📄 同样的两段声音，为何转写稳得住、问答就垮掉？
英文题目：Direct or Mediated? Task-Dependent Audio Information Routing in Large Audio Language Models
一句话：论文用无间隔波形拼接对齐 ASR 与 AQA 的信息需求，再以定向注意力阻断与提示词元探针分离直接检索与介导检索两条路径，发现转写更依赖回答词元直连音频而问答更依赖提示词元中转，且探针在中后层仍保持 67% 至 90.1% 可解性，指向下游利用瓶颈而非信息消失，代价是结论暂限于双段拼接与正确样本上的间接因果证据。
标签：#音频理解 #多模态模型 #语音识别 #可解释性
评分：6.1/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.7/1 | 影响力 0.9/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Yizhou Zhang：机构信息未在 arXiv HTML 中可靠披露
- Wangjin Zhou：机构信息未在 arXiv HTML 中可靠披露
- Xin Gu：机构信息未在 arXiv HTML 中可靠披露
- Yichi Wang：机构信息未在 arXiv HTML 中可靠披露
- Wei Tan：机构信息未在 arXiv HTML 中可靠披露
- Yi Zhao：机构信息未在 arXiv HTML 中可靠披露
- Zhi Gong：机构信息未在 arXiv HTML 中可靠披露
- Keisuke Imoto：机构信息未在 arXiv HTML 中可靠披露
- Tatsuya Kawahara：机构信息未在 arXiv HTML 中可靠披露
💬 毒舌点评
用最朴素的波形拼接就捅破了 LALM 单段评测的幻觉，并以定向注意力阻断 Attention Knockout 与提示词元探针的组合拳区分直接检索与提示介导两条路径，机制叙事比刷榜更值得读；硬伤在于因果证据仍是间接的相对重要性排序而非失败样本的直接定位，拼接形态过于理想化且无代码与显著性检验，离可复用的诊断工具链尚有差距。
📌 核心摘要
大型音频语言模型 Large Audio Language Model / LALM 在单段连贯音频上表现强劲，但在非常规多段输入下的内部利用机制尚不清晰。本文构建两段波形级拼接的受控输入，对比自动语音识别 Automatic Speech Recognition / ASR 与音频问答 Audio Question Answering / AQA 对同一拼接构造的鲁棒性差异。方法核心为三件套：波形拼接的行为学对照、基于五层滑动窗口的定向注意力阻断以估计路径重要性、以及对提示词元 Prompt Token 均值池化表征的逐层线性探针。通过在 Audio-Flamingo-Next-Instruct、MiMo-Audio-Instruct、Step-Audio-R1、Qwen3-Omni-Instruct 四个 LALM 上的实验发现，ASR 在 LibriSpeech test-clean 上仅出现 0.10 至 1.30 个百分点的词错误率 Word Error Rate / WER 上升且绝对值保持在 4.5% 以下，而 AQA 在 SpeechCommands、GTZAN、ESC-50 构造的三类四选一问题上从 85.17% 至 98.00% 的单段准确率跌至 Audio-Flamingo-Next、MiMo-Audio、Step-Audio-R1 的 35.33% 至 67.33%，Qwen3-Omni 相对鲁棒但仍全面低于单段对照，揭示任务依赖的鲁棒性鸿沟。注意力阻断与探针的联合证据表明 ASR 更依赖回答词元对音频词元的直接访问 \(\mathcal{Y}\leftarrow\mathcal{A}\)，AQA 则更敏感于音频到提示 \(\mathcal{P}\leftarrow\mathcal{A}\) 再到回答 \(\mathcal{Y}\leftarrow\mathcal{P}\) 的介导路径，且探针在中后层仍可达 67.0% 至 90.1% 的宏平均准确率，说明失败并非信息从解码器状态中完全消失而是下游利用瓶颈。该发现为 LALM 的音频接地与泛化瓶颈提供了可检验的机制假说，但结论目前限于双段无间隔拼接与有限模型集，且阻断分析主要在标准基准的正确样本上进行。
🔗 开源与复现资源
- 代码：论文中未提及代码链接，提供的片段中未给出 GitHub 仓库或项目主页 URL
- 模型权重：论文中未提及具体权重下载链接，评估使用的 4 个 LALM 为 Audio-Flamingo-Next-Instruct、MiMo-Audio-Instruct、Step-Audio-R1 和 Qwen3-Omni-Instruct，片段中未提供 HuggingFace 或 ModelScope 链接
- 数据集：论文中未提供数据集直接下载链接或开源协议链接，使用的数据集包括 LibriSpeech 用于 ASR 评估，以及 SpeechCommands、GTZAN 和 ESC-50 用于 AQA 评估与探针实验，探针数据按 60% / 20% / 20% 划分为训练集、验证集和测试集，并分别在 SpeechCommands 上保持说话人级别不相交、在 GTZAN 上保持音轨级别不相交、在 ESC-50 上保持原始录音级别不相交
- Demo：论文中未提及在线演示链接
- 复现材料：论文中未提及完整训练代码或检查点，探针复现相关配置已在正文中说明，包括对每个解码器层使用 prompt token 均值池化表示训练独立线性探针，输入表示按训练集均值和方差标准化，探针为单层仿射分类层并使用交叉熵目标训练，使用 AdamW 优化器，学习率为 \(1\times10^{-3}\)，批量大小为 256，最多训练 50 个 epoch，早停耐心为 5 个 epoch，保留验证集准确率最高的检查点，LALM 在训练期间保持冻结
- 论文中引用的开源项目：片段中提及以下第三方项目但未提供对应 URL 链接，包括 4 个被评估 LALM 即 Audio-Flamingo-Next、MiMo-Audio、Step-Audio-R1、Qwen3-Omni，3 个 AQA 数据集即 SpeechCommands、GTZAN、ESC-50，1 个 ASR 数据集即 LibriSpeech，以及相关基准和工具如 AHa-Bench、HalluAudio、AHA 和 HALAS，论文片段中未给出上述项目的具体链接
🧭 深度解读
把两段声音粘在一起，模型会怎么听？
想象你把两段录音首尾相接，中间不留静音也不加提示，一段是有人说 hello，一段是吉他独奏，然后同时问模型两个问题：请把两段话原样写出来，以及哪段是 hello、哪段是吉他。人类会觉得第二个问题更需要记住位置并按问题取用信息，而第一个问题只要顺序抄写。
大型音频语言模型，也就是把音频编码器接到大语言模型解码器上的 Large Audio Language Model，简称 LALM，在单段干净音频上已经能把语音识别和音频问答都做得很好。但单段评测掩盖了一个更细的问题：音频信息在解码器里到底走哪条路到达答案，是回答词元直接去音频里捞，还是先写进提示词元再被回答词元读取？这条路是否随任务而变，决定了模型在多段输入下是否可靠。
前人把榜刷高了，这篇论文把路问清楚了
音频理解在 LALM 里通常被当成统一的生成任务来做。自动语音识别 Automatic Speech Recognition，简称 ASR，把语音映射到文字；音频问答 Audio Question Answering，简称 AQA，则要求模型在问题条件下定位证据并作答。两类任务共享音频编码器与解码器，但过去大多分开评测，很少在同一输入下比较它们对音频证据的依赖方式。
另一条脉络是鲁棒性与幻觉研究。AHa-Bench、HalluAudio 等工作指出模型在非常规输入下容易脱离音频证据产生幻觉，时序定位与多段推理也被发现是短板。这些工作多停留在行为层面的榜单对比，给出模型在什么输入下会错，却较少解释错在解码器内部的哪一步。
第 3 条脉络是多模态模型的机理解释。视觉语言模型中已有人用探针与干预揭示感知、融合、推理的分层过程，语音与音频语言模型中也有用激活补丁与注意力分析追踪声学到语义的转化。本文的位置正在三者的交叉点：不刷新榜单，而是用受控的双段拼接把 ASR 与 AQA 拉到同一输入与同一信息需求下，再用干预与探针把行为差异落到可检验的路径假设上。
要对齐的不是音频，而是信息需求
论文要回答的核心问题是：在同样的多段输入下，ASR 与 AQA 是否走同一条音频信息路由。直觉上两者都需要识别内容、保持顺序、区分位置，但任务形式不同，ASR 是开放式顺序转写，AQA 是带干扰项的四选一选择，模型可能因此形成不同的内部策略。
为了让比较可控，作者把输入与信息需求对齐。输入层面，两段 16 kHz 音频直接波形拼接，不插静音与边界标记，记为前段与后段。信息需求层面，ASR 要求输出两段转写的顺序拼接，AQA 则围绕同一拼接构造内容、顺序、位置 3 类问题，属性在 SpeechCommands 上是指令词，在 GTZAN 上是音乐流派，在 ESC-50 上是环境声类别。这样，差异主要落在任务形式本身。
这个设计把一个模糊的鲁棒性抱怨，变成了可操作的对照实验：如果两任务在同一拼接上表现分化，且分化能被解码器内的路径干预所解释，那么任务依赖的路由假说就获得了行为与机制的双重支撑。
不训练新模型，只给解码器做一次分流体检
论文没有提出新模型，而是给已训练 LALM 的解码器做一套机制分析流水线。全流程可以概括为输入构造、解码器内信息流干预与表征探测、行为与机制关联解读，目标是区分信息是否线性可解与是否被下游利用。
输入构造是波形级拼接 Audio Concatenation，输出是同一拼接音频在 ASR 与 AQA 两种任务形式下的表现。解码器序列被显式划分为 3 类词元：音频词元 Audio Token 记为 A，提示词元 Prompt Token 记为 P，回答词元 Answer Token 记为 Y。后续所有干预与探针都围绕这 3 类词元之间的有向边展开。
两类分析工具分工明确。定向注意力阻断 Attention Knockout 负责估计哪条有向路径对当前预测更重要，逐层线性探针 Layer-wise Probing 负责检验任务相关属性是否以线性可解的形式留在 P 的表征里。两者结合，才能判断失败是信息丢失还是利用瓶颈。
三条有向边与两把尺子如何配合
先看输入与目标的形式化。两段音频拼接定义为
\[x^{\mathrm{cat}}=x^{(1)}\|x^{(2)},\]其中 | 表示波形级直接拼接。ASR 的目标是两段转写的顺序拼接
\[y^{\mathrm{cat}}=y^{(1)}\|y^{(2)}.\]AQA 则在同一拼接上构造四选一问题，内容题考两段属性识别，顺序题考前后段归属，位置题考目标属性出现在哪一段。输入相同，输出空间不同，这是控制混淆的关键。
再看干预的定义。定向注意力阻断把指定层窗口内从源集合 S 到目标集合 T 的注意力 logit 设为负无穷
\[\widetilde{M}_{ij}^{(\ell,h)}=\begin{cases}-\infty,&i\in\mathcal{T},\;j\in\mathcal{S},\\ M_{ij}^{(\ell,h)},&\mathrm{otherwise}.\end{cases}\]经 softmax 后对应有向边被切断，其余连接保持不变。作者考察 3 条路径
\[\mathcal{P}\leftarrow\mathcal{A},\qquad\mathcal{Y}\leftarrow\mathcal{A},\qquad\mathcal{Y}\leftarrow\mathcal{P}.\]分别对应音频向提示的整合、音频到回答的直接检索、提示介导的检索。干预以连续 5 层滑动窗口逐窗口独立施加，效应量对越高越好的指标定义为
\[\Delta m=m_{\mathrm{clean}}-m_{\mathrm{knockout}}.\]对越低越好的误差指标则反向相减，正值表示退化。
探针的定义同样简洁。在每一解码器层对 P 位置的隐藏状态做均值池化
\[r_{\mathcal{P}}^{(\ell)}=\frac{1}{|\mathcal{P}|}\sum_{i\in\mathcal{P}}h_{i}^{(\ell)}.\]再用独立的单层仿射分类器预测属性
\[\hat{c}^{(\ell)}=g^{(\ell)}\left(r_{\mathcal{P}}^{(\ell)}\right).\]拼接条件下为前后段各训一个探针，报告宏平均
\[\mathrm{Acc}_{\mathrm{macro}}=\frac{\mathrm{Acc}_{\mathrm{front}}+\mathrm{Acc}_{\mathrm{back}}}{2}.\]若拼接导致 AQA 准确率崩塌而探针仍保持高位，则更支持下游检索瓶颈的解释；若探针同步崩塌，则更支持信息丢失的解释。论文用 5 层窗口平滑重归一化噪声，并选择在干净推理可靠正确的样本上做阻断，以保证效应可解释。
论文图 1。这张图来自原论文 Figure 1:，图示内容为“Layer-wise effects of attention knockout on three directed pathways across decoder depth.”。请结合“三条有向边与两把尺子如何配合”的正文，按图例、坐标轴或模块连线核对；图中没有呈现的内容不作外推。
没有训练 LALM，训练的是每层的探针
这项工作没有训练或微调任何 LALM，4 个被测模型 Audio-Flamingo-Next-Instruct、MiMo-Audio-Instruct、Step-Audio-R1、Qwen3-Omni-Instruct 均保持冻结。所有可学习的更新只发生在探针上，目的是检验提示词元表征中是否保留线性可解的任务属性。
探针训练按源片段先划分再拼接。SpeechCommands、GTZAN、ESC-50 分别按 60% 训练、20% 验证、20% 测试划分源片段，拼接对只在同划分内构造，并保证 SpeechCommands 按说话人、GTZAN 按音轨、ESC-50 按原始录音互斥，避免信息泄露。每个探针对应一个模型、一层、1 个数据集、一个段位置与一种输入条件，输入先按训练集均值方差标准化，用交叉熵训练单层仿射分类器，优化器为 AdamW，学习率 1×10^-3，批大小 256，最多 50 轮，耐心 5 轮早停并保留验证准确率最高的检查点。
推理侧的计算过程是确定性的干预与解码。音频统一重采样至 16 kHz 后直接拼接，使用各模型官方预处理流水线，ASR 按自回归生成计算词错误率与字错误率，AQA 按四选一准确率评估并随机化正确选项位置。注意力阻断在每个合法的 5 层窗口上独立执行 1 次完整推理，用于得到层分辨的路径重要性曲线。
用哪些数据、怎么比、看什么指标
数据集与协议需要分开理解，因为行为对照与机制分析用了不同的载体。拼接行为对照使用 LibriSpeech test-clean 做 ASR，用 SpeechCommands、GTZAN、ESC-50 构造拼接 AQA 并辅以单段对照；机制分析则用 LibriSpeech 做 ASR 阻断，用 MMAU test-mini 做 AQA 阻断，前者提供稳定的语音基线，后者提供跨声学域且干净准确率稳定的多选基线。所有实验在 NVIDIA H20 GPU 上执行。
根据论文正文与图中报告值整理，数据集与实验协议如下：
| 数据集 | 领域与属性 | 样本构造 | 划分与互斥 | 任务与指标 | 备注 |
|---|---|---|---|---|---|
| LibriSpeech test-clean | 朗读语音 | 成对波形拼接，无静音与边界标记 | 成对拼接用于拼接条件，单段个体用于对照 | ASR，WER 与 CER，越低越好 | 机制分析中作为 ASR 阻断载体，因干净推理稳定 |
| SpeechCommands | 指令词 | 双段拼接，内容/顺序/位置 3 类四选一，单段四选 1 对照 | 源片段 60/20/20，拼接仅同划分内，按说话人互斥 | AQA 准确率，越高越好；探针按前后段分别训练后宏平均 | 探针输入为 P 均值池化表征 |
| GTZAN | 音乐流派 | 同上 | 同上，按音轨互斥 | 同上 | 同上 |
| ESC-50 | 环境声类别 | 同上 | 同上，按原始录音互斥 | 同上 | 同上 |
| MMAU test-mini | 跨域音频问答 | 标准多选，不做拼接 | 用于阻断分析的干净正确样本 | AQA 准确率，越高越好 | 作为 AQA 阻断载体，因跨域且基线稳定 |
指标方向与统计口径值得强调。ASR 看 WER 与 CER 的绝对值与拼接增量，AQA 看单段与拼接准确率的落差，阻断看相对干净推理的恶化幅度，探针看每层宏平均准确率随深度的变化。论文未报告多次运行方差与显著性检验，阻断结果以定性趋势呈现，未给出逐窗口数值曲线。
同一拼接，两种任务走向两条路
行为对照首先给出任务依赖的鲁棒性鸿沟。单段条件下 4 个模型在 3 类音频属性上均达到 85.17% 至 98.00% 的识别准确率，说明基础属性识别能力完备。施加双段无间隔拼接后，ASR 的 WER 仅上升 0.10 至 1.30 个百分点且绝对值保持在 4.5% 以下，而 AQA 在 Audio-Flamingo-Next、MiMo-Audio、Step-Audio-R1 上跌至 35.33% 至 67.33%，Qwen3-Omni 相对稳健但仍从单段的 96% 至 98% 区间回落 9.33 至 14.34 个百分点。输入与信息需求对齐时，任务形式本身决定了鲁棒性。
根据论文正文与图中报告值整理，关键结果如下：
| 比较或条件 | 指标 | 明确报告值 | 这项数字支持什么 |
|---|---|---|---|
| 单段对照 vs 拼接，4 模型 | AQA 四选一准确率 | 单段 85.17%–98.00%，拼接后 3 模型 35.33%–67.33%，Qwen3-Omni 82.67%–88.67% | 拼接显著冲击 AQA，且 Qwen3-Omni 相对鲁棒但仍低于单段 |
| 单段对照 vs 拼接，4 模型 | LibriSpeech WER | 拼接增量 0.10–1.30 个百分点，绝对值低于 4.5% | ASR 在同一拼接构造下保持可恢复性 |
| LibriSpeech 阻断，5 层滑动窗口 | 路径相对重要性 | Y←A 在多数窗口引起最大 WER 上升，Step-Audio-R1 同时在 Y←P 上效应显著 | ASR 更依赖回答词元直连音频的直接检索 |
| MMAU test-mini 阻断，5 层滑动窗口 | 路径相对重要性 | P←A 与 Y←P 的准确率下降普遍大于 Y←A，P←A 敏感区偏浅层、Y←P 偏深层 | AQA 更依赖先整合到提示再被回答读取的介导路径，呈现先整合后检索的时序 |
| 拼接输入探针，P 均值池化 | 宏平均探针准确率最佳值 | SpeechCommands 77.8%–86.8%，GTZAN 67.0%–90.1%，ESC-50 74.8%–81.8%，中后层维持高位 | 任务相关属性在拼接失效时仍线性可解，失败更像下游利用瓶颈 |
机制分析把行为分化落到路径上。注意力阻断显示 ASR 对 Y←A 最敏感，AQA 则对 P←A 与 Y←P 更敏感，且浅层更易影响 P←A、深层更易影响 Y←P，符合先写入提示再被回答取用的时序假设。探针则给出分离证据：即使 AQA 准确率已跌至 35% 附近，P 表征在中后层仍能以 67% 至 90.1% 的宏平均准确率线性解码前后段属性，高可解性与低任务准确率并存，说明信息并未从解码器状态中完全消失。
也需要看到未胜出与未覆盖的边界。阻断分析主要在干净推理正确的标准样本上进行，未直接定位拼接 AQA 失败样本的故障层；探针仅检验线性可解性，未评估非线性可解性与探针容量敏感性；拼接形态仅为双段无间隔波形拼接，未涉及重叠、噪声、长录音与更多段数的复杂交互。
论文图 2。这张图来自原论文 Figure 2:，图示内容为“Layer-wise linear probing accuracy for task-relevant audio attributes decodable from prompt-token representations under concatenated inputs.”。请结合“同一拼接，两种任务走向两条路”的正文，按图例、坐标轴或模块连线核对；图中没有呈现的内容不作外推。
这套诊断能说明什么，还缺哪块拼图
论文在局限性中坦承两点。注意力阻断属于间接因果证据，切断注意力会重归一化剩余权重，难以精确定位唯一回路，且为保证可解释性主要在正确样本上评估，因此刻画的是成功预测所依赖的路径，而非失败样本的直接故障点。输入形态也高度简化，双段无间隔拼接有助于控制变量，但与真实多音频场景中的重叠、背景噪声与长时依赖仍有距离。
从审稿视角看，因果链条仍需补强。探针高可解性与 Y←P 敏感性共同指向下游利用瓶颈，但两者仍是相关性支持，缺少针对失败样本的激活补丁或反事实编辑来证明修复路径。拼接引入的非自然边界可能影响分词与位置编码，而 ASR 与 AQA 的提示词差异未被严格控制，任务效应与提示效应存在混淆。Qwen3-Omni 的相对鲁棒性也未在机制层面得到解释。
这些局限并不削弱核心发现的价值，但划定了结论的适用范围。双段拼接是一个最小反例场景，它足以暴露任务依赖的路由差异与利用瓶颈，却不足以支撑对所有多音频形态的泛化判断。后续工作若能在失败样本上做逐例对齐的干预，并扩展到更复杂的多段交互，诊断链条会更加完整。
复现需要什么，哪些信息已经给出
复现这篇论文不需要训练 LALM，但需要严格复刻输入构造与评估协议。音频需重采样至 16 kHz 后直接波形拼接，不插入静音或显式边界标记，使用各模型官方预处理流水线。ASR 以 LibriSpeech test-clean 的成对拼接为输入，参考转写为两段转写的顺序拼接，报告 WER 与 CER；AQA 以 SpeechCommands、GTZAN、ESC-50 的双段拼接构造内容、顺序、位置 3 类四选一问题，单段四选一作为对照，报告平均准确率并随机化正确选项位置。
探针复现的细节已在正文中披露。按源片段 60% 训练、20% 验证、20% 测试划分，拼接仅在同划分内构造，互斥约束分别为说话人、音轨与原始录音级别。每层、每模型、每数据集、每段位置独立训练单层仿射探针，输入按训练集均值方差标准化，优化器 AdamW，学习率 1×10^-3，批大小 256，最多 50 轮，耐心 5 轮早停，LALM 全程冻结。注意力阻断则需实现 5 层滑动窗口的定向切断，并在 MMAU test-mini 与 LibriSpeech 上分别评估 AQA 与 ASR 的恶化幅度。
公开性方面，论文未提供代码仓库、权重下载链接或在线演示，4 个被测 LALM 与所用数据集均指向公开资源但未在片段中给出具体链接。模型规模、隐藏维度、解码温度与 H20 数量等工程细节也未披露，这会增加逐位复现的成本，但不影响按上述协议复现行为分化与探针分离证据的主干结论。
记住这个区分：可解不等于可用
把全文收束为一句可带走的判断：LALM 在单段音频上看似通用，但在双段拼接这一最小多段压力测试下，ASR 与 AQA 走向了不同的信息路由。ASR 更依赖回答词元直连音频的直接检索，AQA 更依赖音频先整合进提示词元再被回答词元读取的介导路径。
探针结果让这个判断更尖锐。即使 AQA 已在拼接上大幅跌落，提示词元的中后层表征仍能以较高准确率线性解码前后段属性，可解性与可用性发生分离。失败并非信息从解码器中消失，而是下游在按问题取用提示中信息时出现瓶颈。
对刚进入这个方向的研究者而言，这篇论文的启示在于方法论。不要只在单段同分布数据上比较准确率，而要用受控的多段构造把信息需求对齐，再用干预与探针把行为差异翻译成路径假设。未来的改进也因此有了更具体的靶点：如何让提示介导的跨段对齐更稳定，如何让回答生成更可靠地利用已写入提示的音频证据。
📎 论文与评分元数据
标签：#音频理解 #多模态模型 #语音识别 #可解释性
6.1/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.7/1 | 影响力 0.9/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
✅ 6.1/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音频理解 | #多模态模型 | #语音识别 #可解释性 | arxiv
⚖️ 评分依据与证据（展开查看）
逐维得分、全文证据与扣分边界
创新性 (1.2/2)：提出双段波形无间隔拼接对照与 5 层滑动窗口定向阻断及提示词元均值池化逐层线性探针三件套，揭示 ASR 依赖 Y<-A 直接检索而 AQA 依赖 P<-A 与 Y<-P 介导路径的任务依赖差异，机制假说可检验但未提出新模型，属分析框架创新。
技术严谨性 (1.0/1.5)：明确定义 A、P、Y 三类词元与 M_ij 设为 -∞ 的干预及 Δm 效应量公式，冻结 LALM 仅训练单层仿射探针并做标准化，逻辑自洽但 承认阻断会重归一化剩余权重且仅在正确样本上评估，无法精确定位唯一回路。
实验充分性 (1.0/1.5)：覆盖 4 个 LALM 在 SpeechCommands、GTZAN、ESC-50 与 LibriSpeech 的单段与拼接对照，呈现 WER 仅升 0.10 至 1.30 个百分点而 AQA 从 85.17% 至 98.00% 跌至 35.33% 至 67.33% 及探针 67.0% 至 90.1% 的分离证据，但未报告方差与显著性检验且未对拼接失败样本做激活补丁验证。
清晰度 (0.7/1)：对 x_cat = x(1) || x(2) 拼接与三条有向路径及 r_P 池化公式表述清晰，表格对齐单段与拼接对照，但 中阻断仅报告定性趋势未给出具体数值曲线，逐层探针完整曲线亦未展示，需跨章节对照窗口定义。
影响力 (0.9/1.5)：面向音频理解揭示相同拼接输入下 ASR 稳定而 AQA 显著失效的利用瓶颈，区分信息可解与可利用并指向 Y<-P 下游瓶颈，为 LALM 音频接地提供可干预靶点，但结论限于双段无间隔拼接与 4 模型，尚未形成通用诊断工具链。
开源 (0.0/1.5)：论文未发布核心代码、模型权重或数据资源，也未给出明确的后续开源承诺。
可复现性 (0.3/0.5)：已披露探针按 60% / 20% / 20% 划分且保证说话人与音轨互斥，输入按训练集均值方差标准化，AdamW 学习率 1×10^{-3}、批大小 256、最多 50 轮与耐心 5 早停，但未披露 4 个 LALM 层数与隐藏维度及解码温度与 H20 数量与时长。
工程/实践价值 (1.0/1.5)：提供波形拼接加 5 层窗口独立阻断与每层独立探针的可复用机制分析流水线并在 H20 上验证流程，但未报告延迟、吞吐或资源开销等真实部署测量，亦未发布可直接复用的工具包，工程价值限于可复用流水线层面。