0.3/0.75 八维分项：受控四语料、L0/L1/L2、消融与替代基座诊断充分，但评测仍是合成英语语音，且没有公开代码、权重、数据入口或许可证。