标签：#病理语音评估 | #模型融合 | #多语言 | #跨语言 | #音频大模型
评分：6.6/10 | 创新 1.3/2 | 技术严谨 1.1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 1/1.5 | 可复现 0.1/0.5 | 工程/实践 0.5/1.5
👥 作者与机构
- Sarthak Giri：机构信息未在 arXiv HTML 中可靠披露
- Zi Haur Pang：机构信息未在 arXiv HTML 中可靠披露
- Tatsuya Kawahara：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
本文处理以语音判断帕金森病（Parkinson’s Disease, PD）的二分类任务，输入为捷克语、德语、西班牙语的元音、朗读与轮替运动语料，输出为话语级患病概率，难点在于病理相关的嗓音与韵律异常细微且跨语言迁移困难。方法链分为三步：先冻结语音大模型并分层抽取音频编码器与大语言模型解码器隐状态，再对每层做时间均值池化后训练任务专用逻辑回归探针以定位信息在层间与编解码阶段的分布。最后用样本自适应的压缩激励模块对冻结编码器各层加权融合，输出融合表示用于分类。与已有零样本提示工作不同，本文不依赖生成文本而直接探测内部表示，并用可学习的层权重替代穷举式最优层搜索，避免单层选择泛化不足与均值池化忽略层间差异。在多语言合并评测下，Qwen2-Audio编码器的AUC为0.911，高于解码器的AUC 0.858。该结论在留一语言外推与小规模病理语料范围内成立，尚未在更大更多样队列与真实临床部署条件下验证。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
- 模型相关资源：https://huggingface.co/fixie-ai/ultravox-v0_5-llama-3_2-1b — 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，这篇解读要保留什么？
本文输入是帕金森病人的语音与健康对照者的语音，输出是对每条语音判为病人或健康对照。论文研究的是语音大模型内部表示是否保留可用于跨语言检测的病理线索，而不是直接让模型说话下诊断。目标读者是刚进入语音或音频病理方向的研究生，因此解读把重点放在可复述的动作上。
必须保留的信息包括 3 类实验条件。第一是语言与任务条件，西班牙语德语捷克语 3 种数据分别包含持续元音朗读与轮替运动速率任务，训练验证测试按说话人无交叠划分。第二是模型冻结条件，所有探测实验只训练轻量下游分类器，预训练模型本身冻结。第三是比较口径，生成解码器探测编码器探测与层聚合在相同测试集上比较。
本解读按学习依赖展开。先讲帕金森语音任务与已有路线，再讲 3 条路径的方法全景，接着走完一个样本从输入到表示到分类的计算。然后讲层聚合的训练实验设置主结果与反证，最后讲复现步骤与适用边界。凡是教学举例会明确标为例子，不把例子当作论文报告的数值。
已有路线在解决什么，为何还要看内部表示？
帕金森病会影响发声构音韵律与时间组织，所以语音被视为一种非侵入的生物标志物来源。白话说，发声指声带振动是否稳定，构音指舌唇下颌运动是否准确，韵律指语调与重音变化，时间组织指停顿与语速安排。传统做法是先算抖动微扰谐噪比等手工特征，再用机器学习分类。
后来语音基础模型被用作特征提取器，论文提到在大规模音频上预训练的模型，其嵌入在帕金森检测上可超过或补充手工特征，也有人做微调与跨语言适配。语音大模型则在基础模型上加了音频语言推理能力，已有帕金森研究多把它们当黑盒，用零样本提示直接生成诊断。问题是生成文本只暴露最后一步，看不到中间是否还保留细微的副语言异常。
语音大模型 × 语音基础模型： 语音基础模型分工是在大规模音频上预训练通用声学表示，供下游取嵌入或微调；语音大模型分工是在音频编码器后增加模态投影与大语言模型解码器，实现音频加文本的推理与生成；搭配理由是前者保留更原始的发音与韵律细节，后者增加指令理解，组合意义在于本文用同一帕金森任务检验病理线索在哪一段保留更多。
理解这组关系后，才能明白本文的对照逻辑。它不是比较谁的绝对分数最高就结束，而是固定数据与冻结条件，检验病理信息在管线哪一段衰减。以及显式给生物标志物文本能否补回损失，这决定了后续应该优化表示还是优化提示。
要回答的具体问题与可检验的层次假设是什么？
本文要回答 3 个可检验问题。第一，直接生成能否可靠区分病人与健康对照，加入手工生物标志物描述后是否稳定提升。第二，编码器表示与解码器表示哪一段保留更多可分性，是只在最优层成立还是在多层平均上也成立。第三，病理线索是集中在某一层还是分散在多层，样本自适应加权能否替代穷举选层。
层次假设是编码器优于解码器优于生成输出。白话说，越靠近声学的一端保留越多发音细节，越靠近语言生成的一端越偏向语义而压缩声学细节。论文用逐层曲线与均值比较来检验该假设，并用显著性检验判断编码器高于解码器是否稳定。
另一个易误解点是跨语言与多语言的区别。多语言是把 3 种语言汇合训练测试，目标语言在训练中出现过。跨语言是留出一整门语言只做测试，训练中完全没见过该语言。两者难度不同，不能把多语言的高分直接理解为跨语言泛化成功。
三条路径与一个聚合模块如何组织成完整对照？
方法全景可沿 1 次实验组织为 3 条路径加一个聚合模块。第一条是音频编码器表示探测，从冻结编码器的每一层取隐藏状态，做时间平均池化后训练任务相关的逻辑回归分类器。第二条是大语言模型解码器表示探测，在音频加提示词的 1 次前向传播中取解码器每一层表示，按序列位置平均后同样训练轻量分类器。
第 3 条是零样本生成评测，不训练分类器，直接让模型读音频并输出病人或健康对照，分为纯音频提示与生物标志物增强提示两种条件。聚合模块是挤压激励层聚合，它不挑选单层，而是对冻结编码器的全部层学一个随样本变化的权重向量。它的对照基线是全层平均与验证集选出的最优单层，训练验证只用训练语言的数据。
下图是管线上各分支的汇合方式导读，重点是看音频主路径在哪里分叉为探测生成与聚合三用，以及文本提示从哪里进入解码器，图中各分支的箭头方向决定了信息流向。
看图路径： 1. 先从左侧音频输入沿箭头走到蓝色音频编码器再经模态投影器进入绿色解码器；2. 再看顶部编码器探测线与中部解码器探测线如何分别接到右侧下游分类器；3. 再看底部样本自适应权重分支如何从各层汇总到加权融合与下游分类器；4. 再看左下声学生物标志物框如何经提示词进入分词器并与音频路径汇合
论文图 1。原论文 Fig. 1:：“Overview of Speech LLM pipeline showing the encoder/decoder representation probing, zero-shot generative output, and the proposed SE-based layer aggregation.”。
从像素可见，主路径自左向右为音频输入到蓝色音频编码器，再经黄色模态投影器进入绿色大语言模型解码器。顶部有一条从编码器直接引到右侧下游分类器的编码器探测线，中部有一条从解码器引出的解码器探测线并继续生成病人或健康对照文本。底部是独立的聚合分支，把各层先做时间平均与特征维度平均得到标量，再经多层感知机与柔性最大化得到样本自适应权重并做加权融合。右下还有任务相关的逻辑回归头，区分轮替运动速率元音与朗读任务，下方紫色框显示声学生物标志物先转为标准化后的文本描述，再经分词器进入解码器。
一个样本走完输入到输出需要经过哪些计算？
先沿一个样本走完全程。假设输入是一条持续元音录音，标签是病人或健康对照。第一步是把音频送入冻结的语音大模型音频编码器，得到每一层的隐藏状态序列。第二步是对该层按时间取平均，得到一个定长向量，再送给该语音任务对应的逻辑回归头，输出该层的判别分数。解码器路径类似，只是输入变为投影后音频加提示词，层表示按序列位置平均。
音频编码器 × 大语言模型解码器： 音频编码器分工是把语音序列逐层变换为按时间帧组织的声学表示；大语言模型解码器分工是把投影后音频与提示词一起按序列位置做语言建模；搭配理由是两段之间必须经过模态投影以对齐维度与语义，新增作用是可生成诊断文本，但本文探测显示这一步也可能是病理细节衰减的位置。
逐层池化的计算目标是把变长序列压缩为定长向量，同时保留该层的平均激活水平。原文实现是简单的时间平均，没有注意力池化，也没有跨任务共享分类器，而是按轮替运动速率朗读持续元音分别训练。评估时按样本所属任务路由到对应分类器，再把所有任务的预测合并计算整体指标。
\[\mathbf{z}_{i}=\frac{1}{T}\sum_{t=1}^{T}\mathbf{H}_{i}[t],\]上式中符号含义为第层隐藏状态按时间下标求平均，得到该层的探测向量。输入是冻结层的序列输出，计算目标是消除时长差异，原文明确的实现是均值池化。需要说明的缺项是解码器取哪些位置没有逐词说明，只说对序列维度平均，复现时应固定相同的提示模板。
层探测 × 挤压激励层聚合： 层探测分工是冻结每一层表示并只训练轻量分类器，用逐层分数定位信息所在；挤压激励层聚合分工是先把每层压缩为标量再学习样本相关的权重，对多层加权融合；搭配理由是单层最优需要穷举且跨语言不稳定，组合意义是用可学习加权代替人工选层，检验线索是集中还是分散。
层聚合的输入是全部编码器层的 3 维张量，维度分别为层数时间帧数与特征维。第一步是对每层同时在时间与特征维上平均，得到每层一个标量，组成层摘要向量。第二步是把该向量送入两层感知机与柔性最大化，得到归一化层权重。第三步是用权重对各层原始表示加权求和，得到融合表示。
\[s_{i}=\frac{1}{TF}\sum_{t=1}^{T}\sum_{f=1}^{F}H_{i,t,f},\quad\mathbf{s}=[s_{1},s_{2},\ldots,s_{N}]\in\mathbb{R}^{N}.\]上式把每层压缩为标量，输入是该层的时间特征矩阵，目标是得到可比较的层强度摘要。原文实现是双重平均，未报告归一化细节，复现时应保持同一模型的层数与隐藏维度 1 致，避免引入额外差异。
\[\mathbf{a}=\text{softmax}\!\left(\mathbf{W}_{2}\,\text{ReLU}(\mathbf{W}_{1}\mathbf{s})\right),\quad\mathbf{a}\in\mathbb{R}^{N}\]上式中可学习参数为两层感知机的权重矩阵，输入是层摘要向量，目标是输出和为一的层权重。原文只训练该轻量模块，编码器保持冻结，梯度路径不进入主干，这是与微调的本质区别。
\[\tilde{\mathbf{H}}=\sum_{i=1}^{N}a_{i}\mathbf{H}_{i}\]上式是加权融合，输入是各层表示与样本自适应权重，目标是得到兼顾多层的融合表示，再送下游分类器。原文用小型神经头训练该模块，未报告完整超参数表，复现时需先固定学习率与早停策略再调隐藏维度。
哪些参数训练，哪些冻结，监督从哪里来？
本研究没有端到端微调语音大模型或基础模型。明确未训练的是音频编码器模态投影器与大语言模型解码器的全部预训练参数，它们在探测与聚合中均冻结。实际训练的只有两类轻量部件，一类是逐层逐任务的逻辑回归分类器，另一类是层聚合模块的两层感知机与下游分类头。
监督来源是语音条目的病人或健康对照标签。训练时按任务分头进行，每层每个任务一个分类器，用对应任务的训练样本学习两类边界。评估时按样本任务路由，再合并计算整体曲线下面积与平均召回率。原文未给出逻辑回归正则强度优化器学习率与训练轮数的完整清单，这是复现时需要补记的缺项。
生成路径没有训练阶段。实际计算是固定提示模板做 1 次前向加自回归生成，再把文本解析为两类。生物标志物增强提示的监督并不进入参数更新，只是把筛选后的特征描述作为额外文本与音频一起输入。特征筛选本身用斯皮尔曼相关在训练侧统计，与生成模型的权重更新无关。
数据划分模型与指标如何保证可比？
数据来自特别会议提供的 3 套帕金森语音，语言为捷克语德语与西班牙语哥伦比亚语料。任务覆盖持续元音朗读与轮替运动速率，所有训练验证测试划分按说话人无交叠组织，指标在语音条目级别计算。评估协议包括多语言混合与留一语言跨语言两种，跨语言是德加捷测西西加捷测德西加德测捷 3 种。
多语言混合训练 × 留一语言交叉语言评测： 多语言混合训练分工是把 3 种语言按说话人无交叠汇合训练与测试，测量见过目标语言分布时的上限；留一语言交叉语言评测分工是用两种语言训练验证而第 3 种语言整体留出测试，测量跨语言泛化；搭配理由是只有同时报告两者才能区分表示能力不足还是语言迁移不足，组合意义是本文所有路径在同一划分下可比。
下表是原文报告的语音条目分布，按语言任务与类别计数为病人比健康对照。阅读时先确认行是语言列是任务，格内是类别比，再核对西班牙语持续元音量明显多于其他任务。公平条件是生成解码器探测编码器探测与层聚合使用相同测试集，超声波模型的资源状态经核对为当前可用。
| Language | Sustained Vowel | Read | DDK |
|---|---|---|---|
| Spanish | 450/447 | 90/90 | 90/90 |
| German | 176/175 | 88/88 | 150/88 |
| Czech | 100/100 | 100/100 | 100/100 |
表后解释需要强调两点。第一，样本量不均衡意味着整体分数会被大任务主导，复现时除报告整体分数外应同时记录分任务分数。第二，说话人无交叠意味着不能按条目随机划分，复现必须先按说话人分组再划分，否则会因同一人出现在训练与测试而高估，这是初学者最易犯的错误。
模型包括 4 个语音大模型与 3 个语音基础模型对照。语音大模型为音频问答模型多模态模型超声波系列模型与全模态模型，基础模型为大耳语跨语言语音表示与胡伯特大模型。表示探测与聚合报告曲线下面积与非加权平均召回率，生成只报告离散预测的非加权平均召回率。统计显著性用单侧配对的说话人级别自助法 10000 次重采样并做错误发现率校正。
受试者工作特征曲线下面积 × 非加权平均召回率： 受试者工作特征曲线下面积分工是度量不同阈值下排序能力，越高表示两类越可分；非加权平均召回率分工是对两类召回率取平均，避免样本不均衡掩盖少数类；搭配理由是前者看连续分数的整体可分性，后者看离散判定的类别公平性，组合意义是本文对表示探测同时报告两者，对生成只报告后者。
生物标志物的构造也需交代。它先收集已有研究中的声学生物标志物，再按每种语言算特征与标签的斯皮尔曼相关，保留在至少一门语言显著且至少两门语言方向一致的特征。指标方向是曲线下面积与平均召回率越高越好，生成随机基线约 0.5 附近。
生成编码器与解码器的主结果支持什么判断？
先看生成路径。下表比较零样本生成的两种提示条件，指标方向是越高越好，随机基线约 0.5。公平条件是同一测试集与同一离散解析规则，比较对象是纯音频提示与生物标志物增强提示在 4 个模型与 4 个设置下的表现。
| Model | Setting | Audio Only | Biomarker Guided |
|---|---|---|---|
| Qwen2-Audio | Multi | 0.550 | 0.513 |
| Qwen2-Audio | ES | 0.558 | 0.551 |
| Qwen2-Audio | CS | 0.497 | 0.498 |
| Qwen2-Audio | DE | 0.485 | 0.473 |
| Phi-4 | Multi | 0.540 | 0.523 |
| Phi-4 | ES | 0.512 | 0.581 |
| Phi-4 | CS | 0.500 | 0.518 |
| Phi-4 | DE | 0.500 | 0.497 |
| Ultravox | Multi | 0.489 | 0.498 |
| Ultravox | ES | 0.526 | 0.507 |
| Ultravox | CS | 0.510 | 0.500 |
| Ultravox | DE | 0.529 | 0.511 |
| Qwen2.5-Omni | Multi | 0.500 | 0.500 |
| Qwen2.5-Omni | ES | 0.520 | 0.500 |
| Qwen2.5-Omni | CS | 0.460 | 0.516 |
| Qwen2.5-Omni | DE | 0.500 | 0.518 |
表后解释是生成通路不足以做可靠临床检测。表中多数格子贴近随机，生物标志物增强提示没有跨模型与跨语言的一致提升。论文讨论的可能原因是语音大模型为通用音频语言理解训练，未专门学习细微病理线索的联合解释。未胜出项很明确，即使在多语言测试上，生成分数也远低于表示探测分数，因此后续分析转向内部表示。
再看表示探测。下图是音频问答模型逐层曲线下面积随层序号的变化，横轴为层序号，纵轴为曲线下面积，颜色区分多语言与 3 种跨语言设置，实线为音频编码器，虚线为大语言模型解码器。图前导读要求先确认对象与范围，同一模型同一指标 4 个设置同时画出，中间竖线为声学到语言模型的投影边界。
看图路径： 1. 先确认横轴为层序号纵轴为曲线下面积实线为音频编码器虚线为解码器；2. 再比较同一颜色在中间投影边界左右两侧的纵轴落差；3. 再比较橙色多语言曲线与其他三条跨语言曲线的高低与波动幅度
论文图 2。原论文 Fig. 2:：“Layer-wise probing AUC for Qwen2-Audio across encoder and decoder layers.”。
从像素可见，橙色多语言曲线整体最高，编码器段缓慢上升并在中后段保持高位，到投影边界处有向下箭头标注边界下降，进入解码器段后整体下移但仍平稳。蓝色德加捷测西与红色德加西测捷曲线在编码器段波动大有明显峰谷，解码器段低于各自编码器峰值。绿色西加捷测德曲线整体最低，编码器与解码器差距较小。纵轴是原始曲线下面积，向上为好，不能把跨语言曲线的波动直接读成训练不收敛。
下表把编码器关键可运行分数整理为宽表，便于核对层次假设。列分别为条件指标与不同模型的可比口径，数值保留原文精度。公平条件是冻结模型加轻量分类器，同一划分与同一指标，比较时注意多语言与跨语言难度不同。
| 条件 | 指标 | 音频问答模型 | 超声波系列模型 | Phi 多模态模型 |
|---|---|---|---|---|
| 多语言 | 曲线下面积 | 0.911 | 0.887 | 0.865 |
| 多语言 | 平均召回率 | 0.851 | 0.801 | 0.804 |
| 德加捷测西 | 曲线下面积 | 0.828 | 0.721 | 0.671 |
| 德加捷测西 | 平均召回率 | 0.719 | 0.653 | 0.614 |
| 德加西测捷 | 曲线下面积 | 0.755 | 0.724 | 0.733 |
| 德加西测捷 | 平均召回率 | 0.643 | 0.648 | 0.657 |
表后解释是编码器在多数模型与设置上高于解码器，且多层平均上也多为编码器更高，支持病理线索在投影后衰减的判断。具体代价是跨语言绝对值明显低于多语言，说明见过目标语言与否影响很大。例外是语音到语音的全模态模型在个别跨语言设置下解码器略高，论文推测与其语音到语音结构有关。与基础模型相比，语音大模型编码器在多语言上多优于基线，但在部分跨语言方向上后者反超。
层聚合相对平均与单层最优带来什么？
消融比较的对象是 3 个实际可运行策略，全层平均表示验证集选出的最优单层表示与样本自适应挤压激励聚合表示。指标仍是曲线下面积与平均召回率，公平条件是聚合模块与最优单层都只用训练语言的数据选择或训练，再在留出语言上评测。论文报告聚合在多数模型与设置组合上优于两者，并在多处达到统计显著。
需要区分两种最优。逐层探测中的最优是事后在测试集上取最高，用于描述上限。聚合比较中的最优是用验证集曲线下面积选出再到测试集评测，属于可部署策略。后者分数通常低于前者，不能把事后最优当作可部署收益。原文指出聚合超过验证集最优的例子包括音频问答模型在部分跨语言方向，以及多模态模型在多语言方向。
未胜出项与边界必须保留。超声波系列与全模态模型在部分跨语言方向上聚合提升有限，基础模型侧的提升也不保证每个方向显著。这说明样本自适应加权不是万能，它减少穷举搜索的需要，但在目标语言完全未见且声学分布差异大时，仍不能把跨语言分数拉回多语言水平。复现时应同时报告平均最优单层与聚合三者，并标注显著性方法。
哪些是直接报告，哪些是待验证推测？
直接报告的是三点。在相同测试集上，生成分数接近随机且生物标志物提示无一致增益。编码器表示在多数模型与设置上高于解码器，且在均值与最优层两种口径下多成立。样本自适应聚合在多数组合上优于平均与验证集最优单层，这些有数字与显著性标记支持。
有限解释的是衰减机制。论文用投影边界处的分数下降支持声学到语言投影压缩副语言信息的说法，但这仍是相关性证据，不是因果证明。未测量投影矩阵的秩信息瓶颈或注意力变化，也未做干预实验，因此只能说支持而不能说已证明投影必然导致丢失。语音到语音模型的例外也只给出结构差异的可能原因。
未验证的边界包括 3 类。第一是任务与语言覆盖，仅三门语言与 3 类任务，不能推广到自发对话或更大更多样的数据。第二是成本与部署，未报告训练资源推理开销输出帧率与实际延迟，不能承诺聚合或探测在临床设备上更优。第三是误判代价，未测量假阴性与假阳性在筛查中的实际影响，不能把曲线下面积提升直接等同于临床获益。
复现时先做什么，后做什么，如何核对每一步？
第一步是还原数据与划分。按说话人无交叠重建多语言与 3 种留一语言划分，核对每语言每任务的病人比健康对照数与原文分布一致，再固定随机种子。常见错误是按条目随机划分导致同一说话人跨训练测试，必须先分组再划分，否则会系统性高估。
第二步是固定模型与取表示位置。对 4 个语音大模型保持权重冻结，编码器逐层取隐藏状态并做时间平均，解码器在音频加提示词的 1 次前向中取各层并按序列平均。提示模板生物标志物文本的标准化方式与取平均范围必须与原文一致，否则层间曲线不可比。超声波模型的权重本次可从公开地址获取，复现时记录版本号与下载日期。
第三步是训练与评测。按任务分别训练逻辑回归头，评估时按任务路由再合并计算整体曲线下面积与平均召回率。聚合模块只用训练语言训练验证，最优单层用验证集曲线下面积选择，两者都在留出语言上评测。显著性用说话人级别自助法 10000 次重采样并校正。核对顺序是先复现生成接近随机的基线，再复现编码器高于解码器的层次。
第四步是补记缺项。原文未完整给出逻辑回归正则聚合感知机隐藏维度学习率早停与硬件预算，复现报告应明确写出所用值与搜索范围。并区分代码开源权重下载和系统可运行三件事，避免把能下载权重等同于能一键运行全流程，这是可核对解读必须保留的边界。
何时值得尝试这种方法，何时应换路线？
当任务是跨语言病理语音检测且已有语音大模型可用时，值得优先尝试冻结编码器加轻量分类器的探测，而不是直接用生成下诊断。当逐层分数显示中层高首尾低且跨语言峰位漂移时，值得尝试样本自适应层聚合以代替穷举选层。当已有手工生物标志物时，可以将其作为分析对照，但不应默认拼进提示就会提升生成。
下表整理生物标志物筛选后的任务结构，便于判断何时引入手工特征作为对照。重点不是背特征名，而是复现筛选口径与任务归属，特征总数与任务分布决定了提示文本的长度与覆盖面。
| 任务 | 覆盖维度 | 特征总数 | 代表特征 | 筛选口径 |
|---|---|---|---|---|
| 持续元音 | 发声稳定性 | 17 | 抖动微扰谐噪比 | 跨三语言相关筛选后总数为 17 |
| 轮替运动速率 | 构音 timing 与节律 | 17 | 速率规律性突发变异 | 跨三语言相关筛选后总数为 17 |
| 朗读 | 韵律与流畅度 | 17 | 语速停顿比基频范围 | 跨三语言相关筛选后总数为 17 |
| 全部 3 类任务 | 发声构音韵律 | 17 | 静音比音高变异 | 跨三语言相关筛选后总数为 17 |
表后解释是该特征集同时用于生成提示的文本增强，但本文生成结果并未显示稳定增益，因此不能把特征数量多理解为提示一定更强。当目标是临床部署或筛查决策时，应换更完整的路线。需要补更大更多样的数据验证分任务与分语言的误差分析误判代价评估以及延迟与算力预算。记住可复述的方法链条，固定划分冻结主干分任务训练轻量头，同一测试集比较 3 条路径，再用可部署的验证集选层口径检验聚合。
📎 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