标签：#语音识别 | #信号处理 | #多语言 | #语音
评分：6.1/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Nathan Roll：机构信息未在 arXiv HTML 中可靠披露
- Irene Yi：机构信息未在 arXiv HTML 中可靠披露
- Büşra Marşan：机构信息未在 arXiv HTML 中可靠披露
- Vianney Grenez：机构信息未在 arXiv HTML 中可靠披露
- Gabriel Stein：机构信息未在 arXiv HTML 中可靠披露
- Momcilo Mrkaic：机构信息未在 arXiv HTML 中可靠披露
- Pavle Padjin：机构信息未在 arXiv HTML 中可靠披露
- Vladimir Zeljkovic：机构信息未在 arXiv HTML 中可靠披露
- Calbert Graham：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
多语言语音识别需将多语种声学语音转写为带大小写与标点的文字，难点在于口音、领域与低资源语言泛化及大模型适应的稳定性。该方法先对多语言适应后Parakeet TDT 0.6B v3编码器中24层共24576个九抽头时域深度卷积核逐个拟合加博尔函数并计算归一化平方误差排序，输出全局误差排名。接着将误差最小的12288个核替换为纯解析拟合函数且不带偏置或可学习残差，并全程冻结为普通卷积权重送入后续训练。最后冻结上述抽头而训练其余网络，以换能器损失、块与卷积输出教师匹配及词符时长蒸馏做恢复，再经多语言多口音适应补偿扰动。与可学习前端或全量微调不同，结构约束直接来自已学滤波器形态并以原架构原算子推理，保持张量形状与算子数量不变。在FLEURS多语言基准下，Orukeet的混合词错误率（Word Error Rate，WER）为9.85%，低于Parakeet的11.01%。其适用边界受限于最终适应与选点均使用LibriSpeech test-other共2939条录音，且法语与希腊语出现退化，向重叠训练样本外的外推尚未验证。训练成本为单块40 GB A100硬件上以BF16完成4035次与168次更新，推理开销未增加。
🔗 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，输出是什么，为什么多语口音难？
这篇论文研究的是多语自动语音识别。输入是单声道 16 kHz 录音，输出是对应语言的文字转写。初学者容易把它想成单个英语朗读任务，但原文评测覆盖 25 种语言、朗读、口音、领域和远场等多种条件。
不同语言的发音、拼写、数字写法和复合词边界不同，口音和信道又会改变声学实现。一个在英语朗读上很好的模型，换到爱沙尼亚语议会语音或丹麦语电话语音时误差可能很高。论文起点是 NVIDIA 的 Parakeet TDT 0.6B v3，一个已支持 25 种语言的识别器。
该识别器编码器是 FastConformer，输出是词标记加时长预测的换能器。Orukeet 没有重设计整个网络，而是把编码器里一半时域滤波器固定为解析 Gabor 波形。它再让其余参数重新适应，在保持推理算子不变的前提下降低多语词错率。
理解这个设定很关键，后面所有拟合、冻结、训练和评测都围绕它展开。作为例子，可以把输入想成一段葡萄牙语朗读，目标是输出带标点的转写文本。例子不附加任何效果数值，只是帮助定位输入到输出的链路。
这条路线和可学习前端有什么不同？
语音里用解析滤波器的想法并不新。原文明确提到，解析音频滤波器此前已被用于可学习前端，也就是在网络最前面对波形或频谱做滤波器组。那些工作通常把前端参数化为可学习的解析函数，让模型自己学中心频率和带宽。
那条路线改的是输入端，目标是得到更好的声学特征。Orukeet 的不同在于位置和来源，它不是在前端新加滤波器组。相反，它深入到已经训练好的 FastConformer 编码器内部，对每个学到的 9 抽头时域深度卷积核单独拟合 Gabor。
选择依据也不是人工指定频率，而是看哪个学习核本身就长得像 Gabor。拟合得好的才被替换，拟合得差的保留原样继续可训。替换后存的仍然是普通卷积权重，推理时还是普通深度卷积。
这意味着它不是提出新算子，而是一种结构约束的再训练方法。复述时不要把它讲成新前端或新编码器，它的核心动作是挑选、替换、冻住、再训练。
要回答的具体问题是什么？
论文要回答的问题可以拆成 3 步。第一，能否用很小的初始改动引入大量固定结构。具体做法是对 24 乘 1024 共 24,576 个 9 抽头核逐个拟合 Gabor，按归一化误差全局取前 12,288 个替换。
要求中位相对均方根误差只有百分之几的量级，汇集平方误差只占原来权重能量的很小比例。第二，冻住这些替换后，剩余网络能否通过恢复训练和多语多口音适配重新达到甚至超过原来精度。原文恢复训练用了换能器损失、块和卷积输出的教师匹配以及词标记与时长蒸馏。
后续适配用了 4,035 次和 168 次两段 AdamW 更新。第三，这种约束是否在匹配解码和评分条件下带来可复现的增益。原文强调 2 模型用同样的音频、同样的分批、同样的贪心批量 TDT 解码和同样的归一化评分。
比较的是同一个 Orukeet 导出检查点和官方 Parakeet。最终结论不是单点英语提升，而是 25 语言朗读混合误差下降、74 个划分中 61 个改进，同时存在希腊语等反例。
方法全景：一个样本走完全流程
沿着一条录音走一遍有助于建立整体图像。输入是一段 16 kHz 单声道语音，先经过信号处理变成编码器输入帧序列。FastConformer 编码器共 24 个块，每个块有时域深度卷积。
正常情况下这些 9 抽头核都是可学习的。在 Orukeet 里，其中 12,288 个位置在训练开始前就被换成拟合好的 Gabor 抽头。并且在之后所有更新中保持不变。
音频前向通过时，这些固定核做的是与原来形状相同的深度卷积，只是数值不再变化。其余卷积、注意力、前馈和换能器参数都是可训的，会在损失驱动下调整。调整的目标是适应固定核带来的表示变化。
编码器输出高层表示后，词标记与时长换能器做预测并输出词序列。训练时除了转写损失，还有来自父模型的中间表示匹配和输出蒸馏。推理时只用普通深度卷积算子，不需要特殊 Gabor 算子。
拟合对象是什么，Gabor 参数各管什么？
拟合对象是每个 9 抽头核的 9 个数值。记原始核为 9 维向量，拟合目标是在时间序号负 4 到正 4 上求一个 Gabor 函数。优化目标是使其与原始核的平方误差最小。
Gabor 函数包含振幅、中心、宽度、频率和相位。振幅控制整体高度，相位控制余弦起始位置，中心控制包络峰值在窗口中的位置。宽度控制能量集中还是分散，频率控制在编码器时间步尺度上的振荡快慢。
误差用归一化平方误差衡量，也就是拟合残差能量除以原始核能量。对固定中心、宽度和频率，余弦和正弦系数可用线性最小二乘直接解出。从而得到振幅和相位，中心、宽度和频率则需要搜索。
原文评估 3,321 组初始组合，再对最优的 4 个加每个频率四分位的最优做精修。每次精修至多 160 次评估，用 float64 进行。搜索范围覆盖中心负 4 到 4、宽度 0.25 到 36、频率从 10^-6 到 0.499999 周期每步。
最终保留评估过的最优拟合，再全局取误差最小的 12,288 个。替换只存拟合函数本身，没有偏置项也没有可学习残差。
时域深度卷积核 × Gabor 函数： 时域深度卷积核负责在每个编码器时间步附近对声学特征做加权求和，是可学习的 9 抽头滤波器；Gabor 函数是高斯包络乘以余弦振荡的解析波形，可以描述带通和定位的时频响应。二者搭配的理由是先对已有多语适配模型的每个学习核拟合一个 Gabor，再用拟合最好的那一半做替换，初始扰动小而结构固定，剩余网络在后续训练中去适应这部分固定结构。
下面这段是拟合与误差定义的关键公式，先看符号再看目标。公式中 t 是抽头位置，w 是原始核，g 是拟合 Gabor，e 是归一化误差。
\[g_{i}(t)=A_{i}\exp\!\left[-\frac{(t-\mu_{i})^{2}}{2\sigma_{i}^{2}}\right]\cos\!\left(2\pi f_{i}(t-\mu_{i})+\phi_{i}\right),\qquad e_{i}=\frac{\|w_{i}-g_{i}\|_{2}^{2}}{\|w_{i}\|_{2}^{2}}.\]理解这个公式后才能明白排名的含义：e 越小说明该核越像 Gabor，越值得冻住。原文报告选中部分的相对均方根误差中位数为 6.32%，截止值为 13.30%。汇集平方误差为原来权重能量的 0.4244%，说明初始替换扰动确实不大。
FastConformer 编码器 × TDT 换能器： FastConformer 编码器负责把 16 kHz 单声道音频变成高层声学表示，Orukeet 的改动全部发生在它 24 个块中的时域深度卷积上；TDT 换能器负责把声学表示预测为带词和时长标记的文本序列。搭配时编码器提供更受约束的时域特征，换能器及其余参数通过换能器损失和蒸馏去恢复和适配识别精度，分工是前端特征固定一部分、后端预测全部可训。
选中的一半在各层如何分布？
选中一半不是每层各选一半，而是全局排序后的自然结果。全部 24,576 个核放在一起按误差从小到大排，前 12,288 名被选中。因此每层被选中的数量可以不同，原文给出每层 175 到 748 个不等的分布。
左边的全局排名曲线有助于理解截止含义，横轴是相对均方根拟合误差。纵轴是小于等于该误差的核所占比例，蓝色选中部分在 13.30% 处截止。右边的逐层柱状图有助于理解结构含义，中间层选中较少而两端选中较多。
导读这张全局排名与逐层分配图时，先建立两个面板的分工。左图回答选多少和多严格，右图回答选在哪里。虚线标出每层 1,024 个中的 512 个作为参照，这种分布说明越像 Gabor 的核越集中在某些层。
看图路径： 1. 先看左图横轴相对均方根误差与纵轴累积比例，确认蓝色选中一半的截止位置；2. 再看右图各编码器层被冻结核数的柱高，找出中间层低而两端高的分布；3. 对照虚线 512 核，判断哪些层高于半数、哪些层远低于半数
论文图 2。原论文 Figure 2:：“Global fit ranking and its allocation across layers.”。
这张图的可复述要点有 3 层。第一，截止点是数据驱动的，13.30% 是前一半分位点的误差值，不是人工预设的误差门限。第二，逐层不均匀意味着冻结约束对不同深度的影响不同，后续训练时各层剩余可训核需要承担不同的补偿任务。
第三，材料化模型共 627,008,134 个标量参数，其中 110,592 个存储抽头被固定。其余 626,897,542 个可训，固定比例针对的是时域深度核，而不是全模型一半参数。复述时不要说每层冻一半，要说 50% 约束针对全部时域深度核。
4 个代表性核长什么样？
图 1 给出 4 个预定排名的原始核与冻结 Gabor 替换的并排比较。每对都除以原始核的二范数，百分比是相对均方根拟合误差。标记点是 9 个实际存储抽头，直线只是连接标记的辅助线。
为了读懂这张图，需要先确认归一化方式。纵轴是除以原始核能量后的权重，所以不同核的幅度可以直接比较形状。从左到右 4 个例子覆盖选中一半中的不同位置，误差从 2.74% 逐步升到 11.20%。
形状上原始抽头与冻结抽头在峰位和振荡上基本重合，差异主要在个别抽头的细节上。这正好对应前文误差中位数和截止值的含义，即使排名靠后的选中核整体波形仍然接近。
看这张核拟合细节图时，先按从左到右的排名顺序看形状重合度。再对照误差百分比理解排名含义，最后确认 9 抽头离散存储方式。像素显示最左侧拟合最好，最右侧偏差相对最大。
看图路径： 1. 从左到右看 4 个预定排名的核，比较原始抽头与冻结 Gabor 抽头的重合程度；2. 看每对上方标注的相对均方根误差如何随排名变大而升高；3. 确认横轴是抽头序号负 4 到正 4，纵轴是除以原始核二范数后的权重
论文图 1。原论文 Figure 1:：“Original kernels and fitted Gabor replacements at four predetermined ranks spanning the selected half.”。
这张图的教学价值在于把抽象误差数字变成可见波形。它显示替换不是强行把核变成标准正弦，而是为每个核单独找最像它的 Gabor。它也显示冻结带来的初始扰动是小而具体的，为后文剩余网络能够恢复精度提供了直观基础。
复述时要说明直线只是连接 9 个离散抽头的辅助线。真正存下来和参与卷积的是 9 个数值，推理算子形状与原来完全相同。
冻住之后如何训练，监督从哪里来？
冻结之后训练分恢复和适配两个阶段。恢复阶段训练剩余网络，损失包括换能器损失、在块输出和卷积输出上的教师匹配。以及词标记与时长蒸馏，这里教师是父模型，学生是替换冻结后的模型。
监督既有最终文本目标，也有中间表示和输出分布的软约束。随后适配阶段做 4,035 次 AdamW 更新，学习率从 10^-6 衰减到 10^-7。最终阶段从这些权重出发再做 168 次更新，含 3% 热身和余弦衰减。
最终阶段学习率从 5x10^-6 衰减到 5x10^-7，优化器参数为 0.9 和 0.98。权重衰减为 0.001，梯度裁剪到 1.0，每个微批次至多 16 条语音和 120 秒填充音频。每 4 个微批次组成 1 次更新，在 1 块 40 GB A100 上用 BF16 训练。
训练关闭丢弃、增强和抖动，最终阶段遍历 2,939 条 LibriSpeech test-other 录音 3 遍。目标保留父模型的大小写和标点但修正参考词，且在固定的英语归一器下与参考一致。test-other 同时用于最终检查点选择，所有 651 个剩余参数张量都发生变化。
拟合误差排名 × 冻结训练： 拟合误差排名负责决定哪 12,288 个核值得用解析函数代替，按归一化平方误差全局排序；冻结训练负责在替换后不再更新这些抽头，只更新其余 626,897,542 个可训参数。搭配原因是排名保证被冻住的都是原来就接近 Gabor 的核，冻结则把这种解析先验在整个恢复和适配阶段保留下来，而不是被梯度冲掉。
独立审计验证 12,288 个拟合核与原始拟合函数字节一致。分词器、信号处理缓冲和批归一化统计保持不变。
教师匹配 × 词标记与时长蒸馏： 教师匹配指在编码器块输出和卷积输出层面让学生表示靠近教师表示，属于中间层监督；词标记与时长蒸馏指在输出端匹配教师的词标记分布和时长预测，属于序列级监督。组合意义是在一半卷积被替换冻结后，同时约束中间表示不偏离太多和最终转写行为保持一致，帮助剩余参数完成恢复。
需要提醒的是，最终调优和选检查点都用了 test-other。这意味着 test-other 不再是完全盲测，论文如实报告了这一点。复述时必须保留，不能把 test-other 说成未见过的测试集。
比较是否公平，指标如何聚合？
实验条件的公平性是这篇论文反复强调的部分。2 个模型被独立恢复后，用 NeMo 贪心批量 TDT 解码。解码用 10 符号限制，FP32 权重加 BF16 CUDA 自动混合精度，并关闭矩阵乘 TF32。
2 模型收到完全相同的单声道 16 kHz 音频，按同样的时长排序分批。空转写保留在评分中，英语用固定的文本归一器处理拼写、数字和复合词映射。其他语言保留变音符号并用各自语言的数字归一化和复合词边界对齐。
词错率统计替换、删除和插入，字符错率同时报告。混合词错率把所有录音的错误数加总再除以总参考词数，复合词对齐可能为每个模型改变分母。语言宏平均则对每种语言等权，整数计数和独立全分区重评可以复现每个报告值。
混合词错率 × 语言宏平均： 混合词错率把所有录音的替换、删除、插入错误加总再除以总参考词数，大录音集或长句权重更大；语言宏平均先算每种语言各自的词错率再等权平均，小语种和大语种权重相同。二者搭配是为了同时回答系统在全部语音量上错多少，以及是否只靠大语种拉低平均，Orukeet 在两种口径下都报告了 FLEURS 结果。
混合词错率的具体定义如下，先理解分子是 3 类编辑之和。分母是归一化参考词总数，它是按词加权而不是按语言加权。
\[\operatorname{WER}_{\mathrm{pool}}(\mathcal{D})=100\,\frac{\sum_{u\in\mathcal{D}}(S_{u}+D_{u}+I_{u})}{\sum_{u\in\mathcal{D}}N_{u}},\]数据方面，朗读比较共 25,705 条，含 LibriSpeech 的 2 个测试分区和 FLEURS 全部 25 种语言测试语音。口音与领域固定样本共 12,006 条、47 个分区、25 种语言，每分区 256 条、Lesbos 为 230 条。
样本来源含 EuroSpeech、GigaSpeechBench、Monsoon、Golos、NST、VoxPopuli 和 Lesbos。其中 6,118 条曾出现在 4,035 次适配中，希腊和意大利 EuroSpeech 用审计过的人工转写段。两检查点都重新解码并用同样流程评分，朗读与口音领域分别汇集。
主结果：在什么上降了多少，在哪里变差？
先看朗读多语主结果，问题是固定解码和评分下混合误差是否下降。公平条件是同音频、同批次、同归一器，指标越低越好。下表把 FLEURS 混合与语言宏放在一起，Parakeet 与 Orukeet 的差距同时体现在总量和等权平均上。
| 评测范围 | 录音数量 | Parakeet 混合词错率 | Orukeet 混合词错率 | 语言宏与相对变化 |
|---|---|---|---|---|
| FLEURS 全部 25 语言混合 | 20,146 | 11.01% | 9.85% | 相对下降 10.6% |
| FLEURS 语言等权宏平均 | 20,146 | 11.07% | 9.96% | 宏平均同步下降 |
表后需要同时讲收益与代价。收益是混合词错率从 11.01% 降到 9.85%，相对下降 10.6%。语言宏从 11.07% 降到 9.96%，说明改进不是只靠大语种。
按原文逐分区看，27 个朗读分区中 25 个改进，25 个 FLEURS 语言中 23 个改进。但反例必须保留，法语从 4.69% 升到 5.01%，希腊语从 21.07% 升到 30.81%。这两个是朗读比较中明确变差的语言，不能在总结时省略。
再看英语朗读与口音领域的汇集，问题是改进是否超出 FLEURS 混合。下表把 LibriSpeech、FLEURS 英语和英语口音汇集放在同一口径下，数值越低越好，比较对象均为可运行的 Parakeet 基线。
| 评测条件 | 指标口径 | Parakeet 词错率 | Orukeet 词错率 | 可运行对照 |
|---|---|---|---|---|
| LibriSpeech test-clean | 词错率 | 1.53% | 1.46% | 同解码同评分 |
| LibriSpeech test-other | 词错率 | 3.14% | 2.86% | 曾用于调优选点 |
| FLEURS 英语 | 词错率 | 4.28% | 3.82% | 25 语言之一 |
| 全部 47 分区口音领域混合 | 词错率 | 16.72% | 15.25% | 12,006 条固定样本 |
| 其中 20 个英语分区 | 词错率 | 9.51% | 8.84% | 5,120 条英语录音 |
表后解释要区分可比性。LibriSpeech test-clean 从 1.53% 到 1.46%，FLEURS 英语从 4.28% 到 3.82%，都是同一检查点同协议解码的结果。口音领域混合从 16.72% 到 15.25%，英语子集从 9.51% 到 8.84%，对应 12,006 条和 5,120 条固定样本。
但 test-other 曾用于最终 3 遍调优和选点，因此它的 2.86% 不能当作完全盲测证据。口音样本中又有 6,118 条曾进入 4,035 次适配，所以 47 分区混合的 15.25% 也不是全未见。支持的判断是多条件同步改进，限制是部分测试数据已被训练或选点见过。
哪些分区不支持改进，差距有多大？
把问题从平均转到分布，61 个 74 个测试划分改进意味着仍有 13 个未改进。口音领域 47 个分区中 36 个改进意味着 11 个未改进，下表截取口音与领域样本中的代表性分区。比较条件与主结果相同，数值越低越好，包含明显改进、基本持平和明显变差 3 种情况。
| Partition | Parakeet | Orukeet |
|---|---|---|
| EuroSpeech BG | 14.22 | 13.04 |
| EuroSpeech DE | 13.40 | 11.14 |
| EuroSpeech LT | 38.44 | 33.10 |
| EuroSpeech LV | 57.18 | 42.14 |
| EuroSpeech MT | 36.83 | 36.15 |
表后要读出具体代价。EuroSpeech 爱沙尼亚语从 34.67% 降到 25.33%，拉脱维亚语从 57.18% 降到 42.14%，是改进幅度大的例子。EuroSpeech 保加利亚语从 14.22% 到 13.04%，克罗地亚语从 12.93% 到 12.56%，是小幅改进。
但反例同样具体，EuroSpeech 意大利语从 10.95% 升到 12.32%，斯洛文尼亚语从 48.43% 升到 50.23%。葡萄牙语从 23.08% 升到 23.81%，希腊语从 25.83% 升到 26.35%，说明固定 Gabor 约束并非对所有语言和领域都有利。
原文没有提供去掉冻结或只换前端的消融，因此不能说改进必然来自 Gabor 的声学性质。也可能是再训练和数据适配的作用，复述时要把未胜出项与主平均放在同等位置。不要只记混合下降，还要记住分布尾部的退化。
哪些验证还没有做，不能承诺什么？
论文直接报告的是词错率和字符错率，没有测量误判率之外的延迟、吞吐、内存或能耗。因此不能承诺推理更快或更便宜，虽然存储的是普通卷积权重。算子数量与 Parakeet 相同，但相同算子不等于相同延迟。
实际延迟还与硬件、批大小和实现有关，原文未给出这部分测量。训练成本只报告了单卡 A100、BF16、微批次和更新次数，没有给出总时长和总算力预算。复现时要预留适配多语数据的开销，不宜低估数据准备时间。
数据方面，最终调优见过 test-other，适配见过部分口音样本。严格的未见说话人或未见领域的泛化还需要补做完全隔离的验证，语言覆盖也限于 Parakeet 支持的 25 种语言。对 Lesbos 希腊语这类极高误差分区，Orukeet 虽从 94.78% 降到 93.55%，但绝对误差仍接近不可用。
平均改进不代表低资源或强口音问题已解决。相关性也不是因果，选中核像 Gabor 与冻住后效果好同时出现。不等于 Gabor 形状本身就是改进的原因，还需要保留冻结但随机初始化等对照。这些对照在证据中没有出现，只能表述为待验证。
要复现先固定什么，从哪里开始？
复现的第一步是固定比较对象和检查点。原文所有识别结果指向 SHA-256 前缀为 031c8ddab484 的 NeMo 检查点，文件内存放配置、分词器和材料化卷积权重。拟合代码保留每个核的解析参数，训练用固定参数化防止选中行被更新。
推理用普通深度卷积，保持张量形状和算子数量与 Parakeet 一致。独立审计验证 12,288 个拟合核与原始拟合函数字节一致，分词器、信号处理缓冲和批归一化统计未变。第二步是固定解码与评分，独立恢复官方 Parakeet 和 Orukeet 检查点。
用同样的贪心批量 TDT、同样的音频批次、同样的归一器，保留空转写。用整数计数重算混合与宏平均，朗读与口音领域分别汇集，不要跨集混合分母。第三步是注意数据条件，最终阶段用了 2,939 条 test-other 共 3 遍。
适配用了部分口音样本，复现时不要把这些当作盲测。关于可用性，原文提到了仓库和发布检查点、拟合函数、导出审计和可复现评测记录。以及代码 MIT、权重与拟合 CC BY-SA 4.0、指标记录 CC BY 4.0，但本次收到的资源状态中没有完成 HTTPS 验证的可用资源。
因此不能写代码、模型或数据当前已公开可下载，只能说原文声明了这些产物的许可与内容。实际获取前需自行确认链接可达，NVIDIA 的基础模型归属信息在复现记录中也应保留。
何时值得尝试这个方法？
如果场景也是在已有强多语识别器上做约束再训练，而不是从零设计新模型。Orukeet 的流程值得参考，具体做法是先在目标多语数据上得到适配父模型。再对时域卷积逐核拟合解析函数，按全局误差只替换最像的那一半并全程冻结。
然后用换能器损失加中间匹配和输出蒸馏恢复精度，最后用小学习率多语适配。它的适用条件很明确，编码器中存在大量本身就接近解析波形的核。初始替换误差中位数只有百分之几，且推理必须保持原算子不变。
当模型时域核本身振荡很弱或任务高度依赖非平稳细节时，强行冻结可能带来希腊语、法语那样的退化。需要先在小样本上验证分布，不要直接全量冻结。还需要补的验证包括完全盲测的划分、延迟与成本测量，以及冻结随机对照。
以确认收益来自结构而非额外训练。记住它的最强证据是匹配条件下的多集同步下降，最大限制是部分评测数据参与过调优和选点。复述时两句要同时出现，才算完整传达了论文的贡献与边界。
📎 论文与评分元数据
排名：前50% | 文档类型：模型报告 | 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