英文题目：Fairness Evaluation of Edge-AI Implementation for Cleft Lip and Palate Speech ASR
标签：#语音识别 | #领域适应 | #低资源 | #实时处理
评分：5.8/10 | 创新 1/2 | 技术严谨 1.2/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.1/0.5 | 工程/实践 1.2/1.5
👥 作者与机构
- Susmita Bhattacharjee：Indian Institute of Technology Guwahati, India
- Himashri Deka：Indian Institute of Technology Guwahati, India
- H.S. Shekhawat：Indian Institute of Technology Guwahati, India
- S.R.M. Prasanna：Indian Institute of Technology Dharwad, India
📌 核心摘要
针对唇腭裂语音随严重程度差异大的识别难题，论文用不同严重程度组合微调 Whisper-small 并在 Jetson 上实测，NOMIMOSE 把合并词错误率从 62.46% 降到 22.72%，NOMIMO 把合并音素错误率降到 18.44%，CLP-only 拿到最接近零的公平性得分 -22.85，而微调模型保持 0.167-0.171 实时系数和约 566.32 MB 峰值显存，但重度语音仍然最难。
🔗 开源与复现资源
模型相关资源：https://huggingface.co/openai/whisper-small — 暂时无法访问
第三方资源：https://huggingface.co/openai/whisper-small — 暂时无法访问
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
输入是什么，想改变什么，必须保留什么？
论文的输入是唇腭裂儿童的朗读语音和正常儿童语音。白话说，唇腭裂是指唇部或腭部存在裂隙的一类先天状况；它会改变口腔和鼻腔之间的开合，使语音带上明显的鼻音、爆破音发不实、某些发音位置偏离。原文把这种变化概括为高鼻音化、发音问题和爆破音弱化。对刚入门的读者，关键是把唇腭裂语音当成一种系统性偏离正常语音的语音，而不是简单的加噪。
想改变的是两件事。第一是识别准确率：直接拿通用大模型去转写唇腭裂语音，错误率很高。第二是组间差距：轻、中、重不同严重程度的语音难易不同，模型可能在正常和轻度上尚可，在重度上完全不可用。论文希望通过按严重程度搭配训练数据，让模型在总体变准的同时，对不同严重程度的使用者更均衡。
必须保留的是可核对的约束。训练总量被固定为 280 条，避免用更多数据取胜的混淆；评估固定为 264 条、每组 66 条；说话人划分不重叠，避免模型记住特定说话人；部署阶段模型结构不变，只测真实设备上的延迟和显存。输出是转写文本，以及词错误率、英文简称 WER、音素错误率、英文简称 PER、公平性得分、时延、实时系数、吞吐和显存占用。
已有路线走到哪里，论文站在哪个缺口？
第一条路线是传统与深度唇腭裂识别。原文提到，唇腭裂语音的声学和发音变异随严重程度变化，传统方法和通用预训练模型都难以处理；此前已有工作用识别性能与可懂度相关来做客观评估。也就是说，识别不只是为了转写，也被当作衡量语音严重程度的间接尺子。
第二条路线是 Transformer 预训练模型。白话说，wav2vec2 和 Whisper 这类在大规模语音上预训练的模型，在很多口音和场景下零样本表现稳健。Whisper 是一种编码器加解码器的端到端语音转文本模型，它把原始语音先变成对数梅尔频谱图，再由模型生成文本。但论文报告，即使是这类模型，面对唇腭裂语音的极端异质性仍然常常表现不佳。
第三条路线是公平性评估。白话说，公平性在这里不是抽象伦理口号，而是指不同使用者群体上的错误差距。原文引用 Fair-Speech 一类工作，强调要看子组级评估而不是只看总体 WER；音素级分析也被用来发现系统性偏向。论文指出的缺口是，这种差距分析在病理语音中做得很少，而严重程度本身就是差距的重要来源。
第四条路线是边缘计算。白话说，边缘计算指把计算放在本地设备而不是云端。原文的理由很具体：不是所有场景都有稳定网络；本地处理可以降低延迟、减少语音外传，对助听式交互更实用。论文的位置就是把第二条路线的 Whisper-small 与第三条的严重程度公平性、第四条的 Jetson 本地推理连起来，在同一套评估语音和解码设置下同时报告识别和计算性能。
论文把任务写成什么可测问题？
论文把问题写成在固定评估集上的分组转写比较。给定 264 条评估语音，其中正常、轻度、中度、重度各 66 条，模型逐条输出英文转写，再按组计算 WER，按全集合并计算合并 WER 和合并 PER。合并在这里不是 4 组平均，而是把所有组的错误总数除以总词数，按词数加权。本次评估 4 组条数相等，每组 66 条，但条数相等不保证词数相等，因此合并值仍受各组词数影响。
比较维度有两个。纵向是训练数据组合：只用正常语音、正常加轻度、正常加轻加中、正常加轻加中加重、只用唇腭裂语音，以及不微调的直接模型。横向是部署指标：在同一 Jetson 设备、同一半精度和贪心解码下，比较时延、实时系数、吞吐和峰值显存。
判断好坏的标准是事先固定的：WER、合并 WER、时延、实时系数和显存越低越好，吞吐和公平性得分越高越好，公平性得分越接近零越好。这样的形式化把一个容易变成主观感受的助听交互问题，变成了可复述的分组错误率加设备实测问题。
从波形到转写，系统跑完一次要经过哪些站？
先建立整条流水线的心智图，再看论文为什么把训练和推理分在两地。离线一侧负责把 Whisper-small 按严重程度组合微调、做五折并平均检查点；边缘一侧负责把平均后的模型搬上 Jetson 做半精度推理。评估语音不参与训练，只在设备上被逐条解码。这种分工对应一个现实约束：训练需要较多算力和数据管理，放在离线做；使用时可能断网，必须在本地跑。
下面这张总览图要在此时看，因为它 1 次性给出了输入格式、模型形态、解码条件和输出指标，避免后面把预处理、推理和评估混为一谈。看图时先走从左到右的主箭头，再核对每一块内部的小字条件。
看图路径： 1. 按 1 到 4 编号从左向右走主路径：评估语音预处理、离线微调与平均、Jetson 推理、转写与效率输出；2. 核对第 3 块中编码器到解码器箭头与解码设置里的贪心解码、英语、半精度、GPU 条件；3. 核对最下方一排硬件、精度、输入格式、模型与输出的图例说明
论文图 1。原论文 Figure 1:：“Generalized block diagram of the Jetson-based edge-ASR pipeline.”。
图中共四列。第一列是输入与数据准备：264 条 WAV 评估语音经过重采样到 16 kHz、去掉首尾静音、归一化，变成 80 个梅尔滤波器通道的对数梅尔频谱图。第二列是离线模型准备：对 Whisper-small 做严重程度感知微调，做五折交叉验证，再把五折检查点平均并保存。第三列是 Jetson 边缘推理：推理引擎为 Hugging Face 的 WhisperForConditionalGeneration，编码器加解码器结构，解码设置为束宽为 1 的贪心解码、语言为英语、任务为转写、半精度、GPU 加速；每条语音按预处理音频到频谱图再到 GPU 推理最后到预测文本的顺序处理。
第四列是可访问交互输出：转写文本连同识别与公平性评估、边缘效率指标一起报告。底部图例还明确了硬件为 ARM CPU 加 CUDA GPU 的 Jetson、半精度为了更小显存和更快速度。训练始终在离线侧完成，箭头是从离线检查点单向传到 Jetson，不能读成在设备上训练。
Whisper-small × 边缘部署： Whisper-small 负责提供已在大规模多语言多任务语音上预训练过的编码器加解码器转写能力，输入是对数梅尔频谱图，输出是文本；边缘部署负责把训练好的模型搬到 NVIDIA Jetson 这类本地设备上，用半精度在 GPU 上直接推理。二者搭配的原因是云端模型在无网或网络不稳时不可用，而本地运行又要求模型不大、显存和速度可接受；把 Whisper-small 这种中等规模模型固定结构微调后搬上边缘，组合后多解决的是在断网和低延迟约束下仍能提供唇腭裂语音转写，而不增加推理期模型体积负担。
公平性得分把平均误差和组间差距怎样合成一句话？
论文的公平性模块只做一件事：把总体多准和两组多均衡压成一个分数。白话说，平均错误率指正常组错误率与唇腭裂组错误率的均值；错误差距指两组错误率之差的绝对值。前者回答整体水平，后者回答偏向哪边。公式中 alpha 和 beta 是两个非负权重，用来调节更在乎总体还是更在乎差距。
\[FS=-\alpha\cdot\text{Average Error Rate}-\beta\cdot\text{Error Disparity},\quad\alpha,\beta\geq 0\]这个总公式的含义是公平性得分等于平均错误率项与差距项的加权负和。得分范围在负无穷到零之间，越接近零越好。因为前面带负号，总体错误越小、差距越小，扣分越少。读者不要把高分理解成超过零，它的天花板就是零。
\[\text{Average Error Rate}=\frac{\text{error}(G_{1})+\text{error}(G_{2})}{2},\]第二个公式定义平均错误率。它把正常组记为 G1，把唇腭裂组记为 G2，取二者错误率的算术平均。
\[\text{Error Disparity}=\left|\text{error}(G_{1})-\text{error}(G_{2})\right|.\]第 3 个公式定义错误差距。它取两组错误率之差的绝对值，只关心差距大小，不关心哪组更差。在唇腭裂场景里，通常唇腭裂组更差，但公式本身不预设方向。把 3 个公式连起来读，公平性就是在问：模型是否同时做到总体错误小且两组错误接近。
严重程度感知 × 公平性： 严重程度感知指训练时主动按 Normal、Mild、Moderate、Severe 搭配语音，让模型见到不同严重程度的声学变化；公平性指不仅看总体错误率，还看 Normal 与唇腭裂语音之间以及各严重程度之间的错误差距是否缩小。二者搭配的原因是只追求总体错误率时，模型可能靠容易的 Normal 和轻度语音拉低平均值，而重度语音仍很差；把严重程度多样性放进训练，再用差距指标去检验，才能同时回答认得准不准和对不同使用者是否均衡，组合后多解决的是平均指标掩盖的结构性不均衡。
微调时用什么信号、数据怎样搭配？
论文的训练是真实的神经网络微调，不是只调阈值。对象是 Whisper-small，做法是按严重程度组合去微调，再把五折平均后的模型拿去部署。原文没有给出学习率和轮数的完整超参数表，复现时只能确定数据搭配和评估协议，不能脑补优化器细节。更新信号来自转写目标，即让模型输出更接近参考文本。
数据搭配是本节最可复述的部分。每个训练配置都控制为 280 条：NO 是 280 条正常语音；NOMI 是正常 140 条加轻度 140 条；NOMIMO 是 3 组各约 93、93、94 条；NOMIMOSE 是 4 组每组 70 条。
CLP-only 是轻中重 3 组各 93、93、94 条。评估固定为 264 条，4 组各 66 条，且说话人与训练、开发集不重叠。跟着一条样本走，顺序是先离线按上述组合学到检查点并平均，再把检查点传到 Jetson，最后在设备上对评估语音逐条做频谱图转换和贪心解码。
部署阶段没有再训练。论文明确推理用 FP16、束宽为 1 的贪心解码、英语转写、去静音、逐条处理；模型加载时间单独计量，不混入稳态推理时延。这种训练与部署分离的设计，使得识别提升不改变模型结构，后面显存不变的结果才有意义。
数据集、指标方向和设备条件如何固定？
数据集用 NMCPC。论文报告包含 41 名唇腭裂说话人和 24 名正常说话人，年龄 9 到 13 岁，唇腭裂语音标注为轻、中、重。训练、开发、评估按说话人不重叠划分。上面已给出 280 条训练总量控制和 264 条评估构成，复现时应先按说话人切分，再按组抽到指定条数，而不是随机打散按条切分。
指标方向要 1 次记牢。WER、合并 WER、合并 PER、时延、实时系数、端到端实时系数、峰值显存越低越好；实时吞吐和每秒条数越高越好；公平性得分越高即越接近零越好。时延同时报告均值、中位数和 P95，因为自回归解码偶发重复输出和首条冷启动会拉长尾部。
模型加载时间单独报告。计算性能用推理时延、实时系数、端到端实时系数、吞吐和峰值显存来刻画。
设备与解码条件是公平比较的前提。所有 264 条评估语音对应 451.45 s 语音，在同一 Jetson 平台、同一解码设置下跑完；预训练模型作零样本基线，微调模型用五折平均模型；推理引擎为 Hugging Face 的 WhisperForConditionalGeneration，在支持 CUDA 的 GPU 上用 FP16、束宽为 1 的贪心解码。
推理时延 × 实时系数： 推理时延负责回答处理一条语音花了多少秒，常用均值、中位数和 P95 来抵抗偶发长解码；实时系数负责回答推理时间除以语音时长，小于 1 表示比实时更快。二者搭配的原因是时延只给绝对等待感，不给与语音长度的关系，而实时系数把等待归一化到语音长度；组合后才能同时判断单句等多久和连续语音能否跟上，论文还区分只算模型推理的实时系数和包含预处理加解码的端到端实时系数。
边缘实测的延迟、吞吐和显存如何读？
这张表要回答的比较问题是：在识别大幅提升的同时，边缘推理是否变慢或更占显存。统一条件是全部 264 条评估语音共 451.45 s 语音、同一 FP16 与束宽为 1 的 GPU 推理；基线仍是直接模型；方向是时延和实时系数越低越好，吞吐越高越好，峰值显存越低越好。
| 模型 | 平均推理时延 | 实时系数 RTF | 实时吞吐 | 峰值显存 |
|---|---|---|---|---|
| Direct Whisper-small | 0.363 s | 0.212 | 4.72× real-time | 566.32 MB |
| Finetuned NOMIMOSE | 0.286 s | 0.167 | 5.99× real time | 566.32 MB |
上表最公平的净收益是识别提升没有带来推理负担：直接模型平均推理时延为 0.363 s、P95 时延为 0.385 s、实时系数为 0.212，微调后 NOMIMOSE 平均推理时延为 0.286 s、中位时延最低值为 0.274 s、实时系数降到 0.167、端到端实时系数为 0.207，音频吞吐达到 5.99× real time、话语吞吐为 3.50 utterances/s，而峰值显存恒定在 566.32 MB。同时合并 WER 从直接模型的 62.46% 降到 NOMIMOSE 的 22.72%，实时系数从 0.212 降到 0.167，说明严重度感知微调在提升唇腭裂语音识别的同时保留了实时边缘推理特征。这张表不能推出更大模型或更大束宽仍能保持同样显存和速度，因为证据只覆盖 Whisper-small 加束宽为 1 的条件。
按严重程度加料，识别和公平性得到什么？
这组比较要回答的核心问题是：在训练总量同为 280 条的前提下，多见不同严重程度是否同时改善总体准确率和组间均衡。统一条件是同一 264 条评估语音、同一 Jetson 解码设置；基线是直接 Whisper-small；指标方向是合并 WER 和合并 PER 越低越好，公平性得分越接近零越好。
下表把训练构成与评估构成放在一起核对，先确认比较是等数据量下的搭配差异，而不是数据量差异。表后才看识别数字，避免把数据量红利误读成搭配红利。
| 训练配置 | Normal 训练条数 | Mild 训练条数 | Moderate 训练条数 | Severe 训练条数 | 评估构成 |
|---|---|---|---|---|---|
| NO | 280 条 Normal | 0 | 0 | 0 | 264 条评估，每组 66 条 |
| NOMI | 140 条 Normal | 140 条 Mild | 0 | 0 | 264 条评估，每组 66 条 |
| NOMIMO | 约 93 条 | 约 93 条 | 约 94 条 | 0 | 264 条评估，每组 66 条 |
| NOMIMOSE | 70 条每组 | 70 条每组 | 70 条每组 | 70 条每组 | 264 条评估，每组 66 条 |
| CLP-only | 0 | 约 93 条 | 约 93 条 | 约 94 条 | 264 条评估，每组 66 条 |
上表说明各配置训练总量同为 280 条，评估固定为 264 条且每组 66 条。由此，后面识别差异更可能来自严重程度覆盖，而不是训练条数或评估构成变化。但它不能推出说话人难度完全一致，因为说话人不重叠划分下组内说话人仍可能有差异。
识别主结果需要同时看合并指标、分项和公平性得分。直接模型的合并 WER 和合并 PER 分别为 62.46% 和 52.72%，微调后最好合并 WER 为 22.72%，最好合并 PER 为 18.44%。更细的 PER 分解显示，直接模型经微调后按配置依次降到 29.44%、23.44%、18.44%、18.54% 和 18.78%。下表把严重程度分项、合并指标和公平性得分放在同一行，才能看出 3 个最优并不重合。
| 模型 | Normal WER (%) | Mild WER (%) | Moderate WER (%) | Severe WER (%) | Pooled WER (%) | Pooled PER (%) | 公平性得分 FS |
|---|---|---|---|---|---|---|---|
| Direct Whisper-small | 16.00 | 33.20 | 108.27 | 92.98 | 62.46 | 52.72 | -62.30 |
| Finetuned NO | 4.80 | 16.21 | 42.13 | 80.58 | 35.54 | 29.44 | -38.52 |
| Finetuned NOMI | 4.40 | 10.28 | 29.13 | 70.66 | 28.23 | 23.44 | -30.26 |
| Finetuned NOMIMO | 4.80 | 7.91 | 20.47 | 59.50 | 22.82 | 18.44 | -23.65 |
| Finetuned NOMIMOSE | 4.80 | 6.72 | 25.59 | 54.96 | 22.72 | 18.54 | -23.50 |
| Finetuned CLP | 6.00 | 9.88 | 18.50 | 58.26 | 22.82 | 18.78 | -22.85 |
上表支持的净收益是明确的：从直接模型的 52.72% 合并 PER 降到 NOMIMO 的 18.44%，以及从 62.46% 合并 WER 降到 NOMIMOSE 的 22.72%，且训练总量受控。公平性得分从直接模型的 -62.30 一路收窄到 NOMIMO 的 -23.65、NOMIMOSE 的 -23.50，最接近零的是 CLP-only 的 -22.85。也就是说，最低合并 WER 属于 NOMIMOSE，最低合并 PER 属于 NOMIMO，最好公平性得分属于 CLP-only，三者并不重合。未胜出项也要点名：NOMIMOSE 的合并 PER 为 18.54%，略高于 NOMIMO 的 18.44%，说明总体最准的 WER 配置不是 PER 最优；CLP-only 的 18.78% 也没有超过加入正常语音的混合配置。这张表不能推出重度语音已可用，因为合并指标会把正常和轻度的好成绩混进来，重度仍是最难的一组。
词错误率 × 音素错误率： 词错误率负责回答整句转写中有多少词错，包含替换、删除和插入相对参考词数的比例；音素错误率负责回答发音单元层面错了多少，能暴露词层面看不清的混淆。论文同时用二者的原因是唇腭裂语音存在鼻化、爆破音弱化等发音偏离，词错可能来自多个音素小错累积；把词错误率和音素错误率放在一起，才能既判断可用性，又定位是哪些音容易互相认错，组合后比只看词错误率多出错误机制层面的信息。
合并词错误率 × 公平性得分： 合并词错误率负责把所有严重程度组的总错误数除以总词数，得到语料级总体错误，按词数加权；公平性得分负责把平均错误率和 Normal 与唇腭裂语音之间的错误差距加权合并为一个越接近零越好的分数。二者搭配的原因是合并词错误率只回答总体多准，公平性得分同时惩罚总体差和组间差距大；组合后才能区分总体稍差但更均衡的模型和总体稍好但偏向容易组的模型，论文用它说明降低总体误差与缩小差距是相关但不同的目标。
音素混淆和严重程度分项揭示了什么失败模式？
这一节回答合并指标看不见的问题：错误集中在哪些音，以及哪个严重程度拖后腿。统一条件仍是同一评估集和同一解码；基线仍是直接模型；指标方向仍是分项 WER 和分项 PER 越低越好。
直接模型的反复音素替换包括/b/到/m/、/t/到/k/、/k/到/t/、/z/到/t/、/v/到/m/、/s/到/S/、/z/到/s/以及/I/与/i/互换，其中/b/到/m/出现 26 次。原文强调这些是从文本导出的识别混淆，不是直接的声学或发音错误，初学者不要把它读成医生对发音器官的诊断。分项 PER 上，NOMIMOSE 在轻度上为 3.01%、在重度上为 47.32%，而 CLP 模型在中度上为 14.90% 最低。这些分项说明，即使合并指标大幅下降，重度语音的音素错误仍处高位。
反例在这里很关键。直接模型在中度上的 WER 为 108.27%，重度为 92.98%，而正常组只有 16.00%，说明零样本模型对严重程度极不均衡。微调后正常组降到 4% 到 6% 量级，轻度明显改善，但重度仍在 50% 以上，其中 NOMIMOSE 重度为 54.96%，CLP 重度为 58.26%。这支持论文的判断：扩大严重程度覆盖能改善均衡，但没有消除重度困难。不能由这组分项推出某种音素错误必然对应某种生理原因，因为论文没有提供声学测量与发音机制的因果对照。
哪些边界没有被测，读数时要收住？
第一个边界是人群与任务范围。数据是 9 到 13 岁儿童的特定数据集，正常说话人中女性很少，唇腭裂标注只有三档；评估是朗读式英文转写加贪心解码。把结论外推到成人、自发对话、其他语言或束搜索解码时，没有直接证据。
第二个边界是公平性定义的范围。公式只比较正常组与唇腭裂组两大组，权重 alpha 和 beta 的具体取值在证据中没有展开；严重程度内部的不均衡要靠分项 WER 去看，不能只看一个总分。把公平性得分接近零直接读成各严重程度都好用，会夸大总分的含义。
第 3 个边界是训练细节缺失。证据没有给出完整的优化超参数、五折具体划分和显著性检验，复现时应先复现数据搭配和设备推理，再补超参数搜索。音素混淆是文本导出结果，不能当作声学病理证据；时延的尾部受重复解码和冷启动影响，报告均值时应同时看中位数和 P95。
要复现，先固定哪几步再看数字？
第一步固定数据。按说话人不重叠切出训练、开发、评估，再按 NO、NOMI、NOMIMO、NOMIMOSE、CLP-only 的条数配出 280 条训练集，评估固定为每组 66 条共 264 条。不要先调模型，先检查每组条数和说话人无泄漏，否则后面的 WER 差异无法归因。
第二步固定推理。把五折平均后的检查点搬上 Jetson，用 FP16、束宽为 1 的贪心解码、英语转写、去首尾静音、逐条处理跑完全部 451.45 s 语音；分别记录模型加载时间、均值、中位数、P95、端到端时延、实时系数和峰值显存。直接模型要单独记录重复解码和冷启动的影响，再算稳态值。模型加载时间在 2.877 到 2.964 s 之间，与稳态推理要分开记录。
第三步固定指标。先算分项 WER，再算合并 WER 和合并 PER，最后算公平性得分；方向记为错误率和时延类越低越好，吞吐和公平性得分越高越好。常见误解有 3 个：一是把合并 WER 当成 4 组简单平均，它实际是总错误除以总词数，按词数加权；二是把公平性得分当成可以超过零的分数，它最大就是零。
三是把音素混淆当成发音诊断，原文已说明它只是文本导出的识别混淆。观察到偏离时，先核对采样、说话人划分、束宽、精度和冷启动是否一致，再怀疑模型本身。
什么条件下值得试，什么条件下先别用？
值得试的条件很具体：使用者是英语朗读式唇腭裂语音、设备是类似 Jetson 的本地 GPU、可接受半精度贪心解码、场景可能断网且要求低延迟。此时按 NOMIMOSE 这类覆盖全部严重程度的搭配去微调 Whisper-small，有证据同时改善合并 WER 到 22.72% 量级和公平性，并保持约 566.32 MB 峰值显存和 0.167 量级实时系数。若更在乎音素层面，可对照 NOMIMO 的 18.44%；若更在乎正常与唇腭裂两组差距，可对照 CLP-only 的 -22.85。
先别用的条件也要明确：重度语音仍是短板，若应用对重度使用者要求与正常使用者完全同等可用，当前数字不支持直接部署；要换语言、换自发对话、换更大模型或更大束宽时，延迟和显存结论需要重测。论文没有声称开源权重或完整训练超参数，复现应从数据搭配和设备流程做起，把最需要补的验证放在重度语音的独立测试、显著性检验和长期设备稳定性上。
📎 论文与评分元数据
排名：前50% | 文档类型：应用研究 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses