标签：#语音翻译 | #数据增强 | #鲁棒性 | #环境声
评分：6.5/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 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 1.2/1.5
👥 作者与机构
- Niramay M. Patel：机构信息未在 arXiv HTML 中可靠披露
- Bibek Behera：机构信息未在 arXiv HTML 中可靠披露
- Raksha Sharma：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
语音到文本翻译需将含噪语音映射为目标语言文本，难点在于交通轰鸣、瞬态事件与人声干扰在频谱包络与时变特性上差异显著，训练分布难以覆盖部署时的多样声学环境。本文提出NOPE-HYPE结构化仿真工作流，首先以Welch平均估计各环境的功率谱密度模板并做覆盖最优原型约简，选出k=3或k=4个代表性环境以聚焦后续拟合与调优。其次可控模拟器SIM承接选定原型目标，经傅里叶域幅度匹配与随机相位合成平稳背景床并做校准，再叠加慢变包络动力学、瞬态事件率与人声干扰及混响控制，并按采样信噪比与干净语音混合生成训练数据。然后在咖啡馆、洗衣房与汽车三原型模板上做9配置乘3模板的27轮结构化超参扫描，按鲁棒目标选出跨语言稳定的默认配置cfg03与cfg06供复用。与仅匹配粗粒度频谱颜色的高斯或粉色噪声不同，该链条显式分离平稳谱结构、包络动力学、瞬态与混响控制，使各因素可独立归因与复用。在50小时训练与5小时测试的英语到印地语语料评测设置下，SIM噪声训练的BLEU为48.996，高于均衡真实环境噪声训练的48.959。该结论适用边界受限于所用DEMAND子集、两对语言与中等微调预算，跨采集设备与强混响的外推尚未验证，原文未披露训练、推理或部署成本。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
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，目标是什么，本文解决哪段链路？
本文输入是英文语音，目标是直接生成印地语或德语文本的语音到文本翻译。部署音频不是录音棚干净语音，而是混有交通声、室内嗡鸣、短促敲击与附近人声等干扰。
研究对象不是翻译模型结构本身，而是训练阶段的噪声增强组织方式：如何可控地构造环境噪声、如何从众多环境中选出少数代表、如何用小规模可解释搜索定下模拟器默认参数。
必须保留的关键信息是数据预算、环境来源、模型检查点、评估条件与选择目标，否则无法判断模拟噪声与真实噪声的比较是否公平。输出是一套可复述的工作流与两个默认配置，而不是一个新模型结构。
学习时先把样本路径想清楚：一句干净英文语音进入，与按目标环境统计量合成的环境声按目标信噪比混合，送入微调后的语音翻译模型。输出目标语言文本后，再在干净集、真实噪声集与模拟噪声集上分别计算词错率、BLEU 与 chrF。后续所有公式与表格都挂在这条路径上。
已有路线为何不能直接回答环境结构问题？
同输入同目标的已有工作包括加性噪声、混响、变速变调与时频掩码，其中时频掩码的代表做法是结构化遮蔽。它们在同一训练预算下能提升噪声鲁棒性，但通常只沿单一轴变化。
例如单一高斯噪声、单一有色噪声或较窄信噪比范围，不能分离谱形状、能量时变、瞬态活跃度与人声重叠这几个真实因素。同运行阶段的另一类路线是用生成模型合成更逼真噪声，真实感可能更高。
但其隐变量难以独立扫参，不利于做归因明确的消融。本文的对照策略是保留实际可运行的简单基线作为参照：干净训练、高斯噪声、粉噪声、12 环境均衡真实噪声，以及本文模拟器噪声。
论文报告显示，高斯噪声是较弱的真实环境代理，在 Whisper 上退化尤其大；粉噪声强于高斯，但仍一致弱于真实噪声与模拟器噪声训练。这支持了一个有限判断：在本文条件下，只匹配粗略谱颜色是不够的。这不是跨数据集的一般胜负，而是同一训练流程下对增强结构是否充分的检验。
为什么要把鲁棒性拆成三段来做？
如果把所有环境与所有模拟器参数一起扫参，每个环境都要做 1 次完整超参数搜索，计算量会随环境数线性膨胀。且谱结构相似的环境会带来重复计算。
论文因此把问题拆成表示、约简与搜索 3 段。第一段用共享频率网格上的功率谱密度模板统一表示环境，使谱曲线可以直接比较。第二段在模板空间中做覆盖优化，选出少数原型环境。
第 3 段只在原型上拟合模拟器目标并扫参，选出兼顾真实噪声与模拟噪声的默认配置。举例来说，部署若以咖啡馆为主，仍可先用通用默认配置起步。
再按该环境的模板做第二阶段精调，而不是一开始就对十几个环境全量搜索。这种分段的代价是原型选择依赖功率谱距离，若某类干扰主要体现在非平稳时序而非长期谱上，谱模板可能无法完全代表它，这是使用该方法时要保留的适用条件。
NOPE-HYPE 全景：三段分别输入什么输出什么？
工作流按算法顺序可复述为 5 步。第一步为每个环境计算中心化功率谱模板。第二步可选地在模板集合上做覆盖优化，选出 k 个原型。
第 3 步对每个入选环境拟合模拟器目标，包括功率谱、包络统计、瞬态速率与可选音调峰。第 4 步对每个模拟器配置生成噪声，按采样信噪比与干净语音混合。
混合时可选加房间脉冲响应，并在固定计算预算下训练语音翻译模型。第 5 步在干净、真实噪声与模拟噪声测试集上评估，按鲁棒目标选配置并报告消融。
模拟器提供 3 种命令：只生成环境声、按目标信噪比混合语音与环境声、计算噪声相似统计。评估指标方向要先固定：BLEU 与 chrF 越高越好，词错率越低越好。后续原型数 k 的选择、模拟器开关的取舍与默认配置的推荐，都要回到这 3 个测试集与指标方向上理解，不能只看单一集上的升降。
模拟器如何从白噪声一步步变成目标环境声？
生成模式的起点是从真实环境录音估计的稳定统计量，包括平均功率谱曲线、包络对数均方根统计与慢动态速率提示。还包括基于起始峰的瞬态速率估计，以及可选音调峰。
第一步是功率谱匹配：用 Welch 平均估计目标谱，在傅里叶域保留目标幅度并随机化相位。经过少量校准迭代减少残余谱失配，校准时的修正比会被截断到有界范围以保证数值稳定。
第二步是包络整形：对平稳底噪乘以平滑正包络，控制信号来自白噪声经低通滤波再指数化。速率参数管变化快慢，幅度参数管能量起伏大小。第 3 步加入音调与瞬态：瞬态是按每秒目标速率注入的带限突发，频带与环境有关。
第 4 步可选地合成人声干扰：从独立语音池取短语音片段，做带限并按突发间隔调度。室内环境还可在混合时可选施加房间脉冲响应。预设模式则不需要真实录音，直接用白、粉、棕底噪加多频带增益与慢随机调制搭建，适合自举实验与因子化扫描。
功率谱密度模板 × 原型环境选择： 功率谱密度模板负责把每个环境的长期频域能量分布放在同一频率网格上表示，使不同环境可以直接比较谱形状与绝对量级；原型环境选择负责在该模板空间中用覆盖目标挑出少数代表环境，分工是前者提供可比表示、后者压缩实验量，搭配理由是全环境逐一做模拟器调参成本过高，组合后只需在少数原型上拟合与调参即可覆盖整体。
包络整形 × 瞬态注入： 包络整形负责对平稳谱匹配底噪施加缓慢乘性起伏，模拟真实环境能量随时间的变化；瞬态注入负责按目标速率叠加短时带限冲击事件，模拟敲击与碰撞等突发声，二者搭配是因为仅有平稳谱会漏掉非平稳性，组合后模拟器同时具有稳定的谱结构与真实的时间动态。
人声干扰 × 功率谱匹配底噪： 功率谱匹配底噪负责提供与目标环境谱结构一致的平稳背景；人声干扰负责从独立语音池中抽取短语音片段并按突发间隔混入，模拟背景低语与附近交谈，分工是前者管环境底色、后者管与目标语音重叠的语音样干扰，搭配理由是平稳噪声难以覆盖语音样掩蔽，组合后完整模拟器才成立。
最坏情况覆盖 × 平均情况覆盖： 最坏情况覆盖负责最小化所有环境到最近原型的最大距离，保证每个环境都不被落下；平均情况覆盖负责最小化所有环境到最近原型的平均距离，保证整体代表性好，前者防长尾遗漏、后者重整体效率，论文同时用相关距离与均方根误差两种距离评估，二者共同决定原型数与集合选择。
以下导读针对模拟器管线像素：从顶部目标统计出发，沿箭头看 4 步如何逐层叠加，最后在求和节点汇入可选人声分支。
看图路径： 1. 从顶部目标统计框向下追踪三路目标分别进入哪一步；2. 对比第 2 步包络整形前后波形包络的变化；3. 确认第 4 步虚线可选分支在求和节点处如何汇入
论文图 1。原论文 Fig. 1:：“SIM model pipeline.”。
该图可见顶部框给出 3 类目标：随频率变化的功率谱曲线、对数均方根包络分布与瞬态速率脉冲序列。中部第一步把白噪声经快速傅里叶变换整形为谱匹配噪声，第二步用平滑增益相乘改变包络。第 3 步并行加入音调正弦样成分与按速率出现的瞬态脉冲，第 4 步虚线框表示可选语音低语分支。底部求和符号把主路与可选分支合并为最终合成环境声。像素细节支持复述：主路是串行叠加，可选分支是旁路汇入，因此关闭人声干扰不影响前 3 步的确定性输出。
包络控制的数学形式需要先定符号。设白噪声为输入，低通滤波速率为包络变化速率，输出为慢变控制信号：
\[u(t)=\mathrm{LPF}_{r_{e}}(\epsilon(t)),\]再把该控制信号指数化为正包络，幅度参数控制起伏强度：
\[a(t)=\exp(\sigma_{e}u(t)),\]两式共同说明非平稳性只来自缓慢乘性增益，不改变长期平均谱的整体形状，这是全文中平稳谱匹配仍成立的前提。原型选择的两种目标在像素上也有明确分工。
以下导读针对原型选择示意图：左图看最坏覆盖如何由最远点决定，右图看平均覆盖如何累加所有距离。
看图路径： 1. 看左图星形到最远灰点的双向箭头如何定义覆盖半径；2. 看右图多条距离线是取最大还是取平均
论文图 2。原论文 Fig. 2:：“Prototype-selection objectives: minimax (left) and average-case (right).”。
左图可见星形原型被绿色圆覆盖，圆半径由到最远灰点的双向箭头定义，标注明确写出由最远离群点决定。右图可见星形向周围灰点引出多条距离线，右侧文字提示概念对应 k 均值聚类。两图共同说明最小最大目标防遗漏、最小求和目标重整体，二者都依赖最近原型距离的定义，不能混为一谈。
环境太多时如何用谱距离选出少数原型？
每个环境用共享频率网格上的中心化模板向量表示，维度为频率格点数。比较用两种互补距离：相关距离看谱形状是否相似，定义为 1 减相关系数。
均方根误差看各频率绝对量级是否接近。给定已选原型集合，每个环境到集合的距离定义为到最近原型的距离，即把每个环境指派给最近原型。
最坏情况覆盖要求最小化所有环境中的最大指派距离，平均情况覆盖要求最小化所有环境指派距离的均值。由于主实验环境数为 12，论文用穷举搜索枚举每个 k 下的所有子集并在两种距离下评估。
报告的趋势是原型数从 1 到 3 时表示误差下降最大，之后收益递减，因此把 3 与 4 作为主要工作点：3 用于快速迭代，4 略微改善最坏覆盖。附录给出的 3 原型集合是咖啡馆、洗衣区与车内，均为真实环境而非合成质心。复现时要保留距离类型与目标类型的配对，不能只报平均误差而忽略最坏误差，否则会掩盖长尾环境的遗漏风险。
训练时语音与噪声如何定量混合，用什么目标选配置？
混合阶段输入是干净语音与模拟环境声，输出是给定目标信噪比的含噪语音。实现上先计算两者的均方根幅度，再按分贝定义求解放缩系数。
然后对环境声放缩后相加，最后做轻度软截断与峰值归一化以避免偶发幅度尖峰。固定种子下合成是确定性的，因此消融可比。设干净语音与环境声混合为含噪语音：
\[y(t)=s(t)+g\,x_{e}(t),\]其中放缩系数由目标信噪比决定：
\[g=\frac{\mathrm{RMS}(s)}{\mathrm{RMS}(x_{e})}\,10^{-\mathrm{SNR}/20}.\]符号含义是分子为干净语音均方根，分母为环境声均方根，指数项把分贝信噪比换算为线性比例。该式由分贝定义推导而来，附录给出完整对数换算步骤，复现时直接按此式实现即可，不需要另行估计能量。
选配置的鲁棒目标是真实噪声词错率与模拟噪声词错率的平均：
\[\mathrm{AvgWER}_{\mathrm{rob}}=\frac{1}{2}\left(\mathrm{WER}_{\mathrm{real}}+\mathrm{WER}_{\mathrm{sim}}\right),\]同时监控干净词错率，避免以牺牲干净精度换取噪声鲁棒。
信噪比混合 × 鲁棒目标： 信噪比混合负责按目标信噪比把干净语音与模拟环境声定量叠加，决定训练中每句的难易分布；鲁棒目标负责把真实噪声词错率与模拟噪声词错率取平均作为选配置的依据，分工是前者构造训练输入、后者统一选择标准，搭配后搜索不会只偏向干净集或某一类噪声。
训练的计算过程是微调中等规模预训练检查点，而不是从零训练；固定训练预算、固定解码束宽与最大新词元数，保证不同噪声条件之间的比较公平。原文未报告梯度是否截断到模拟器内部，因为模拟器在训练前离线生成波形，不参与反向传播；未报告项应如实记为缺项，不能从模型名称推定优化器实现细节之外的行为。
数据、模型与评估条件如何固定比较公平性？
数据侧用 Indic-ST 的 50 小时英印语音训练与 5 小时留出评测，英德沿用 CoVoST 同等设置，音频统一 16 kHz。环境声来自 DEMAND，涵盖室内、户外公共与交通三大类。
主比较用其中固定的 12 环境子集做均衡真实噪声训练，扫参阶段只用咖啡馆、洗衣区与车内 3 个原型模板。模型侧微调中等规模的 SeamlessM4T 与 Whisper，训练器、优化器、学习率调度与早停等设置在附录中统一。
解码目标语言分别为印地语与德语。评估在干净、真实噪声与模拟噪声 3 种测试条件下进行，指标为 BLEU、chrF 与词错率。比较公平性的关键是 50 小时训练预算相同、计算预算固定、评估划分一致。
下表整理数据预算与环境规模的可核对事实，表中数字均有原文连续句覆盖，裸数值不擅自添加百分号或分贝单位。比较问题是训练与评测的数据量级与采样条件是否一致，公平条件是同一语料划分与同一采样率，指标方向在表后评估段统一说明。
| 语料与任务 | 训练语音量 | 评测语音量 | 音频采样率 | 英德设置 |
|---|---|---|---|---|
| Indic-ST 英印 | 50 hours | 5-hour | 16 kHz | CoVoST 英德同等设置 |
上述表格的训练量与评测量数字支持判断主比较是在相同数据预算下进行，采样率 1 致保证谱模板与混合公式可比。代价是 50 小时并非大规模全量训练，结论外推到更大数据量时需重新验证，且未胜出的干净训练与高斯训练仍作为基线保留在主比较中。
原型规模的比较问题是选几个原型才能兼顾效率与覆盖，公平条件是同一模板空间与穷举搜索，误差越低越好。
| 环境总数 | 搜索方式 | 下降最大区间 | 紧凑工作点 | 扩展工作点 |
|---|---|---|---|---|
| 12 | exhaustive search | k=1 到 k=3 | k=3 | k=4 |
该表显示环境总数为 12 时穷举可行，最大下降发生在 1 到 3 之间，因此 3 作为快速迭代默认、4 作为略优最坏覆盖的扩展。未胜出项是 k=1 与 k=2，其误差明显更高，不能为省算力而只用单原型。
扫参规模的比较问题是用多少配置覆盖多少模板，公平条件是九配置共享于三模板。
| 总实验数 | 配置数 | 模板数 | 模板名单 | 紧凑集合来源 |
|---|---|---|---|---|
| 27 experiments | 9 simulator configurations | 3 fitted PSD templates | cafe, washing, car | k=3 set |
该表说明每语言对做 27 组实验，9 配置乘 3 模板的结构使聚合均值与跨环境方差可算。代价是搜索空间仍小，论文明确不声称全局最优，只称范围内稳定默认。
模拟噪声能否替代均衡真实噪声？拐点在哪里？
主比较在 50 小时训练与 5 小时测试下设 5 个训练噪声条件：干净、高斯、粉噪声、12 环境均衡真实噪声与模拟器噪声。论文报告的中心结果是模拟器噪声与均衡真实噪声表现接近。
在 SeamlessM4T 上模拟器略改善词错率且 BLEU 与 chrF 相当，在 Whisper 上二者基本持平。这支持的判断限于本文评估条件：模拟器抓住了对鲁棒性重要的稳定谱与时序统计，而不是听感上不可区分。
基线侧高斯是弱代理、粉噪声次之，真实噪声与模拟器噪声为可运行的强策略，干净训练保留为参照。由于原表矩阵因表头与数值双写问题无法安全选择，本文用预算与扫参规模的可核对数量表固定比较条件，并在文字中保留基线与策略分工，避免编造精度。
以下数量表固定主比较的数据预算、合成采样率与扫参结构，表前已说明 5 个条件的公平对比，表后结合原型曲线解释默认配置的来源。
| 训练语音量 | 评测语音量 | 合成采样率 | 扫参结构 | 覆盖模型 |
|---|---|---|---|---|
| 50 hours | 5-hour | 16 kHz | 9 simulator configurations over 3 fitted PSD templates, 27 experiments | Whisper and SeamlessM4T models |
上述预算表说明主比较与扫参在相同 50 小时训练与 5 小时评测下进行，采样率 1 致保证谱模板可比，27 组实验对应 9 配置乘 3 模板。该结构下真实噪声与模拟器噪声为实际可运行策略，高斯与粉噪声为已验证的弱基线，干净训练为参照，比较条件一致。
以下导读针对原型数与误差曲线：先确认横轴为原型数、纵轴为误差，再看哪一段下降最陡。
看图路径： 1. 先看横轴原型数与纵轴误差的整体下降趋势；2. 对比上方两条均方根误差线与下方两条相关距离线的量级差异
论文图 3。原论文 Fig. 3:：“Prototype representation quality vs. number of selected environments k. Both RMSE and correlation-distance exhibit diminishing returns after k\in\3,4.”。
该图横轴为 1 到 6 个原型，纵轴为误差，图例区分均方根误差均值、最坏值与相关距离均值、最坏值共 4 条线。可见上方橙色最坏均方根误差线从 1 到 2 下降最陡，2 到 4 继续缓慢下降，4 到 5 略有回升，6 再下降。下方蓝色均值线趋势类似但量级更低，底部两条相关距离线始终贴近零且变化平缓。像素支持的判断是 3 到 4 之后收益递减，与正文把 3 与 4 作为工作点的选择一致；不能把 5 处的局部回升解读为原型越多必然越差，因为穷举集合的构成随 k 变化且相关距离与均方根误差量级不同。
哪些开关真正影响鲁棒性，哪些可以默认关闭？
消融固定训练流程、每次只变一组控制。论文报告：打开人声干扰同时改善含噪与干净性能，支持语音样干扰是平稳底噪未覆盖的重要因素。
打开房间脉冲响应则在含噪与干净评估上都下降，与训练测试混响失配带来域偏移的解释一致，因此应作为显式控制而非默认开启。连续与突发两种人声调度差异小，支持存在与整体量级比精细时序更重要。
仅功率谱版本弱于完整模拟器，支持平稳谱匹配不足、时序动态与结构化干扰有实质贡献。干净与噪声混合比的探索显示噪声比例过高会拖累干净精度，保留较多干净语句有助于守住干净集。以下扫参敏感性像素用于检验默认配置的稳定性。
以下导读针对跨语言对敏感性图：横轴为 9 个配置，纵轴为相对最优的词错率升高量，越低越好。
看图路径： 1. 按横轴九个配置比较四条曲线的相对升高幅度；2. 确认最低点附近哪些配置在两个语言对上同时贴近零线
论文图 4。原论文 Fig. 4:：“Sweep sensitivity across language pairs.”。
该图可见蓝色实线与橙色虚线代表英印干净与鲁棒，绿色与红色代表英德干净与鲁棒。英印两条线起伏大，在 cfg03 与 cfg06 附近同时贴近零线，在 cfg07 与 cfg09 处明显升高，英德两条线整体贴近零线、起伏小。
像素支持的判断是 cfg03 与 cfg06 在两个语言对、干净与鲁棒指标上最稳定；不能把单语言单指标的最优点当作可部署最优，因为英印对配置更敏感而英德差异较小，聚合目标与监控项必须同时看。论文给出的经验趋势是较快包络动态一致有帮助，鲁棒可通过高信噪比加高事件率或中等信噪比加低事件率两条路径达到，但明确限定为本设置的经验趋势，换部署条件可能变化。
哪些结论不能推广，哪些证据目前缺失？
首先，模拟器等价于真实噪声的结论只在相同数据预算与本文 3 类测试集下成立，不能推广到未见过的强混响大厅或极低信噪比街道。其次，原型选择完全依赖功率谱模板。
若关键干扰是长时语义相关的人声内容而非谱包络，谱距离可能低估其影响，需要补充时序或语音活动特征的距离。其次，27 组搜索只覆盖九配置乘三模板，cfg03 与 cfg06 是范围内稳定默认而非全局最优。
且扫参主要在 SeamlessM4T 上进行，Whisper 的敏感性未同等验证。证据缺失方面，原文未公开可验证的代码链接状态，本次资源状态为无绑定可用资源，因此不能写代码已公开。
未测量延迟、推理开销与误判率，不能承诺这些量得到改善；未报告模拟器各校准迭代的具体残差阈值与随机种子清单，复现时需自行固定种子并记录。相关性不等于因果：人声干扰开关联的提升支持其重要性，但不能反推关闭后必然退化多少，幅度依赖具体混合比与信噪比分布。
复现时先固定什么，再扫什么？
先固定数据与评估：按 50 小时训练、5 小时评测、16 kHz 准备英印与英德划分，环境声按 DEMAND 的 12 环境子集组织真实噪声基线。评估固定干净、真实噪声与模拟噪声 3 套。
实现混合公式时按均方根比分贝定义求解放缩系数，再做软截断与峰值归一化。再固定表示：为每个环境在共享频率网格上算 Welch 平均功率谱模板，中心化后算相关距离与均方根误差。
用穷举在 k 为 3 与 4 时选原型，优先复现咖啡馆、洗衣区与车内的 3 原型集合。然后固定模拟器：在原型上拟合功率谱、包络对数均方根统计、瞬态速率与可选音调峰，固定种子保证确定性。
先跑完整模拟器，再分别关人声干扰、开混响、退化为仅功率谱，以确认各部件方向是否与论文一致。最后做小搜索：沿用九配置的思想，覆盖背景能量均值与方差、包络速率、瞬态速率与信噪比均值方差，按真实与模拟词错率平均选配置并监控干净词错率。若部署以单一环境为主，再对该模板做第二阶段精调。记录缺项：附录训练表的学习率、批量与早停等需逐项照抄，校准截断范围与种子需自行补记，否则消融不可比。
何时值得尝试这套流程，如何一句话记住它？
当训练数据难以覆盖部署声场、且需要知道是哪类声学因素在起作用时，这套流程值得尝试：先用谱模板把环境变成可比向量，再用覆盖优化把实验量压到三四个原型。
最后用小而可解释的扫参定默认配置。它不承诺模拟器听感逼真，也不承诺全局最优，只保证每一步的输入输出与选择目标可复述。
记住一句话：用谱模板选代表环境，用包络加瞬态加人声补齐动态，再用真实与模拟词错率的平均选出在两个语言对上都稳定的默认配置，混响默认关闭、按需显式打开。
若只能做一件事，优先复现 3 原型集合与完整模拟器的人声干扰开关，因为这是论文中同时改善干净与含噪性能、且超越仅谱匹配的关键增量。
📎 论文与评分元数据
排名：前50% | 文档类型：方法研究 | 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