标签：#文本到语音 | #偏好优化 | #数据清洗 | #知识蒸馏
评分：6.6/10 | 创新 1.4/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.7/1 | 影响力 1/1.5 | 开源 0.2/1.5 | 可复现 0.1/0.5 | 工程/实践 1.2/1.5
👥 作者与机构
- Jingbin Hu：机构信息未在 arXiv HTML 中可靠披露
- Luyu Wang：机构信息未在 arXiv HTML 中可靠披露
- Wenjie Tian：机构信息未在 arXiv HTML 中可靠披露
- Kangxiang Xia：机构信息未在 arXiv HTML 中可靠披露
- Qirui Zhan：机构信息未在 arXiv HTML 中可靠披露
- Haoyu Zhang：机构信息未在 arXiv HTML 中可靠披露
- Yunxiang Chen：机构信息未在 arXiv HTML 中可靠披露
- Houdun Liu：机构信息未在 arXiv HTML 中可靠披露
- Lei Xie：机构信息未在 arXiv HTML 中可靠披露
- Liumeng Xue：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
上下文感知指令跟随语音合成要求模型以多轮对话历史为输入，先生成思维链推理再合成目标语音，难点在于电影域噪声大、标注错配多且多模态条件方差高。该工作构建三段方法链：清洗阶段输出高保真预训练语料并继续预训练基座，蒸馏阶段由教师模型生成风格化语音并经音色转换与多模型过滤得到学生监督数据，偏好优化阶段用多候选采样与级联筛选构造高置信偏好对并以直接偏好优化加监督锚定对齐全链一致性。与单向量风格压缩和单轮显式指令范式不同，该框架把思维链显式作为推理产物与合成条件，使上下文理解与韵律执行可分别诊断与优化。在自建500样本中英文测试集上，最终系统词错率由官方基线的3.47降至2.71，说话人相似度与主观一致性同步提升。该结论仅在挑战赛电影对话分布与自建评测协议下成立，对开放域对话、长历史与未见说话人的外推尚未验证。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
演示资源：https://hujingbin1.github.io/CoT-TTS-Demo-Page/ — 链接可访问（HTTP 200）
第三方资源：https://qwen.ai/blog?id=qwen3.5 — 链接可访问（HTTP 200）
第三方资源：https://ai.google.dev/gemini-api/docs/models/gemini-3.1-pro-preview?hl=zh-cn — 链接可访问（HTTP 200）
第三方资源：https://github.com/BytedanceSpeech/seed-tts-eval — 链接可访问（HTTP 200）
第三方资源：https://github.com/sarulab-speech/UTMOSv2 — 链接可访问（HTTP 200）
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，这次解读要保留什么？
本文解读的对象是 ISCSLP 2026 CoT-TTS 挑战赛第一赛道的一项系统优化工作。输入是多轮对话历史、当前要说的目标文本和一段参考说话人音频，目标是先生成一段思维链文本，再合成与上下文相符的语音。思维链是白话说的先想后说，英文是 Chain-of-Thought，缩写为 CoT，它既是推理输出，也是后续合成的条件。输出因此包含两部分，一部分是可读的推理，另一部分是波形。挑战赛要求把理解和合成放在同一个端到端过程里完成，而不是先由人写好风格标签再朗读。
本次解读必须保留的关键信息包括数据如何清洗、合成数据如何蒸馏过滤、偏好对如何构造、评估如何把推理和执行分开打分，以及每个阶段实际更新了哪些参数。读者对象是刚进入语音合成的研究生，所以先把术语讲清，再沿着一个样本走完全流程，最后交代复现条件。演示页当前可用，链接为官方演示页，状态码为可访问，本文不转述演示音频的具体听感，只讲论文报告的方法与条件。
指令跟随合成 × 上下文感知合成： 指令跟随合成负责执行用户直接写明的风格要求，例如大声一点或悲伤一点；上下文感知合成负责在没有显式指令时，从多轮对话推断合适的风格。前者分工是可控执行，后者分工是意图推断。搭配原因是真实对话很少每次都复述风格要求，挑战赛把两者串成先推理后合成，组合意义是模型既要想对，也要说对。
指令跟随语音合成走过哪三段路？
论文把指令跟随语音合成归纳为 3 个阶段。第 1 阶段依赖显式提示词工程或学到的隐表示，模板固定，能控制的属性有限，换一种说法就要重新设计。第二阶段把可控生成看成跨模态对齐，把文本或声学线索压缩成单个连续隐向量，这种向量带宽低且纠缠在一起，难以拆开控制音色、情绪和节奏，可解释性也弱。
第 3 阶段利用大语言模型的序列建模能力，直接把自由形式的自然语言指令作为条件，学习指令文本与离散音频标记之间的关系，从而在音色和风格上都更灵活。论文列举的例子包括 CosyVoice 系列、IndexTTS 系列、Qwen3-TTS 系列等自回归路线，以及基于流匹配的非自回归路线。需要区分的是，这些工作大多是单轮显式指令范式，默认用户已经说清想要什么风格。而本文任务是上下文感知，风格要从对话历史、说话动机和情景动态中推断，这正是挑战赛引入 CoT 的动机。
相关工作的对照应按同输入、同目标、同监督来理解，不能把单轮显式控制的分数直接当成多轮隐式推理的胜负。
为什么官方基线不够用？三个卡点在哪里？
官方基线已经给出统一架构，但论文指出 3 个具体卡点。第一是数据，电影领域的对话语音表现力强，但背景噪声大，标注存在转写错误、历史与 CoT 不一致、语义描述模糊，直接影响语义理解和音频保真度。第二是生成方差，多模态条件输入复杂，只做有监督微调时，其逐标记损失区分不开全局合适与局部通顺，容易出现推理不准、可懂度差和音色漂移。第三是评估，缺少公开的上下文专用基准，常规指标粒度不够，无法判断是推理错了还是执行错了。
举一个教学例子，例子不代表论文数据：历史显示对方在安慰人，目标句是没关系，模型若推理成嘲讽语气，即使发音清晰，端到端也是错的。这个例子说明必须把推理质量和执行保真度分开看。论文因此提出三部分工作，分别是数据处理管线、上下文感知的直接偏好优化和独立评估推理与执行的新评测框架。
三阶段管线如何串起数据、推理与对齐？
论文的总体安排是 3 阶段优化。第 1 阶段是对清洗后数据的继续预训练，打好声学与对齐基础。第二阶段是基于蒸馏的有监督微调，用教师模型生成的大量指令样本教学生模型。第 3 阶段是上下文感知的偏好优化，用高置信度偏好对约束完整的上下文到推理再到语音链条。3 个阶段是递进关系，每 1 阶段都以前 1 阶段的最优检查点为起点。
沿一个样本走一遍有助于理解依赖：输入是最多多轮的对话历史文本、目标句文本和参考音频，先由语言模型生成 CoT 标记和全局标记，再生成语义标记并解码为波形，评估时既看文本推理是否理解历史，也看波形是否执行推理。下图是官方基线框架的示意，重点看输入如何进入同一个语言模型，以及不同标记段如何分工。
以下导读帮助初学者定位该基线图的主路径与分支汇合处，建议按焦点顺序观察输入条、适配器位置与虚线生成回路，再进入下一段的具体解释。
看图路径： 1. 先沿底部输入条确认历史文本、目标文本与参考音频标记的位置顺序；2. 再看蓝色大框内语言模型与左侧适配器模块的包含关系；3. 最后追踪虚线回路，确认思维链、全局与语义标记如何逐段生成
论文图 2。原论文 Figure 2:：“A Context-Aware Instruction-Following TTS Framework Based on the Official Baseline.”。
该图显示底部从左到右依次是历史文本、目标文本和参考音频的全局标记，上方蓝色大框是 Qwen3-0.6B 语言模型，左侧红色块是适配器。虚线回路表示模型先产生 CoT 标记，再产生全局标记，最后产生语义标记。教学含义是所有条件都进入同一个自回归模型，推理文本不是外挂模块，而是模型自己生成的中间条件。论文认为基线的问题不在这种串联形式，而在训练数据噪声大且缺少偏好对齐，因此后续 3 阶段分别处理数据质量、蒸馏补充和对齐约束。
偏好优化的目标函数在算什么？
在进入数据细节前，先把第 3 阶段的核心计算讲清，因为它是理解全文一致性约束的关键。直接偏好优化的白话是给偏好排序的优化，英文是 Direct Preference Optimization，缩写为 DPO。它不单独训练奖励模型，而是直接比较胜者回答和败者回答的相对概率。符号上，输入记为 x，胜者回答记为 yw，败者回答记为 yl，策略模型记为 pi_theta，冻结的参考模型记为 pi_ref，beta 控制偏离参考模型的程度，sigma 是逻辑函数。总体目标是偏好损失加上有监督锚定损失，权重为 lambda。
\[\mathcal{L}=\mathcal{L}_{\text{DPO}}+\lambda\cdot\mathcal{L}_{\text{NLL}}(y_{w})\]上式说明总损失由两项组成，第一项是偏好损失，第二项是对胜者回答的负对数似然。偏好损失的具体形式是让策略模型相对参考模型更偏向胜者。
\[\displaystyle\mathcal{L}_{\text{DPO}}=-\mathbb{E}_{(x,y_{w},y_{l})}\Big[\log\sigma\Big(\beta\big(\]该式计算的是胜者与败者在策略模型和参考模型下对数概率差的函数，优化方向是拉大胜者优势。锚定损失则是普通的监督损失。
\[\mathcal{L}_{\text{NLL}}(y_{w})=-\mathbb{E}_{(x,y_{w})}\left[\log\pi_{\theta}(y_{w}|x)\right]\]该式只在胜者回答上计算，目的是防止模型为了赢得偏好比较而破坏基本流畅度和可懂度。论文报告称，不加锚定时会出现奖励投机，表现为可懂度和音质指标轻微变差，加锚定后生成质量更稳，同时上下文对齐仍有提升。
对话历史 × 思维链推理： 对话历史负责提供说话方式的隐含依据，包括说话人意图、情绪状态和情景动态；思维链推理负责把这些依据显式写成中间文本，推导出当前句该用什么语气和节奏。二者搭配的原因是直接从历史跳到波形跨度太大、难以监督，而先生成可检查的推理文本，再以它为条件合成语音，就把理解错误和执行错误分开了，组合意义是让上下文理解成为可评估、可对齐的显式环节。
下图是上下文感知偏好优化的数据构造示意，左侧是冻结模型展开多候选，中间是 3 类判断，右侧是胜败对送入可训练模型，建议按焦点顺序看清候选、判断与训练的衔接。
以下导读先说明左侧候选如何产生，再说明中间 3 类过滤如何分工，最后说明右侧胜败对的用途，读图时重点核对判断器名称与箭头指向。
看图路径： 1. 先看左侧冻结模型如何展开多个候选分支；2. 再核对中间评估框内三个并列的判断器名称；3. 最后看右侧胜败对如何送入带火焰标记的可训练模型
论文图 3。原论文 Figure 3:：“Context-Aware DPO.”。
该图左侧蓝色框标有雪花，表示参数冻结的语言模型，它向右展开多个绿色候选框。中间评估框自上而下是语义与指令跟随联合判断、内容一致性判断和说话人一致性判断，分别对应大模型打分、语音识别转写核对和说话人相似度核对。右侧把胜者标为赞、败者标为踩，送入右侧带火焰标记的可训练语言模型。火焰与雪花的对比是论文作图习惯，火焰表示该阶段参数更新，雪花表示冻结。
直接偏好优化 × 有监督微调锚定损失： 直接偏好优化负责让策略模型给更符合上下文的完整回答更高概率，通过比较胜者和败者来调整；有监督微调锚定损失负责在胜者回答上继续做极大似然，保持基本生成质量。搭配原因是纯偏好优化可能钻打分空子，牺牲可懂度和音质换取高分，组合意义是在提升上下文一致性的同时锚住语言模型不跑偏。
数据从哪里来，每一步实际做了什么？
训练管线使用 3 套不同的数据集，分别对应 3 个阶段。第 1 阶段是清洗后的官方挑战数据，第二阶段是蒸馏过滤后的合成数据，第 3 阶段是多候选 rollout 后过滤得到的偏好对。继续预训练的白话是拿更好的数据再训练一遍基线，蒸馏的白话是用强教师生成样本再教学生，rollout 的白话是让模型自己采样多个回答再挑选好坏。
第 1 阶段清洗分 3 步，先用 FullSubNet 去噪，处理电影录制环境的背景噪声；再用 Qwen3-ASR 重新转写，修正错误的文本标注，保证文本与音频对齐；最后用 Qwen3.5-35B-A3B 检查对话历史与 CoT 标注是否一致，丢弃语义矛盾或逻辑不通的样本。论文称该阶段保留约八成原样本，全参数微调明显优于低秩适配，原因是声学表示需要较大容量去适应更干净的数据分布。低秩适配的英文是 Low-Rank Adaptation，缩写为 LoRA，它只更新少量增量参数，适合小幅调整，不适合大规模分布迁移。
第二阶段先由开源的 Qwen3-TTS 语音设计教师模型按目标文本和风格指令合成大量样本，再用 Seed-VC 做音色转换，把教师声音搬到目标说话人身上，同时保留表现力。随后是 4 步级联过滤，分别是用语音识别核对可懂度、用说话人验证模型核对身份、用 UTMOS-v2 评估感知质量、用 Qwen3-Omni 评估风格与内容是否一致。该阶段发现 LoRA 优于全参数微调，解释是 LoRA 能平衡合成蒸馏收益与真实数据能力，避免过度适应教师分布。
下表比较的不是最终分数，而是 3 阶段各自的数据起点与规模，帮助复现时按顺序准备数据。表前问题是每 1 阶段用了多少数据、从何而来，公平条件是都以论文报告的同一管线口径为准，数值方向是规模越大不代表质量越高，关键在过滤后的保留量。
| 阶段 | 数据来源 | 处理动作 | 保留规模 | 阶段目标 |
|---|---|---|---|---|
| 第 1 阶段继续预训练 | 约 16000 小时电影领域中英对话语音 | 去噪加重新转写加历史与推理一致性过滤 | 约保留原样本 82% | 修正声学噪声与标注错误 |
| 第二阶段蒸馏微调 | 教师按指令合成 545K 样本 | 音色转换加 4 步质量过滤 | 保留 127K 高质量样本 | 补充风格可控监督 |
| 第 3 阶段偏好优化 | 每个提示采样 10 个候选 | 识别初筛加大模型擂台加说话人核验 | 保留 9K 高置信偏好对 | 约束完整推理到语音链条 |
| 全程测试对照 | 中英双语 500 样本测试集 | 最多 5 轮历史加目标句加参考音频 | 500 样本 | 独立评估推理与执行 |
| 评估刻度 | 推理与执行三分法 | 大模型按 1 到 5 分打分 | 1 到 5 分 | 定位失败环节 |
上表的主要收益是把数据准备动作与保留规模对应起来，代价是合成与偏好构造都依赖外部大模型与声学打分模型，任何一个过滤器阈值变化都会改变保留量。未胜出项是第 1 阶段的 LoRA 和第二阶段的全参数微调，论文报告它们在各自阶段不如对手，说明不同阶段对参数容量的需求不同，不能一概而论。
知识蒸馏 × 音色转换： 知识蒸馏负责让能力更强的教师模型先按风格指令生成富有表现力的样本；音色转换负责把这些样本的音色搬到目标说话人身上，同时保留原有的情绪和韵律。搭配原因是教师按指令生成的声音音色不一定是目标说话人，直接拿来训练会教错音色，组合意义是得到风格丰富且身份一致的监督信号。
以下导读帮助理解合成数据管线的输入分支与质量检查闭环，建议先看指令分叉，再看音色转换汇合，最后核对 4 个检查分支。
看图路径： 1. 先从左上黄色框沿箭头看指令与目标文本如何分叉再汇入教师模型；2. 再看右下目标说话人如何与教师输出一起进入音色转换；3. 最后核对绿色质量检查框内四个评估分支的名称与箭头指向
论文图 1。原论文 Figure 1:：“Synthetic Data Generation Pipeline.”。
该图左上黄色框是 CoT 文本与目标文本，分成指令与目标文本两路，一起进入 Qwen3-TTS 语音设计模型。教师输出与右下目标说话人一起进入 Seed-VC，完成音色转换。转换后音频进入绿色质量检查框，框内 4 个分支分别是内容可懂度、说话人相似度、自然度与音质、指令控制评估，最终向左输出高质量蒸馏数据。像素细节显示教师模型标注为 12 Hz 与 1.7B 版本，质量框内 4 个子框并列，箭头最终回指向左侧，构成生成加过滤的闭环。
用什么数据测，用什么指标算，条件一致吗？
评估使用自建的中英双语 500 样本测试集，覆盖多种对话场景。每个样本包含对话历史、目标句和参考说话人音频，历史最多 5 轮。常规客观指标包括词错误率、可懂度方向的 WER、说话人相似度 SIM 和感知质量 UTMOS，WER 越低越好，SIM 和 UTMOS 越高越好。主观指标包括自然度、相似度与上下文相关打分。核心是基于 Gemini 3.1 的大模型裁判框架，沿 3 个维度打 1 到 5 分。
上下文到指令 × 指令到语音： 上下文到指令负责判断思维链是否正确理解了对话历史并得出合理的说话指令；指令到语音负责判断合成语音是否忠实执行了推理结论。搭配原因是端到端好坏分不清是想错了还是说错了，组合意义是把 1 次失败定位到推理环节还是执行环节，为数据和对齐改进指明方向。
下表把评估协议拆成可核对的行，便于复现时逐项准备输入、指标与打分刻度。表前问题是测什么、谁来判、分值范围是什么，公平条件是所有系统走同一测试集与同一裁判提示，指标方向是客观指标与主观分数分开看，不能互相替代。
| 评估对象 | 输入条件 | 判断来源 | 样本与候选规模 | 分数与方向 |
|---|---|---|---|---|
| 上下文到指令推理 | 最多 5 轮历史加目标句 | 大模型裁判 | 500 样本测试集 | 1 到 5 分越高越好 |
| 指令到语音执行 | 推理结论加合成语音 | 大模型裁判 | 500 样本测试集 | 1 到 5 分越高越好 |
| 端到端一致性 | 完整上下文到语音链条 | 大模型裁判 | 500 样本测试集 | 1 到 5 分越高越好 |
| 可懂度初筛 | 每个提示 10 个候选 | 语音识别转写 | 每个提示 10 个候选 | 错误越低越好 |
| 数据起点 | 中英电影对话 | 清洗与蒸馏管线 | 约 16000 小时到 127K 再到 9K | 保留量不直接等于质量 |
上表的主要收益是把推理、执行与端到端分开，避免一个总分掩盖失败位置，代价是大模型裁判本身可能有偏好，且论文未报告裁判与人工的一致性系数。未评测边界包括长于 5 轮的历史、强噪声参考音频和跨语种说话人，这些在原文中没有单独分组报告，复现时不应推广结论。
从基线到最终系统，哪些策略实际可运行且被保留？
论文的主结果是渐进式消融，每 1 阶段都在上 1 阶段最优变体上继续。实际可运行的策略包括官方基线、第 1 阶段全参数续训、第二阶段 LoRA 蒸馏微调、第 3 个阶段 CA-DPO 加监督锚定。搜索最优、事后挑选的最优候选只用于构造偏好对，不直接当作可部署系统，冠军与非冠军的配对在不同训练轮次中轮换失败者以提升泛化。比较时必须保留基线，不能只比较相邻阶段，因为只有基线能说明累计收益。
下表用论文连续原句可覆盖的定性结论与数据规模组织比较，重点是保留基线与每个阶段实际采用的调参方式，避免把中间候选的最优值当成系统收益。表前问题是每 1 阶段的最佳变体是什么、为什么选它，公平条件是后 1 阶段继承前 1 阶段胜者，指标方向是客观指标、模型裁判分数与主观分数分别看。
| 条件 | 阶段动作 | 胜出策略 | 落选对照 | 论文报告的取舍 |
|---|---|---|---|---|
| 第 1 个阶段 | 清洗后继续预训练 | 全参数微调 | 低秩适配 | 全参数更能适应干净声学分布 |
| 第二阶段 | 蒸馏数据监督微调 | 低秩适配 | 全参数微调 | 低秩更能平衡合成与真实数据 |
| 第 3 个阶段 | 上下文感知偏好优化 | 偏好优化加监督锚定 | 纯偏好优化 | 加锚定后全面改进并抑制投机 |
| 数据规模 | 3 阶段保留量 | 约 82% 到 127K 再到 9K | 545K 原始合成 | 过滤后质量优先于数量 |
| 候选构造 | 每个提示采样 | 每个提示 10 个候选 | 单候选直接训练 | 多候选提供胜败对比 |
上表说明的取舍是容量与稳定性的权衡，第 1 阶段需要大容量，第二阶段需要小步调整，第 3 阶段需要锚定。反例是纯偏好优化在没有锚定时，论文报告在感知质量与词错误率上出现轻微退化，原因是奖励投机。限制是原文的数值结果主要载于原表格，本文因原表绑定不可用而未逐格复述分数，复现时应以原文表格与演示页为准，不把阶段胜负推广为所有数据都成立。
拿掉监督锚定会怎样，换一种调参会怎样？
消融的教学价值在于看清每个选择的代价。第一组对照是第 1 阶段的 LoRA 与全参数，论文报告全参数胜出，支持的判断是去噪与重转写改变了数据分布，需要更大更新容量。第二组对照是第二阶段的 LoRA 与全参数，论文报告 LoRA 胜出，支持的判断是合成数据虽多但分布偏向教师，过度适应会损失真实数据的能力。
第三组对照是 CA-DPO 与 CA-DPO 加监督锚定，论文报告加锚定后全面改进，不加锚定的纯偏好优化在部分客观指标上轻微变差，论文将其解释为奖励投机，锚定起到稳定生成质量的作用。这些都是论文直接报告的有限解释，不是因果证明，待验证的是锚定权重 lambda 的最优取值与跨数据稳定性。另一个未胜出项是第二阶段全参数在相似度与部分主观项上的表现，论文未主张它一无是处，只是在综合权衡下选择 LoRA 继续。
失败条件还包括级联过滤的严格性，若语音识别初筛阈值过严或说话人核验过严，偏好对数量会进一步减少，论文未报告阈值扫描，因此复现时应先复用原文管线，再小步调整。
还有哪些没测到，不能承诺什么？
首先是评估依赖，偏好对构造与最终裁判都使用大模型，同一类模型的偏好可能被放大，论文未报告裁判误判率与人工一致性，相关性不等于正确性。其次是成本缺项，原文未给出训练时长、硬件预算、推理延迟与输出帧率，不能承诺该方法更快或更便宜，总体趋势不等于每一步都省时。再次是数据边界，电影领域表现力强但场景集中，测试集为 500 样本且历史最多 5 轮，更长上下文、更嘈杂参考音频与跨语种迁移都未单独验证。
最后是资源状态，演示页当前可用不等于代码与权重可运行，原文未明确开源全部训练代码，复现前需先确认可达性。缺失证据不是技术错误，但在补足验证前，只能说论文报告了超越基线，不能说该方案在所有对话语音任务上最优。
要复现，先准备什么，再跑哪一步？
复现的第一步是准备数据与模型。需要官方挑战赛的约 16000 小时中英电影对话数据，以及 Qwen3-ASR、Qwen3.5-35B-A3B、Qwen3-TTS 语音设计、Seed-VC、WavLM 说话人验证、UTMOS-v2 与 Qwen3-Omni 等外部模型。按原文顺序，先跑 FullSubNet 去噪，再跑 ASR 重转写，最后跑历史与 CoT 一致性过滤，保留约 82% 样本后做继续预训练，优先尝试全参数。第二步是合成 545K 样本并做音色转换，再按可懂度、说话人一致性、音质与风格内容一致性 4 步过滤到 127K，然后用 LoRA 做蒸馏微调。
第 3 步是对每个提示采样 10 个候选，先用 ASR 初筛，再用大模型擂台选冠军，最后用说话人相似度剔除漂移冠军，构造冠军对非冠军的偏好对，共 9K 对，再跑带监督锚定的 DPO。评估时固定 500 样本测试集，同时报告客观指标与三分法裁判分数。常见误解是把冠军候选直接当最终系统，实际上冠军只是训练偏好对的胜者，可部署的是经过 DPO 训练的策略模型。另一个误解是把过滤数量当质量证明，实际上保留量受阈值影响，复现时应记录每个过滤器的通过率。
何时值得尝试这套方法？
当任务同时满足 3 个条件时值得尝试，一是说话风格主要由对话历史隐含决定，二是有一定规模但噪声较大的领域数据，三是能承担多候选采样与大模型打分的成本。如果只有单轮显式指令，单独的指令跟随微调可能更直接，不必引入思维链与偏好对齐。如果数据本身很干净，第 1 阶段的大容量续训收益可能变小，应先做小规模对照。
未来还需补的验证包括裁判与人工的一致性、阈值扫描对保留量与性能的影响、长上下文与噪声参考音频的分组测试，以及训练与推理开销的完整记录。回到中心矛盾，论文用显式推理把理解与执行解耦，再用数据治理修好输入，用偏好对齐修好输出，用三分法评估定位失败，这种分段治理的思路是初学者可以迁移的方法，具体的分数与阈值则应回到原文表格与实际运行中核对。
📎 论文与评分元数据
排名：前50% | 文档类型：系统技术报告 | 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