英文题目：Multimodal Emergency Vehicle Classification via Audio-Visual Transformers and Knowledge Distillation
标签：#音频分类 | #多模态学习 | #知识蒸馏 | #Transformer | #音视频
评分：5.4/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.6/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.6/1.5
👥 作者与机构
- Vijay John：机构信息未在 arXiv HTML 中可靠披露
- Amar Dabaja：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
紧急车辆分类需同时利用警笛声音与车辆外观，输入为10秒音视频片段，输出为救护车、消防车、警车与道路背景四类标签，难点在于单模态在城市噪声、夜间与遮挡下会系统性失效。AVNet方法链分为三步：音频谱图Transformer与视频Vision Transformer先分别编码各自模态并输出单模态表示，随后按秒对齐的交叉注意力将每帧视频查询与同秒音频键值融合为联合序列，最后经时序Transformer池化得到融合判别结果，缺失模态则以可学习的空嵌入替代。与全局拼接或全序列交叉注意力不同，该设计将物理时间对应直接固化为索引对齐，无需学习对齐机制且保留秒级结构。在Google AudioSet构成的281片段测试集上，音视频融合分支总体准确率为66.6%，相对音频分支56.2%提升10.4个百分点，相对视频分支51.6%提升15.0个百分点。结论仅适用于低分辨率短片段的四分类封闭测试，尚未验证开放道路噪声、远距离小目标与实时流式条件下的外推能力。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
自动驾驶为什么要在噪声和黑夜里仍然认出应急车辆？
输入是自动驾驶与智能交通中的感知请求：当救护车、消防车或警车接近时，附近车辆必须及时让行。目标是把一段 10 秒左右的路边记录判定为救护车、消防车、警车或道路背景 4 类之一。
必须保留的信息是判定不能只依赖单一传感器。原文明确指出两种系统性失效：麦克风系统在嘈杂城市环境中失效，摄像头系统在夜间或遮挡下失效。
输出是这篇解读要交付的内容：沿着一个样本从波形与视频帧到谱图、token、融合与损失的完整可复述路径，并讲清实验条件与反例。对于刚入门的读者，关键是先建立多模态互补的直觉。
声音携带警笛频率调制模式，画面携带车辆外形与闪灯信息，二者在不同条件下各有优劣。论文要解决的不是把声音丢给模型就结束，而是让一个统一模型在 3 种情况下都能给出有效输出。
这 3 种情况是音频缺失、视频缺失或双模态齐全。后续各节按学习依赖展开，先讲任务与路线，再讲全景与组件，然后讲训练与数据，最后讲结果、限制与复现。
本文没有收到代码、模型或数据公开的可用资源声明。因此所有复现讨论只依据原文报告的划分、预处理与超参数，不声称有可下载实现。
同输入同目标的已有路线与本文位置有何不同？
按同输入、同目标、同监督来对照，已有路线可分为纯音频与纯视频两条。纯音频路线以麦克风加声学分类为代表，输入是波形或谱图，目标是识别警笛类型。
该路线优点是在遮挡或夜间仍可工作，缺点是城市噪声、低信噪比与远距离衰减会淹没警笛。纯视频路线以摄像头加图像或视频分类为代表，输入是帧序列，目标是识别车辆外观与灯光。
该路线优点是不受声学噪声影响，缺点是低分辨率、遮挡与夜间失效。AVNet 的位置是双输入单任务的融合路线：输入同时是 10 秒音频与 10 帧视频，目标仍是四分类。
但运行阶段要求兼容 3 种缺失条件。监督上它不同于直接端到端三目标混训，而是先独立训练更深的单模态教师，再用软分布监督融合分支。
原文还提到可替换的更强路线，例如用 wav2vec 2.0 做音频初始化、用 VideoMAE 或 TimeSFormer 做视频初始化。但本文实际并未采用这些预训练，只是作为未来方向提出。
因此在比较时不能把本文结果理解为与预训练大模型的同条件对比。它的基线是自身音频分支、视频分支与融合分支在同一测试集上的对照。
四分类任务的输入、输出与缺失条件如何形式化？
形式化地说，每个样本是 1 对观测：一段 10 秒波形与一段 10 秒视频。预处理后音频变成形状为 1 乘 128 乘 430 的对数梅尔谱，视频变成形状为 10 乘 3 乘 64 乘 64 的帧张量。
模型要输出 4 维 logits，对应救护车、消防车、警车、道路背景。举一个教学例子而非原文数据：假设某片段第 3 秒出现电子警笛的上升沿，同时第 3 秒帧中出现小型车辆与蓝色闪光。
理想模型应把两条线索在同一秒内关联起来，而不是把整段音频的平均能量与整段视频的平均颜色简单拼接。难点在于三点。第一是时间对应：音频采样密集而视频每秒仅 1 帧，需要明确哪一段音频对应哪 1 帧。
第二是缺失推理：测试时可能只有麦克风或只有摄像头，模型不能因为缺一路输入就崩溃。第三是优化冲突：如果同时学好音频特征、视频特征与融合规则，梯度会在 3 个目标间被稀释。
AVNet 用确定性秒级对齐解决第一个问题，用学习型空嵌入解决第二个问题，用 2 阶段蒸馏解决第 3 个问题。评价时整体准确率是主要指标，随机猜测为 25.0%，方向是越高越好。
但必须分清整体准确率与分课堂准确率的不同聚合对象。整体准确率是对 281 个片段求平均，分课堂准确率是在每类内部求平均。
AVNet 的三条分支与一次前向如何走通？
AVNet 全景由三部分组成：音频谱变换器分支处理谱图，视频视觉变换器分支处理帧序列，对齐交叉模态融合模块处理两路 token。先沿一个完整样本走一遍。
波形先转成梅尔谱图，进入音频分支后被切块编码，产生音频分支 logits 与 864 个音频 token。视频帧进入视频分支后先做空间编码再做时间编码，产生视频分支 logits 与 10 个视频 token。
两组 token 进入融合模块，按秒做交叉注意力后再做时间融合，产生最终融合 logits。训练时 3 组 logits 都有监督，推理时按可用模态选择是否用空嵌入替代。
下图是理解该路径的唯一像素依据，阅读时先看主路径再看训练用的分支输出，重点核对 3 组 logits 的形状与箭头走向。
看图路径： 1. 先沿左上音频波形箭头走到梅尔谱图，再进入 AST 分支，确认音频 token 形状为 B 逗号 864 逗号 D；2. 再沿右上视频箭头走到帧张量，进入 ViT 分支，确认视频 token 形状为 B 逗号 10 逗号 D；3. 核对两路 token 汇入下方对齐交叉模态融合框，确认框内标注查询来自视频并输出融合 logits
论文图 1。原论文 Figure 1:：“AVNet architecture. The AST branch processes audio spectrograms and the ViT branch processes video frames.”。
该图左侧显示音频从 10 秒波形到 1 乘 128 乘 430 谱图，再到包含切块、类别标记与位置嵌入、6 个变换器块的音频分支，输出音频 token 与音频分支 logits。右侧显示视频从 10 秒视频到 10 乘 3 乘 64 乘 64 帧，再到包含空间变换器与时间变换器的视频分支。
下方融合框明确标注时间对齐、查询来自视频、时间融合 3 步，最终输出融合 logits。虚线表示的分支 logits 只在训练中使用，这与正文说分支 logits 用于训练是一致的。记住这个形状对应关系，后续秒级对齐与缺失替换都建立在它之上。
音频与视频各自如何变成可按秒索引的 token？
音频分支把谱图当作 2 维图像处理。原始谱图在时间轴上有 430 列，先补齐到 432 列以便被 8 整除，再按 8 乘 8 切成不重叠小块。频率方向 128 除以 8 得到 16 块，时间方向 432 除以 8 得到 54 块，总计 864 个 token。
每个小块展平后经线性层映射到维度 D。token 按行优先存放，时间在外层、频率在内层，因此第 i 秒的音频 token 恰好位于索引 80i 到 80i 加 80 区间内。
因为每秒约 5 个时间块乘 16 个频率块等于 80。这种可预测布局是后续无需学习对齐的关键。编码时先加一个可学习的类别标记使长度变为 865，再加位置嵌入。
随后过 6 个变换器块，类别标记经线性层得到音频分支 logits，其余 864 个 token 送往融合。
\[N_{f}=128/8=16\text{ (frequency patches)},\quad N_{t}=432/8=54\text{ (time patches)},\quad N_{\text{audio}}=N_{f}\times N_{t}=864\text{ tokens}\]上式给出频率块数、时间块数与总 token 数的算术，是复现切块时必须核对的计算目标。视频分支采用 2 阶段做法，每帧 64 乘 64 按 8 乘 8 切分，每帧 64 块。
共享的空间变换器把批量乘 10 帧当作大批量并行处理，取每帧类别标记得到 10 个帧级表示。随后加时间位置嵌入，过 3 个时间变换器块，在均值池化前保留 10 个时序 token 用于融合。
池化后经线性层得到视频分支 logits。空间与时间各 3 块的均分设计让外观与运动有各自的特征层级。
对数梅尔谱 × 音频谱变换器分支： 对数梅尔谱负责把 10 秒波形变成时间乘频率的 2 维表示，让频率调制结构显式可见；音频谱变换器分支负责把该谱图切成 8 乘 8 小块并做自注意力编码，输出分类 logits 与 864 个音频 token；二者搭配的原因是谱图保留了警笛的时频形态而变换器能建模长程依赖，组合后形成可按秒索引的音频 token 序列，供融合按时间取用。
视频视觉变换器分支 × 时空 2 阶段编码： 视频视觉变换器分支负责把 10 帧 64 乘 64 图像变成可融合的视频 token；时空 2 阶段编码是其内部做法，先用共享的 3 块空间变换器在单帧内学外观，再用 3 块时间变换器在 10 个帧级表示之间学运动关系；搭配的原因是把帧内与帧间解耦更省样本，组合后在均值池化前保留 10 个时序 token，使每 1 秒都有一个可作为查询的视频表示。
融合如何做到每秒只查对应音频并容忍缺失？
融合模块不做全局拼接，也不做全量交叉注意力，而是做逐秒对齐交叉注意力。对第 t 秒，查询是第 t 秒的视频 token，键与值是同一秒的 80 个音频 token。
输出是一个融合 token。10 秒得到 10 个融合 token，再堆叠成序列过 4 个时间变换器块，均值池化后经线性分类器得到融合 logits。这种设计的物理依据是采样对应。
第 t 帧采自第 t 秒中点，而梅尔谱每秒约 43 列，对应 5 个时间块乘 16 频率块的 80 个 token。对齐是预处理与切块共同保证的确定性对应，不需要学习。
缺失处理靠两个可学习参数：替代全部音频序列的空嵌入与替代视频 token 的空嵌入。训练时以一定概率随机把某模态替换为空嵌入，迫使模型学出有意义的替代表示。
推理时若某模态缺失就直接填入对应空嵌入，保证融合模块始终有有效输入。原文未报告模态丢弃的具体概率值，这是复现时需要补记的缺项，不能自行假设为固定数值。
对齐交叉模态融合 × 学习型空嵌入： 对齐交叉模态融合负责让第 t 秒视频 token 只查第 t 秒的 80 个音频 token，再用 4 块时间变换器整合成融合表示；学习型空嵌入负责在缺模态时替代整段音频或视频 token；搭配的原因是融合依赖固定位置对应，而缺失会破坏该对应，组合后同一融合模块在音频缺失、视频缺失或双模态齐全时都能产生有效输出，无需重新训练。
两阶段蒸馏如何把教师的类间判断交给融合分支？
训练分 2 个阶段。第一阶段独立预训练两个更深的教师：音频教师与视频教师的空间与时间编码器深度均为 6 块，分别在纯音频与纯视频批量上训练 30 轮。
每轮在测试集上评估对应单模态模式并保留最优检查点，随后冻结。第二阶段训练完整学生 50 轮，每批随机指定模态模式，25% 纯音频、25% 纯视频、50% 双模态。
每轮在融合分支的双模态模式上评估并保留最优。损失按模态模式切换：在纯音频时监督音频分支与融合分支并用音频教师蒸馏融合，在纯视频时监督视频分支与融合分支并用视频教师蒸馏融合。
在双模态时同时监督 3 分支并用音频教师、视频教师与二者平均的集成教师共同蒸馏融合。蒸馏权重为 1.0，分类与蒸馏目标等权。分类损失是带 0.1 标签平滑的交叉熵，避免模型对正确类过度自信。
温度 T 等于 4 同时用于教师与学生的软化。
\[\tilde{p}_{c}(T)=\frac{\exp(z_{c}/T)}{\sum_{c^{\prime}}\exp(z_{c^{\prime}}/T)}\]上式说明温度缩放如何把原始 logits 变成更平滑的软分布，T 等于 1 退化为普通 softmax，T 大于 1 揭示类间结构。
\[\mathcal{L}_{\text{KD}}(s,t;T)=T^{2}\cdot D_{\text{KL}}\!\left(\tilde{p}^{(t)}\,\|\,\tilde{p}^{(s)}\right)=T^{2}\sum_{c=1}^{C}\tilde{p}^{(t)}_{c}\log\frac{\tilde{p}^{(t)}_{c}}{\tilde{p}^{(s)}_{c}}\]上式是带 T 平方前置因子的 KL 散度蒸馏损失，前置因子用于抵消高温 softmax 反向传播中自然出现的 T 平方分之一衰减，使蒸馏与分类梯度量级可比。
\[\mathcal{L}_{\text{CE}}(s,y)=-\sum_{c}\tilde{y}_{c}\log\sigma(s_{c})\]上式是分类损失，预测分布与平滑后标签做交叉熵。教学例子：警车独热标签为 0 逗号 0 逗号 1 逗号 0，而训练好的音频教师可能输出 0.15 逗号 0.07 逗号 0.72 逗号 0.06。
后者告诉学生警车在听感上接近救护车而远离道路噪声，这部分类间相似即暗知识。
知识蒸馏 × 暗知识： 知识蒸馏负责让冻结的单模态教师用软概率分布监督学生的融合分支；暗知识指软分布中类间相似度的细微差别，例如警车在听感上更接近救护车而远离道路噪声；搭配的原因是硬独热标签丢掉了类间关系，组合后学生不仅学对错，还复制教师对相似结构的判断，从而改善泛化。
温度缩放 × KL 散度损失： 温度缩放负责把教师与学生 logits 除以 T 等于 4 后再做 softmax，使分布变平滑以暴露被峰值掩盖的类间信息；KL 散度损失负责度量学生软分布与教师软分布的差异并乘以 T 平方以抵消梯度缩小；搭配的原因是高温下梯度天然变小，组合后蒸馏信号与分类信号在量级上可比，训练不会忽略教师监督。
数据从哪里来、切成什么形状、测试集如何构成？
数据来自谷歌 AudioSet 的大规模弱标注音频事件集，每样本为 10 秒视频并带有 632 类层级本体中的一个或多个标签。弱标注指只标存在不给时间戳。
本文使用 4 类：救护车、消防车、警车与合并 8 个道路交通背景标签的道路类。片段用下载工具获取为 MP4，按固定随机种子切分 90% 训练与 10% 测试。
有效训练集约 2528 个片段，规模小于完整 AudioSet 主因是部分视频已删除或不可用。音频预处理采用 22050 赫兹采样、1024 点傅里叶窗、512 点跳长、128 个梅尔滤波器。
输出 1 乘 128 乘 430 并归一化到负 1 到 1。视频每秒中点采样 1 帧，时刻为 0.5 逗号 1.5 直到 9.5 秒，每帧缩放到 64 乘 64 并按 ImageNet 均值方差归一化。
输出 10 乘 3 乘 64 乘 64。小分辨率是为了在显存约束下控制模型规模，但会丢掉细粒度细节。下表是类别与标签构成，阅读时确认道路类是合并类而非单一标签，指标方向是样本数越多估计越稳。
| Class | AudioSet Label ID | Test Samples |
|---|---|---|
| Ambulance | /m/012n7d | 61 |
| Fire Engine | /m/012ndj | 70 |
| Police Car | /m/01jwx6 | 74 |
| Road (8 combined labels) | — | 76 |
| Total | 281 |
该表列出 4 类的标签编号与测试样本数，总计 281，其中道路类 76 个来自 8 个合并标签，说明背景类内部本身具有多样性。训练划分与预处理形状共同决定了秒级对齐是否成立。
测试集构成进一步按比例呈现，4 类大致均衡，因此整体准确率可作为有意义的汇总指标，但仍需结合分课堂准确率看短板。
| Class | Samples | Proportion |
|---|---|---|
| Ambulance | 61 | 21.7% |
| Fire Engine | 70 | 24.9% |
| Police Car | 74 | 26.3% |
| Road | 76 | 27.0% |
| Total | 281 | 100% |
该表给出测试集中每类样本数与占比，救护车 61 个占 21.7%，消防车 70 个占 24.9%，警车 74 个占 26.3%，道路 76 个占 27.0%，合计 281 个占 100%。均衡性支持用整体准确率做主指标。
但救护车样本最少，其分课堂估计方差相对更大，解读提升幅度时需注意样本量差异。嵌入维度 D 为 128，头数为 4，优化器为 AdamW，学习率为 10 的负 4 次方。
权重衰减 0.05，余弦退火调度，梯度裁剪 1.0，批量大小 8，这些预算条件限制了模型容量与训练稳定性。
融合相对单模态提升多少、代价是什么？
要回答的核心问题是：在同一 281 片段测试集上，双模态融合是否超越任一单模态，以及提升是否均匀。比较条件是 3 分支在双模态输入下同时激活，单模态分支准确率可作为基线。
指标方向越高越好，随机基线为 25.0%。下表是整体准确率对照，表中同时保留音频分支、视频分支与融合分支三列，以便 1 次核对互补增益。
| 评估条件 | 评价指标 | 音频分支 | 视频分支 | 融合分支 |
|---|---|---|---|---|
| 双模态测试，共 281 片段 | 整体准确率 | 56.2% | 51.6% | 66.6% |
| 双模态测试，共 281 片段 | 相对音频分支提升 | 0 | 0 | +10.4% |
| 双模态测试，共 281 片段 | 相对视频分支提升 | 0 | 0 | +15.0% |
该表报告显示融合分支为 66.6%，音频分支为 56.2%，视频分支为 51.6%，融合相对音频提升 10.4 个百分点，相对视频提升 15.0 个百分点。两单模态均明显高于随机猜测。
这说明各模态单独携带判别信息，而融合的增量支持 2 模态互补而非冗余的判断。代价在分课堂表中可见，并非所有类都受益。下表是分课堂准确率对照。
| Class | AST (Audio) | ViT (Video) | Fusion | Samples |
|---|---|---|---|---|
| Ambulance | 34.4% | 34.4% | 63.9% | 61 |
| Fire Engine | 65.7% | 58.6% | 57.1% | 70 |
| Police Car | 64.9% | 54.1% | 78.4% | 74 |
| Road | 56.6% | 56.6% | 65.8% | 76 |
| Overall | 56.2% | 51.6% | 66.6% | 281 |
该表报告显示融合在 4 类中 3 类最优：警车 78.4% 最高，道路 65.8%，救护车 63.9%，但消防车融合 57.1% 低于纯音频 65.7%。救护车从双单模态的 34.4% 跃升到 63.9%。
提升 29.5 个百分点，是最难类上最大的单类增益，支持交叉注意力在双模态模糊时解歧的解释。消防车的反例说明当视觉 token 含噪声或遮挡时，融合可能被误导。
这是必须保留的未胜出项，不能只报平均提升。
哪些类最依赖互补、哪类反而被融合拖累？
按问题组织：测的是分课堂上音频、视频与融合的差异，比较对象是同一测试集上的 3 个分支，条件一致，指标为分课堂准确率。警车融合最高。
原文解释为声学上电子啸叫模式独特，视觉上紧凑车身加蓝色闪灯也独特，双模态一致增强时融合受益。救护车单模态均仅 34.4%，略高于随机。
原文归因于视觉上易与白色厢式车混淆、听觉上与消防车频段重叠且低信噪比时易与路噪混淆，融合接近翻倍说明音频与视频互相解歧。道路类双单模态均为 56.6%，融合到 65.8%。
这符合双模态中等信息量时的一般增益趋势。消防车是失败条件：纯音频 65.7% 最强，融合反而下降，原文推测低频连续音在听觉上独特。
但红色大卡车外观在低分辨率或遮挡下可能提供冲突信息。训练与部署成本的证据是模型容量与数据规模：D 为 128 是为适配 8 吉字节显存。
且当前实现按整批多数投票指定，更细粒度的逐样本独立指定被列为未来改进，复现时不应自行改为逐样本而声称与原文一致。蒸馏权重 1.0 与温度 4.0 是关键。
在什么边界下结论不再成立、还有哪些未测量？
论文直接报告的是在 281 片段、64 乘 64 分辨率、D 等于 128、无预训练条件下的准确率对照，有限解释是对救护车与消防车现象的归因。未验证推测是更大模型或预训练必然带来大幅提升。
行文需用报告、支持、可能加以区分。已承认的限制包括训练数据小且标签弱、模型容量受显存约束、救护车混淆、无预训练、按整批指定模态模式不够精细。
未测量的是误判率分解、延迟、推理开销与帧率，原文没有报告这些量，因此不能承诺融合改善了实时性或成本，训练资源与推理延迟必须分开讨论。总体趋势不等于每组都成立。
消防车反例即是证明。适用边界是：当双模态时间对应能像本文一样用预处理保证时，对齐注意力才无需学习；若采样不再是每秒中点 1 帧或谱图跳长改变。
80 token 每秒的对应将失效，需要重新推导索引。此外道路类合并 8 个标签，背景多样性高，换用更细的背景划分时结论可能变化。
相关性不等于因果，融合提升与对齐设计的关联受蒸馏、数据划分与随机种子共同影响，缺少消融时不宜断言提升完全来自对齐。
要复现需要先固定哪些划分、形状与检查点规则？
复现先做三件事。第一固定数据与划分：按原文用固定随机种子切分 90% 训练与 10% 测试，测试集应为 61 逗号 70 逗号 74 逗号 76 共 281 的构成。
训练集约 2528 但会因视频可得性浮动，需记录实际可下载数。第二固定预处理与形状：音频输出 1 乘 128 乘 430 并补齐到 432 再切 864 token。
视频输出 10 乘 3 乘 64 乘 64 并在 0.5 秒起每秒中点采样，核对第 t 秒音频索引为 80t 到 80t 加 80。第三固定 2 阶段与选点规则：教师更深且各训 30 轮并按单模态测试最优保留。
学生训 50 轮按融合双模态测试最优保留，批量模态比例为 25% 纯音频、25% 纯视频、50% 双模态，优化器 AdamW、学习率 10 的负 4 次方、权重衰减 0.05。
余弦退火、梯度裁剪 1.0、批量 8、D 为 128、头数 4、温度 4.0、平滑 0.1、蒸馏权重 1.0。缺失的细节是模态丢弃概率与空嵌入初始化，原文未报告具体数值。
复现时应明确标注为缺项并做敏感性记录，而不从模型名称推定实现。资源状态方面，本次未发现来源绑定且完成验证的资源，因此不得声称代码、模型或数据已公开。
只能按原文文字重建流程。
何时值得尝试该方法、何时应先补验证？
当任务同时有声音与画面、且测试时可能缺一路传感器时，值得尝试秒级对齐融合加空嵌入的思路，因为它用一个统一模型覆盖 3 种运行模式，避免为每种缺失重训。
当单模态教师已能学到不错表示但联合训练梯度被稀释时，值得尝试先训深教师再用软分布监督融合，温度 4 与 KL 损失的 T 平方补偿是保持信号量级的关键。
当数据为弱标注小样本且分辨率受限时，应先补验证再谈部署：补充分课堂混淆矩阵、遮挡与夜间子集、高噪声子集的切片评估，并测量推理延迟与显存占用。
特有的误解需要澄清：对齐不是模型学出来的，而是切块与采样共同设计出来的确定性对应；空嵌入不是零向量，而是在随机模态丢弃下端到端学出的参数。
蒸馏的集成教师是两教师软分布的平均，捕捉联合视听签名，而非简单选其一。未来可试预训练音频与视频主干、可视化交叉注意力关注的频带与时刻。
也可扩大到更多交通声音类别，但在做这些之前，先用本文的 281 测试构成与分课堂反例校准预期，才能判断增益是否可迁移。
📎 论文与评分元数据
排名：后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