📄 先分好组再混音：为什么两阶段不是技巧，而是分工
英文题目：Understanding Automatic Mixing: A Subtask-Oriented Analysis of Two-Stage Mixing System
一句话：论文把自动混音拆成可干预的分组与组内组间两阶段，用三组听感实验说明全混模型迁移看模型、分错组比响度错更难补、而保持模型不变只换输入就能显著提升，但结论受三首歌与小样本听音的限制。
标签：#音乐生成 | #生成模型 | #Transformer | #模型比较
评分：7.0/10 | 创新 1.2/2 | 技术严谨 1.3/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 1.2/1.5 | 可复现 0.1/0.5 | 工程/实践 0.8/1.5
👥 作者与机构
- Jinjie Shi：机构信息未在 arXiv HTML 中可靠披露
- Wei Hua：机构信息未在 arXiv HTML 中可靠披露
- Kunzhu Xie：机构信息未在 arXiv HTML 中可靠披露
- Make Li：机构信息未在 arXiv HTML 中可靠披露
- Yuchen Liu：机构信息未在 arXiv HTML 中可靠披露
- Joshua Reiss：机构信息未在 arXiv HTML 中可靠披露
💬 毒舌点评
把两阶段混音从工程惯例拆成可干预的分组与组内平衡变量，用同一套听感流程检验迁移、误差传播与分解增益，问题切得准，对系统选型有直接参考价值。硬伤是只用3首密集流行摇滚片段和18名有效听音人支撑全部结论，曲风、曲目与听众代表性都窄，部分关键比较还受地板效应和轨数兼容处理的混淆，结论外推要打折。
📌 核心摘要
自动混音需在多轨条件下同时解决局部平衡与全局协调，单体全混模型常随轨数增多退化。本文不提出新混音器，而是以两阶段分解为分析支架，将分组函数、组内处理与组间协调解耦，提出三个研究问题：全混模型能否迁移到组内混音，下游能否补偿分组与响度错误，显式分解能否提升终混质量。探针为等局部响度、Diff-MST与MEGAMI，对照含无处理条件。在3首约23、24、27轨的密集流行摇滚片段上做三组受控听感实验，结果显示组内迁移呈模型依赖性，两阶段变体均显著优于各自单阶段基线，不当分组带来明确退化而响度扰动影响更弱且不显著。该工作为局部平衡与全局协调分离提供了实证依据。局限是曲风集中、听音样本小、分组与阶段执行依赖人工规则，自动功能分组与端到端部署仍待未来工作。
🔗 开源与复现资源
- 代码：https://sparrowreivun.github.io/TwoStageMixingAnalysis/
- 代码仓库：https://github.com/SparrowReivun/TwoStageMixingAnalysis
- 模型权重：论文中未提及
- 数据集：Cambridge Multitrack Library，获取链接为 https://cambridge-mt.com/ms-mtk.htm
- Demo：https://sparrowreivun.github.io/TwoStageMixingAnalysis/
- 复现材料：论文提及 supplementary material 包含完整成对比较结果但未给出具体链接
- 论文中引用的开源项目：ELL方法和Diff-MST模型和MEGAMI模型和Cambridge Multitrack Library数据集，论文中未给出前3者具体链接
- 资源可达性验证：code=available(HTTP 200)；dataset=unavailable(HTTP 403)；demo=available(HTTP 200)
🧭 深度解读
混音为什么轨越多越难
想象你接手一个二十多轨的流行摇滚工程，底鼓军鼓镲片各占几轨，人声还有领唱和声，吉他键盘铺底层层叠叠。推子一动全局都变，单独把军鼓调亮，人声可能就被盖住了。这就是自动混音的日常，它要同时管局部平衡、频谱动态打架、声像空间和整体风格，轨数一多，轨道依赖会急剧变复杂。
初学者容易以为这只是音量问题，调调推子就行。真实混音里响度只是表象，背后是哪些声音该前景、哪些该退后，哪些频率要让路，哪些动态要压住。单体全混模型的做法是把所有原始轨 1 次性丢给大模型，直接输出立体声终混，听起来省事，却把简单和困难缠在一起。
这篇论文的起点恰好反过来，它不急着造更强的混音器，而是问 2 阶段的好处到底来自更强的零件，还是来自先分组再统筹这种分工本身。想清楚这一点，才能决定以后是堆模型，还是先把流程拆对。
两阶段在录音棚里本来就是常识
在真实棚里，混音师很少对着二十多轨逐个死磕，而是先把鼓编成一组、人声编成一组，把每组内部先混顺，再把几个小组当成几轨来拼终混。小组内部解决小圈子的打架，小组之间解决整首歌的前后层次。这种先局部后全局的习惯，论文把它抽象成了可实验的流水线。
理解这个常识很重要，因为它解释了分组不是简单的归类。把底鼓和贝斯放一起，是因为它们共享低频，分开处理容易互相顶。把领唱单独拎出来，是因为它必须是前景，不能被伴奏淹没。分组一旦错了，后面再调推子都像在歪地基上盖楼。
所以论文把分组、组内处理、组间协调写成可以独立替换的变量，就是为了模拟换思路的效果。如果换一种分组终混就塌了，说明分组是结构性的。如果只是响度没调好还能救回来，说明那只是信号层面的小错。
已有路线站在哪里，本文站在哪里
自动混音大致有 3 条路。第一条是参数预测路线，白话说就是教模型去拧调音台，代表是可微调音台（Diff-MST），它输出增益、均衡、压缩、声像等显式参数，好处是可解释，坏处是对输入形态很敏感。第二条是生成路线，代表是条件生成模型（MEGAMI），它为同一堆轨道学出多种合理的混音，追求整体协调感。
第 3 条是结构化路线，也就是分组加分层。以前有人证明分组能提升清晰度和听感，也有人真的为每个子组单独训练模型，说明分阶段可行。但这些工作大多把 2 阶段当成工程实现，缺的是反事实检验，到底是分解立功，还是模型本身更强，没人拆开看。
本文的位置很清晰，它不属于造新混音器的论文，而是拿现成的等局部响度（Equal local loudness，ELL）、Diff-MST、MEGAMI 当探针，用同一套听感流程检验迁移、误差传播和分解增益。它更像 1 位解剖者，把默认的 2 阶段惯例切成可干预的实验，结论可以直接指导选型。
三个问题如何对应三次听感实验
论文把大问题拆成 3 个可回答的小问题。第一个问题是全混模型能否直接拿去做组内混音，直觉上组内轨少应该更简单，但模型学的是全局协调，换到局部目标未必灵，这对应实验一。第二个问题是上游犯错下游能否补，分别看分错组和响度没调对两种错，这对应实验二。
第 3 个问题最关键，显式分解本身能否提升终混。这需要固定组间模型不变，只把它的输入从原始多轨换成处理好的组级干声，如果分数涨了，就说明涨的是结构的功劳，不是模型的功劳，这对应实验三。3 组实验共用同一批密集编曲刺激，保证比较的是结构而非曲目。
这种设计对研究生很有启发，问题不是越多越好，而是每个问题都要有对应的干预手段和对照。能迁移吗，就让全混模型去做组内。能补偿吗，就故意注错再看下游。分解有用吗，就做保持模型不变的消融。
流水线全景：从多轨到终混要过几道手
先看整体数据流。多轨输入先经过分组函数切成几个功能组，每个组内部先做 1 次处理，压成一个组级干声，再把几个干声交给组间模型拼成立体声终混。作为对照，单体模型跳过中间两步，直接从全部原始轨输出终混。框架本身没有可训练参数，它只是一个允许替换零件的支架。
为了理解为什么此处要看流程图，重点不是记住箭头数量，而是看清哪里可以动手脚。分组可以换，组内可以用规则也可以用学习模型，组间可以复用同一个模型，这样才能构造如果分组错了会怎样、如果响度错了会怎样的反事实。
看图路径： 1. 先沿中间编号 1 到 5 看从分组策略到主观评价的主路径；2. 再看左侧数据表示栏如何从多轨波形收缩为组与终混；3. 最后看右侧红色虚线框中 A 与 B 两类错误分别扰动哪个阶段
论文图 1。原论文 Figure 1:：“Two-stage analysis framework. Controlled changes to grouping and intra-group processing are used to examine error propagation and downstream compensation.”。
图中左侧数据表示栏从顶部多轨波形经 Groups 收缩为 Intra-group outputs 再到 Final mix，中间纵向 5 步从分组策略经组内处理与组间混音模型到终混与主观评价，右侧红色虚线框内 A 框标注结构层错误并画出交叉虚线箭头表示合并无关乐器或拆散连贯组，B 框标注信号层错误并用不等号与柱状电平表示组内失衡，这种布局直接支撑后文的误差注入逻辑。
形式上论文用两行公式固定了这种分工，2 阶段先组内后组间，单体则一步到位。
\[\mathcal{S}={F_{\mathrm{intra}}(\mathcal{X}^{(1)}),\ldots,F_{\mathrm{intra}}(\mathcal{X}^{(G)})},\qquad y=F_{\mathrm{inter}}(\mathcal{S}).\]\[y=F_{\mathrm{full}}(\mathcal{X}).\]前者说明组级干声集合如何产生、终混如何由组间模型得到，后者说明单体对照如何直达终混。记住这个对比，后面所有显著性讨论才有基准。
分组的三种切法：四组、七组与按乐器名
分组策略有 3 种。白话说，4 组基线就是贝斯、鼓、人声、其他的老四样，沿用前人工作和数据集惯例。7 组混音导向分组是论文为混音专门设计的，它保留低频专用组，把鼓拆成低中打击乐与高频打击乐，再把原来的人声和其他按功能重映射为领奏、伴奏、铺底与残余其他。
这里领奏指领唱独奏主旋律等前景主导轨，伴奏指和声与和声节奏支撑轨，铺底指持续背景层空间纹理与弱起音轨，残余其他指小效果与过渡音。第 3 种按乐器标签分组依据元数据乐器名聚类，通常产生多于 7 个组，用作对照以暴露按名分组与按功能分组的差异。
根据论文原表转录，下表要回答的是 4 组与 7 组到底是什么包含关系，统一条件是同一套原始轨，指标是功能归属，方向是越符合混音功能越好。
| 4-group | Corresponding 7-group assignment |
|---|---|
| Bass | Low-Frequency |
| Drums | Low–Mid Percussion; High Percussion |
| Vocal | Lead; Accompaniment |
| Other | Lead; Accompaniment; Pad; Other |
表后最公平的理解是，7 组不是简单细分，而是把鼓按频率分工、把人声与其他按前景背景重排。失败项是按乐器名分组，它看起来细致，却把功能相关的轨拆散，把功能无关的硬并一起，后文它在 Diff-MST 下显著更差。一个不能由这张表推出的结论是组数越多越好，因为最优粒度依赖模型，7 组对 MEGAMI 好，对 Diff-MST 则与 4 组相当。
分组函数 × 组内处理： 分组函数负责回答谁和谁应该先放在一起，它输出的是轨道集合的划分；组内处理负责回答放在一起的几轨如何先达成局部平衡，它输出的是组级干声。二者必须搭配是因为只分组不处理，下游拿到的仍是散乱多轨，只处理不分组则不知道处理边界在哪里，组合后才把原来纠缠的全局问题变成先局部后全局的可控流水线。
组内探针：规则、调音台与生成模型各管什么
组内处理有 4 类。等局部响度是一种无训练的规则方法，白话就是把组内每轨按响度归一，先做到谁也不压谁，计算代价很低。可微调音台是参数预测系统，输出增益均衡压缩声像等显式参数，依赖可微信号处理链实现端到端监督，能直接吃二十余轨原始输入。
条件生成模型为同组输入建模多种合理混音分布，输出协调的轨级效果表示。它的公开检查点训练于至多包含十四轨的样本，架构用 Transformer，原则上不硬性限制轨数，但推理多轨时需先按标签分组聚合至兼容轨数。无处理对照只保留各条件共享的预处理，用于标定下限。
组间阶段复用同一全混模型但改变输入形态。直接全混推理时 Diff-MST 处理原始多轨，MEGAMI 先按标签分组聚合再推理。2 阶段变体保持组间模型不变，仅将其输入替换为经 7 组划分与等局部响度处理得到的组级干声，由此分离分解增益与模型容量增益。
组内平衡 × 组间协调： 组内平衡管的是小组内部谁大声谁小声、是否互相掩蔽，追求的是小范围的清晰；组间协调管的是几个小组拼成整首歌时的前景背景、空间和风格统一，追求的是大范围的连贯。把它们分开的理由是优化目标不同，混在一起学容易互相牵制，分开后可以用轻量规则解决局部，用已学模型专注全局。
可微调音台 × 条件生成模型： 可微调音台指 Diff-MST 这类直接预测增益均衡压缩声像等显式参数的系统，分工是给出可解释、可复现的旋钮值；条件生成模型指 MEGAMI 这类为同一输入建模多种合理混音分布的系统，分工是学到协调的整体感觉。二者搭配比较才能看出迁移差异，因为参数预测对任务形式更敏感，而生成式协调对局部平衡更包容，组合比较揭示的是建模形式比任务规模更关键。
没有训练阶段，这篇论文的计算到底是什么
这篇论文没有训练阶段，没有报告学习率、优化器、批量大小、层数、隐藏维度与采样率等关键超参数。它的计算全部是复用与推理，Diff-MST 与 MEGAMI 均复用公开检查点，2 阶段变体未做新训练，仅复用基线组间模型。这一点必须先说清，否则会误以为它提出了一个新混音器。
真实的计算过程是确定性流水线加模型推理。分组与阶段执行按人工预设规则手动完成，7 组加等局部响度的代表性选择基于实验一至二的稳定模式，而非挑选最优配置。推理时 Diff-MST 直接处理原始多轨，MEGAMI 按元数据标签分组聚合后推理，2 阶段变体输入为 7 组等局部响度干声。
听感之外的成本几乎可以忽略，等局部响度只是响度归一，没有神经网络开销。真正的成本在听感实验，26 人参与，19 人完成全部条目，经隐藏重复试验筛选后保留 18 人，共 1170 个评分。这种设计把精力花在人的耳朵上，而不是 GPU 上。
数据与听感协议：三首歌与十八双耳朵能说明什么
要回答比较问题，先要固定统一的实验条件。刺激与参考混音均取自剑桥多轨库，选用三首密集流行摇滚片段，每条约 15 秒，已核查与 2 模型训练曲目无重叠。这种选曲保证了多轨压力，但也限定了曲风。
根据论文正文与图中报告值整理，下表要回答的是在什么数据、什么人、什么量表与统计下比较，统一条件是同一曲库密集编曲与同一听感流程，基线含无处理对照，指标方向均为越高越好。
| 曲目构成 | 轨数与时长 | 被试规模 | 量表与评分 | 统计与对照 |
|---|---|---|---|---|
| three densely arranged pop and rock excerpts | approximately 23, 24, and 27 tracks, respectively. | A total of 26 participants took part | Samples were rated independently on a continuous 1–100 | Paired tt-tests are applied to within-item comparisons |
| dense pop and rock excerpts | Each listening-test item was approximately 15 seconds long. | Nineteen participants completed all items. | Hidden repeats were used only for reliability assessment and were excluded from the primary inferential analyses. | We report adjusted qq-values, paired Cohen’s dzd_{z}, and the number of paired listener–item observations. |
| Stimulus order was randomized. | Hidden repeats were used only for reliability assessment and were excluded from the primary inferential analyses. | Eighteen participants were retained, yielding 1170 completed ratings. | reliability assessment with Pearson correlation | paired listener–item observations |
表后最公平的净收益是协议很严谨，配对比较加多重校正加效应量，避免了只看均值。但失败条件也很清楚，实验一剔除后仅剩两个有效条目，统计功效对小效应不足。不能由这张表推出的是普适性，因为曲风集中、听众偏向专业人群，普通听众偏好尚不能判断。
实验设计上，实验一比组内质量，实验二固定分组只切换是否做组内平衡、固定组内处理只切换分组粒度，实验三比较 2 阶段与单阶段。这种固定一端、只动一端的思路，正是因果检验的关键。
组内迁移：更简单的任务为何难倒了调音台
实验一测的是全混模型能否迁移到组内混音。与谁比，是等局部响度、MEGAMI、Diff-MST 与无处理对照。指标方向是连续量表越高越好，论文报告等局部响度均值最高，但与 MEGAMI 无显著差异，而 MEGAMI 显著高于 Diff-MST。
为了理解为什么此处要看组内箱线图，重点看高分组与低分组的断层。ELL 与 M 的箱体中位都在五六十分上下，而 D 与无处理被压在二十分以下，这种视觉断层比数字更能说明迁移分化。
看图路径： 1. 先看横轴 ELL、M、D、NoMix 四个箱体的中位线高度排序；2. 再看纵轴 MOS 上 D 与 NoMix 箱体被压在底部的位置；3. 最后看顶部显著性横线只连接高分组与低分组的含义
论文图 2。原论文 Figure 2:：“Intra-group mixing quality (Experiment 1).”。
图中横轴从左到右为 ELL 红色箱、M 橙色箱、D 蓝色箱与 NoMix 绿色箱，纵轴 MOS 从 0 到 100，ELL 与 M 箱体中位线分别位于 60 附近与 55 附近且箱体上沿接近 80，下方 D 与 NoMix 箱体中位贴近 10 到 20 且须线低至 0，顶部黑色横线标注高分组对低分组的极显著差异而 ELL 与 M 之间没有星号，这支持目标对齐比任务规模更关键的判断。
任务分解 × 模型容量： 任务分解指把全混拆成组内加组间的 2 阶段流程，它改变的是问题的组织方式；模型容量指模型本身有多强，它改变的是解题能力。二者搭配做消融的意义在于保持组间模型不变只换输入，如果分数还涨，就能把功劳归于分解而非换了更强模型，组合后论文才敢说收益来自结构而非参数。
支持的是生成式协调模型尚能迁移，参数预测调音台在该子任务上表现分化。不能推出的是 ELL 就是最优组内器，因为它与 MEGAMI 无显著差异，且仅剩两个有效条目，结论需要更大样本确认。
终混消融：保持模型不变只换输入还能涨吗
实验三测的是显式分解本身是否带来终混提升。与谁比，是 2 阶段变体对各自单阶段基线，组间模型保持不变，只把输入换成 7 组等局部响度干声。指标同样越高越好，论文报告两个 2 阶段变体均显著优于各自单阶段对应。
为了理解为什么此处要看终混对比图，重点看弱基线与强基线是否同向提升，以及人类参考的天花板在哪里。如果两条线都往上，且人类参考没有高到遥不可及，就说明分解是通用增益而非只救弱模型。
看图路径： 1. 先比较最左侧蓝色 D 与橙色 2S-D 箱体看弱基线的抬升；2. 再比较中间绿色 M 与红色 2S-M 箱体看强基线的抬升；3. 最后看最右侧紫色 Human 箱体的中位与离散以判断天花板
论文图 4。原论文 Figure 4:：“Full-mix quality (Experiment 3). Both two-stage variants significantly outperform their corresponding single-stage baselines.”。
图中横轴依次为 D 蓝色箱、2S-D 橙色箱、M 绿色箱、2S-M 红色箱与 Human 紫色箱，纵轴 MOS 从 0 到 100，左侧蓝色 D 箱中位最低而橙色 2 个阶段 D 箱整体上移并标出三星显著，中间绿色 M 与红色 2 个阶段 M 同样上移并标出单星显著，最右侧紫色人类参考箱中位与 2 个阶段 M 接近但须线拉得很长，这改变了只堆模型的判断。
根据论文原表逐字转录，下表要回答的是跨 3 组实验的关键配对比较，统一条件是同一曲库密集编曲与同一听感流程，基线含无处理与单阶段，指标方向均为越高越好。
| Exp. | Comp. | A | B | |dz||d_{z}| | nn | |
|---|---|---|---|---|---|---|
| 1 | ELL – M | 61.08 | 55.47 | 0.2623 | 0.21 | 36 |
| 1 | ELL – D | 61.08 | 21.36 | 2.68e-08 | 1.23 | 36 |
| 1 | M – D | 55.47 | 21.36 | 1.64e-09 | 1.41 | 36 |
| 2a | 7G-M –4G-M | 65.39 | 50.59 | 6.44e-06 | 0.70 | 54 |
| 2a | I-D – 4G-D | 16.81 | 29.37 | 1.55e-04 | 0.56 | 54 |
| 2a | 4G-D – 7G-D | 29.37 | 30.91 | 0.6179 | 0.08 | 54 |
| 2b | NB-M–WB-M | 57.13 | 63.39 | 0.1506 | 0.21 | 54 |
| 2b | NB-D –WB-D | 26.70 | 25.87 | 0.7885 | 0.04 | 54 |
| 3 | 2S-M – M | 61.57 | 54.65 | 0.0426 | 0.29 | 54 |
| 3 | 2S-D – D | 28.69 | 19.44 | 7.25e-04 | 0.50 | 54 |
表后最公平的净收益是两个 2 阶段变体均显著优于各自单阶段，效应量中等偏小但方向一致。失败项是响度干预均不显著，且 Diff-MST 长期低分可能存在地板效应。不能由这张表推出的是人类天花板，因为人类参考未纳入主表解读，终混绝对质量上限不明。
误差传播：分错组与响度错为何后果不同
实验二把上游错误拆成两种。分组错误看的是换分组粒度下游会怎样，响度错误看的是固定 7 组、只切换是否做组内平衡下游会怎样。结果显示分组干预下 MEGAMI 在混音导向分组下优势显著，Diff-MST 则主要表现为乐器标签分组显著劣于 4 组，而 4 组与 7 组无差异。
为了理解为什么此处要看误差补偿图，重点对比左面板分组错误与右面板响度错误的箱体分离程度。左面板橙色箱随粒度明显上移且顶部有显著性横线，右面板有无平衡两组箱体重叠很大且没有星号，这种反差直接说明结构与信号错误的后果不同。
看图路径： 1. 先看左面板分组错误下橙色与蓝色箱体随粒度的变化；2. 再看右面板响度错误下有无平衡两组箱体的重叠程度；3. 最后对比左右面板显著性横线数量的差异
论文图 3。原论文 Figure 3:：“Experiment 2. (a) Inappropriate grouping degrades downstream performance.”。
图中左面板为分组错误，横轴从 Instrument 到 4G 再到 7G，橙色 MEGAMI 箱体中位逐步抬高，蓝色 Diff-MST 箱体则在 Instrument 处最低，顶部黑色横线标出极显著差异；右面板为响度错误，横轴为 No balance 与 With balance，橙色与蓝色箱体在两组间几乎原地踏步，没有显著性标记，这支持分组难以补偿而响度影响更弱的判断。
论文自己也提醒，对 Diff-MST 而言，均匀低分可能限制比较灵敏度，难以区分真正的下游补偿与地板效应。这是一个诚实的边界，低分处的无差异不等于能补偿，可能只是都太差而看不出差别。
结构错误 × 信号错误： 结构错误指分组分错了，比如把不该在一起的乐器并成一组，它破坏的是谁和谁先聚合的功能关系；信号错误指分组对了但组内响度关系错了，它破坏的是组内电平比例。二者必须搭配检验是因为只有同时注入才能回答下游能不能补，组合后发现结构损失几乎补不回来，而响度扰动影响更弱，这就把分组确立为核心设计变量。
边界在哪里：三首歌与十八人意味着什么
论文明确承认的局限有 3 层。音乐多样性上，仅评估密集流行摇滚片段，歌曲级泛化受限。听众代表性上，保留的听音人主要具制作或混音经验，适合分辨细微技术差异，但可能不代表普通听众偏好。部署形态上，分组与阶段执行依赖人工预设规则，自动功能分组与统一端到端应用仍待未来工作。
审稿视角还指出几个混淆。曲目与被试规模偏小，实验一剔除后仅剩两个有效条目，对小效应功效不足。MEGAMI 全混基线经标签分组聚合而 Diff-MST 直接处理原始轨，输入预处理不对等可能混淆跨模型比较。组内最佳配置的选择依据与终混代表性设计之间的关系交代不够。
这些边界不是要否定结论，而是限定结论的适用域。分组重要、分解有用，在密集编曲与专业听感下报告显示成立，换到爵士、电子、管弦或大众偏好时，效应大小与最优粒度尚不能判断。读论文时把显著性与适用域分开，才能既学到设计原则，又不夸大外推。
复现指南：能拿到什么，还缺什么
能拿到的是分析代码与试听示例，论文给出项目主页与代码仓库，演示页可访问。但数据集链接存在访问限制，模型权重未提及，补充材料提及完整成对比较结果却未给出具体链接，核心产物开放但文档不完整。
能复现的是分组逻辑与听感流程。7 组与 4 组划分逻辑明确，流水线定义清晰，对照设计合理，听感筛选标准与统计流程披露较细。但学习率优化器批量大小、模型层数隐藏维度采样率等训练与推理关键配置大量缺失，因为本来就没有新训练。
如果要复现，建议先从等局部响度加 7 组干声做起，复用原组间模型做输入替换消融，再补做分组粒度的敏感性检查。注意 MEGAMI 检查点训练上限为十四轨，推理多轨需先聚合，否则会误把兼容处理当成模型差距。同时要记录静音输出等异常条目的剔除方式，保证配对观测数可核对。
给新人的收获：先拆对问题，再谈模型
这篇论文最值得带走的不是哪个模型分数最高，而是一种工作方法。把自动混音显式形式化为分组、组内平衡与组间协调，再用可独立干预的实验去检验迁移与补偿，这种子任务导向的分析让工程惯例变成了可证伪的假设。以后遇到多轨退化，先问是分组错了，还是局部没调顺，而不是直接换更大的模型。
第二个收获是建模形式与目标对齐的重要性。同样是从全混到组内，生成式协调能过去，参数预测却栽了，说明任务变简单不等于模型自动变强。做迁移时要看训练目标与子任务目标是否一致，而不是只看轨数。
最后是实践组合，轻量规则处理局部、已学模型处理全局，在保持模型不变时仍能显著提升。这种先用便宜方法解决定义清晰的局部问题、再把难的全局协调留给模型的思路，对预算有限的实验室尤其友好。记住它的代价，三首歌与 18 人的证据只能支撑方向一致的判断，更广的曲风与听众还需要后来者来补。
📎 论文与评分元数据
标签：#音乐生成 | #生成模型 | #Transformer | #模型比较
7.0/10 | 创新 1.2/2 | 技术严谨 1.3/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 1.2/1.5 | 可复现 0.1/0.5 | 工程/实践 0.8/1.5
✅ 7.0/10 | 前50% | 文档类型：应用研究 | 评分置信度：中 | #音乐生成 | #生成模型 | #Transformer | #模型比较 | 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)：将分组函数与组内组间处理形式化为可独立替换的反事实支架，揭示 MEGAMI 与 Diff-MST 迁移分化及功能分组难以补偿的规律，视角新颖但未提出新混音器。
技术严谨性 (1.3/1.5)：流水线定义清晰且对照设计合理，7 组与 4 组划分逻辑明确，未发现推导错误，假设与适用边界交代完整，仅遗留输入聚合不对等的逻辑瑕疵。
实验充分性 (0.8/1.5)：终混两组比较均显著且报告 q 值与 dz 值，但仅用 3 首流行摇滚片段和 54 个配对观测，Exp1 剔除后仅剩 2 个条目和 36 个观测，Diff-MST 低分存在地板效应混淆。
清晰度 (0.8/1)：框架公式与 3 种分组定义完整，表格列出 8 组均值与校正值，但组内最优选择与终混代表性关系交代不足，人类参考天花板未纳入主表解读。
影响力 (0.8/1.5)：面向多轨自动混音核心读者提出局部平衡与全局协调分离原则，两阶段变体提升方向一致，但曲风集中于密集流行摇滚且听音样本偏向专业人群，外推受限。
开源 (1.2/1.5)：代码仓库与 Demo 均可访问并返回 HTTP 200，数据集链接返回 HTTP 403，模型权重未提及且补充材料无链接，核心产物开放但文档不完整。
可复现性 (0.1/0.5)：组内分组与听感流程披露较细，但学习率与优化器与批量大小与模型层数与隐藏维度与采样率均未说明，训练与推理关键配置大量缺失。
工程/实践价值 (0.8/1.5)：以等局部响度处理 7 组干声再复用原组间模型即获显著提升，为轻量规则处理局部加已学模型处理全局提供可复用组合，但分组依赖人工规则且无端到端部署。