英文题目：Modality Discrepancy Transformer for Ambivalence and Hesitancy Recognition
标签：#语音情感识别 | #Transformer | #多模态学习 | #LoRA | #音视频
评分：6.0/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 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 1/1.5
👥 作者与机构
- Shiyu Luo：机构信息未在 arXiv HTML 中可靠披露
- Yu Wang：机构信息未在 arXiv HTML 中可靠披露
- Jiawen Huang：机构信息未在 arXiv HTML 中可靠披露
- Zhaoxiang Xiao：机构信息未在 arXiv HTML 中可靠披露
- Chenxi Huang：机构信息未在 arXiv HTML 中可靠披露
- Qi Zhang：机构信息未在 arXiv HTML 中可靠披露
- Bin Liu：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
矛盾与犹豫识别输入为临床视频及其音频与转录文本，输出为视频级二分类标签，难点在于阳性由跨通道矛盾定义而非一致情绪表达，常规融合放大一致性反而会抑制关键证据。该方法先用三个冻结编码器提取视听文嵌入并经软注意力池化为全局向量，再由文本经特征线性调制对视听嵌入做通道级缩放与平移，接着构造绝对差与哈达玛积投影两类成对差异特征。九个 token 送入两层 Transformer 自注意力建模模态与差异关系，全模态头与文本辅助头在训练时联合优化并在推理时加权融合。在 BAH 标注测试集上全模型 Macro F1 达到 0.7408，超出最强已发表基线 10.7 个点，且私有集保持相近水平，表明差异建模与参数高效适配改善了小样本下的类别校准。结论仅适用于视频级弱标签与参与者无关划分下的英语临床访谈场景，未验证细粒度时序定位与跨文化跨病种外推。训练在单张 RTX 4090 上约 20 分钟收敛，推理需多窗口平均，原文未披露延迟与吞吐等部署成本。
🔗 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
为什么犹豫与矛盾不能当普通情绪做？
这篇论文研究的输入是临床视频，目标是判断整段视频是否出现犹豫与矛盾，英文记为 ambivalence and hesitancy，缩写为矛盾与犹豫识别。必须保留的信息是任务定义本身：患者可能口头同意治疗，但脸和声音流露怀疑，关键线索是通道之间说的不一致，而不是某 1 通道的强烈情绪。输出是二分类标签，评估按挑战协议优化 Macro F1，即正负两类 F1 的平均。学习依赖是先理解这种不一致为何会被常规融合压制，再看显式差异建模如何保留它。
对于刚进入语音音乐音频的研究生，白话理解是普通情绪识别在找共识，多个模态越一致越好判断；这里恰好相反，要找分歧。论文引用标注分析指出脸与语言不一致占矛盾线索的百分之 42.6，这说明只看文本会漏掉视觉否认，只看脸又无法独立判定。另一个必须保留的背景是数据规模很小，训练集只有 778 个样本，被试划分避免了同一人跨集合泄漏，但也意味着任何增加参数的设计都要先回答过拟合问题。
后文将按任务与路线、方法全景、组件计算、训练推理、实验条件、结果反证、复现收束展开，每一步只讲原文实际给出的安排与数字。
同输入同目标的路线如何走到差异建模？
在相同输入与相同视频级二分类目标下，已有路线可以分为 3 类。第一类是行为医学挑战基线，论文转述了 BAH 数据集上的结果，视频级 late fusion 与零样本大语言模型处于 0.593 到 0.634 区间，说明通用融合没有针对矛盾优化。第二类是文本主导路线，Savchenko 的帧级方法用词汇内容达到更高分数，论文承认词汇重要，但指出纯文本会系统性过检，因为临床对话中大量 hedging 语言并不代表真正的矛盾，导致正类与负类性能差距大。
第 3 类是冲突感知路线，Bekhouche 等人提出的 CA-AH 计算模态嵌入两两绝对差，形成 6 token 输入给 Transformer，在排行榜上报告 0.715，这是本文直接扩展的起点。教学例子是把三者想象成同一考场的不同答法：通用融合是把三科平均，文本主导是只看语文，冲突感知是专门检查三科答案是否打架。本文的判断是前两类在该任务上条件不一致，不能直接当同条件胜负，只有第 3 类是同监督同运行阶段的可比基线。
原文明确声明资源状态为未发现可用开源绑定，因此本解读不声称代码模型数据已公开，所有复现讨论只依据正文文字与超参数。
输入输出与评测口径到底是什么？
沿一个样本走一遍有助于固定指代。输入是三元组，视频记为 V，音频记为 A，转录文本记为 T。视频侧取 16 帧人脸，尺寸为 224 乘 224；音频侧为 16 千赫单声道，用填充掩码处理变长；文本侧用完整转录而非窗口对齐，理由是视频级判断需要全局语境。
表示阶段是三编码器分别输出序列，再池化为 768 维向量。组件阶段是构造差异并融合，目标是最小化二分类损失但按 Macro F1 选阈值。输出是概率与标签，阈值在 0.25 到 0.75 之间每轮扫描。评测分两部分，标注测试集 525 段与私有未标注集 151 段，划分是被试级，训练验证测试人数不重叠。指标方向是 Macro F1 越高越好，同时关注正类与负类 F1 是否均衡，因为纯文本容易正类高负类低。
论文报告主模型在标注集 0.7408、私有集 0.7368，两者接近被用来支持泛化，但绝对值仍属中等，反映了任务本身难度。未报告的是统计显著性与多次随机种子方差，因此不能把小数点后第三位的差距当成确定性排序。
整体流水线先看一遍主路径
先看主路径再看分支有助于不迷路。三编码器分别是 VideoMAE-Base、HuBERT-Base 与 RoBERTa-GoEmotions，参数量依次约为 86M、94M 与 125M。它们先各自编码，再经模态专属可学习软注意力池化压缩为向量，记为视频向量、音频向量与文本向量。文本向量先去调节视频与音频，得到调制后的新表达，再与原文本一起构造 6 个差异特征，加上 3 个模态自身向量构成 9 token。9 token 进入 2 层 8 头 Transformer，展平后经多层感知机得到全融合打分。
另有一条文本独立打分在推理时加权混合。编码器本体冻结，只训练低秩适配器与任务头。
看图路径： 1. 从左向右沿视频、音频、文本三条横向主链追踪编码器到池化向量；2. 观察文本向量分出的两路绿色箭头分别指向调制模块与差异表示；3. 数出右侧虚线框内 3 行 3 列共 9 个 token 的分组方式；4. 确认底部两条打分路径如何汇入晚融合输出
论文图 1。原论文 Figure 1:：“MDT overview. Three frozen encoders produce modality embeddings, pooled via soft-attention and projected to \mathbfv,\mathbfa,\mathbft.”。
该图左侧三行分别对应视频、音频、文本从原始输入到编码器再到池化向量的过程，每个编码器上方有一个低秩适配标记，说明适配位置。中间粉色大块是文本条件的特征调制，绿色箭头强调文本既是被调制的条件来源，又直接进入右侧差异表示。右侧虚线框明确画出 3 乘 3 的 9 token 结构，第一列是 3 个模态向量，第二列是 3 个绝对差，第三列是 3 个投影后哈达玛积。底部显示 Transformer 编码器之后分出全融合打分，与文本独立打分汇入晚融合输出。读图时不要把颜色当成性能含义，颜色只区分模态与模块类型，箭头方向才是计算依赖。
模态编码与池化做了什么操作？
编码的第一步是把变长序列压成定长向量。论文对每个模态使用可学习的软注意力池化，权重由向量与序列中每个元素的点积经掩码 softmax 得到，填充位置先置为负无穷以保证权重为零。这样做的好处是模型可以自动给信息帧更高权重，而不是简单平均。投影到 768 维后得到 3 个向量，后续所有差异都在该空间计算。原文未给出池化向量初始化与丢弃细节，也未报告编码器输出层选择，因此复现时只能按默认取最后一层隐状态并自行记录。教学例子是把 16 帧人脸看成 16 位证人，池化就是按可信度加权投票，证人缺席的位置直接不计票。
\[\mathbf{e}=\sum_{i}\alpha_{i}\mathbf{x}_{i},\qquad\alpha_{i}=\frac{\exp(\mathbf{w}^{\top}\mathbf{x}_{i})}{\sum_{j}\exp(\mathbf{w}^{\top}\mathbf{x}_{j})},\]该公式先定义符号与输入，x 为序列元素，w 为可学习查询向量，alpha 为归一化权重，e 为加权和结果。计算目标是对有效位置做凸组合，掩码保证填充不参与。原文明确的实现只有掩码与 softmax 顺序，没有给出温度或多头变体，因此不应自行添加。
绝对差特征 × 哈达玛积差异特征： 绝对差特征负责度量每维偏离幅度，只回答差多少；哈达玛积差异特征负责刻画 2 模态逐维相乘后的交互模式，再经可学习投影映射为判别信号，回答以何种方式不一致；两者搭配是因为幅度 alone 无法区分真冲突与噪声，交互模式提供了校准依据，组合后形成更完整的跨模态关系描述。
理解该桥后才能进入差异构造，因为后续所有 token 都是在这 3 个向量基础上派生的。
9 token 差异表示如何计算？
差异表示是全文核心。沿样本继续走，假设已得到调制后的视频与音频向量以及文本向量，先计算 3 对绝对差，分别对应视频减音频、视频减文本、音频减文本取逐维绝对值。它们只保留偏离幅度，不保留方向与交互方式。再计算 3 组哈达玛积，即两向量逐元素相乘后经可学习方阵投影，得到交互型差异向量。最终集合包含 3 个原始向量加 6 个差异向量，共 9 个 token，送入 Transformer 做自注意力，让模型学习哪些矛盾组合更可信。
论文的安排理由是绝对差能捕捉幅度但不说明模态如何相互作用，哈达玛积补上逐维交互，投影则把交互映射为判别信号。原文未使用对比预训练，因此这里的差异是几何与代数意义上的距离与交互，不是语义层面的蕴含矛盾，这一点必须区分。
\[\mathbf{W}\leftarrow\mathbf{W}+\mathbf{B}\mathbf{A},\]该式对应低秩适配的更新形式，先在此说明是因为差异投影矩阵与适配矩阵都是新增可训练参数，小数据下它们共同决定过拟合边界。符号 W 为冻结原权重，B 与 A 为低秩因子，秩为 8，缩放为 16。计算目标是在不改原权重的前提下叠加修正，梯度只流经适配器与任务头。原文未报告适配器丢弃率与初始化方差，属于复现缺项。
文本条件调制如何改变视听表达？
调制发生在计算差异之前。文本向量经线性层同时产生缩放向量与偏置向量，分别逐元素乘到视频向量上再相加，对音频做同样操作。用白话说，语言通道告诉视觉与听觉哪些维度可信、哪些应该被压低或抬高。英文名为 Feature-wise Linear Modulation，缩写为 FiLM。原文的实现是文本条件、视频音频受调，文本自身不被调制，直接进入差异表示与辅助头。
这种不对称设计的理由是语言独立判别力最强，适合当条件。需要注意的是调制参数由当前样本的文本动态生成，不是全局固定，因此不同转录会产生不同的视听变换。原文未给出调制线性层的初始化与正则，复现时应固定记录。
\[[\gamma_{v};\beta_{v}]=\mathrm{Linear}^{\mathrm{film}}_{v}(\mathbf{t}),\qquad\mathbf{v}^{\prime}=\gamma_{v}\odot\mathbf{v}+\beta_{v},\]该公式先解释符号，gamma 与 beta 为调制参数，t 为文本向量，v 为原始视频向量，v 撇为调制后向量。计算目标是仿射变换，输入是文本与视听向量，输出是条件化后的视听向量。原文明确说明对音频有类似变换，但未展开写出第二套参数矩阵，因此实现时应为视频与音频各建独立线性层。
FiLM 调制 × 文本主导： 文本主导指语言通道独立判别力最强，是锚定负类的依据；FiLM 调制负责让文本嵌入生成缩放与偏置参数去逐维调节视频和音频表达，分工是文本提供条件、视觉听觉接受变换，搭配理由是让可信语言信号直接压制噪声视觉听觉维度，从而在计算差异前先完成跨模态一致性检查。
LoRA 微调 × 层解冻： 层解冻负责直接更新编码器顶部参数，容量大但在 778 样本下易过拟合；LoRA 微调负责冻结原权重、只在查询与值投影处训练低秩增量，分工是前者换表达、后者加修正，搭配理由是小数据 regime 下正则比容量更稀缺，组合意义在于用更少可训练参数获得更稳定的适配增益。
两个桥放在此节是因为调制与高效微调共同回答了小数据下如何用文本与参数预算换稳定性。
损失混合与推理混合如何训练？
训练目标是两个二分类头的加权和。全融合头输出全模态打分，文本辅助头输出仅文本打分，损失为两者二元交叉熵按权重混合，权重 w 取 0.5，并可选用标签平滑。推理时不是只用其一，而是按系数 alpha 加权两个 sigmoid 概率，alpha 在验证集上调为 0.6。这种训练推理不对称需要特别注意，训练时两者都学，推理时再混合，目的是保留文本基准的同时引入跨模态校准。增强模块还包括焦点损失、特征空间 CutMix、5 轮学习率热身与多窗口训练，推理时平均 5 个窗口。
优化器为 AdamW，学习率从 3 乘 10 的负 5 次方余弦退火到 3 乘 10 的负 7 次方，有效批量 16，混合精度，15 轮无验证提升则停止。原文报告 20 到 25 分钟收敛，约每轮 50 秒，硬件为单张 24G 显卡。
\[\ell_{\mathrm{text}}=\mathrm{MLP}_{\mathrm{text}}(\mathbf{t}),\qquad\mathcal{L}=(1-w)\,\mathcal{L}_{\mathrm{BCE}}(\ell_{\mathrm{full}},\tilde{y})+w\,\mathcal{L}_{\mathrm{BCE}}(\ell_{\mathrm{text}},\tilde{y}),\]该公式定义了文本头输出与联合损失，ell 为打分，y 波浪线为平滑后标签，L 为二元交叉熵。符号区分了原始目标与优化替代，停止梯度未在原文说明，不应猜测。
\[p=\alpha\cdot\sigma(\ell_{\mathrm{text}})+(1-\alpha)\cdot\sigma(\ell_{\mathrm{full}}),\]该公式定义了推理混合，p 为最终概率，sigma 为 sigmoid，alpha 为文本权重。原文明确 alpha 与训练权重 w 是两个不同系数，不能混用。
全融合分支 × 文本辅助头： 全融合分支负责综合 9 token 的 Transformer 输出，给出多模态判断；文本辅助头负责仅用文本嵌入给出独立判断，分工是一个看全局不一致、一个守语言基准，搭配理由是文本过检与多模态欠稳需要互相牵制，训练时联合优化、推理时按系数加权混合即构成文本引导的晚融合。
多窗口训练 × 软注意力池化： 软注意力池化负责把一窗口内的帧级或时序特征按可学习权重压缩为单一向量，解决变长与填充问题；多窗口训练负责在视频内均匀取多个窗口并平均，扩大时间覆盖，分工是前者做窗内聚合、后者做窗间扩展，搭配理由是犹豫与矛盾线索稀疏，单 16 帧窗口只能看到局部，组合后兼顾局部加权与全局覆盖。
训练节承担了从单样本到批量优化的过渡，下一节将交代数据划分与硬件预算。
数据划分与实验条件是否可比？
数据条件按原文交代。BAH 共 1427 段、300 人，训练 778 段中正负接近均衡，验证 124 段中正类占百分之 60，标注测试 525 段中正类占百分之 61，另有 151 段未标注私有测试。划分是被试级，这是公平性的关键，避免了说话人泄漏。文本来自 Whisper 转录全文，视频取均匀间隔窗口，训练用 3 窗平均、推理用 5 窗平均。阈值每轮在 0.25 到 0.75 扫描选验证最优，这意味着报告分数已含阈值调优，不能当成固定阈值可部署收益。
基线包括 BAH 官方的视觉大模型、Video-FocalNet、late fusion 与加转录版本，以及冲突感知的 CA-AH。比较时需核对同一标注测试集、同 1 Macro F1 与视频级聚合，帧级与视频级不能混比。硬件与时间预算已在训练节给出，单卡短时训练是本文强调的实用性，但未报告推理延迟与内存峰值，因此不能承诺部署成本同样低。缺失项还包括随机种子、验证方差与私有集标签分布，解读时应保留不确定性。
主结果在什么条件下成立？
本节回答测什么、与谁比、条件是否一致。测的是视频级二分类 Macro F1，越高越好，比较对象限定在同一 525 段标注测试集上的已发表基线，以及 151 段私有集上的自报分数。公平条件是被试划分与视频级聚合一致，但阈值经过扫描，基线是否同样扫描原文未逐一说明，这是限制。下表选择原表第 2 号的后四行，保留最强 BAH 基线、直接前作与本文两行，避免只放有利基线。表前问题是完整模型是否在保持私有集稳定的前提下超越文本增强基线与冲突感知基线。
| Model | Macro F1 |
|---|---|
| BAH: ZF M-LLM + transcript [gonzalez2026bah] | 0.634 |
| CA-AH [bekhouche2026conflictaware] | 0.715 |
| MDT (labelled test) | 0.7408 |
| MDT (private test, 151 unlabelled) | 0.7368 |
表中数字显示完整模型在标注集达到 0.7408，私有集 0.7368，两者差距很小，支持稳定性判断。相对最强 BAH 基线 0.634 高出约 10.7 个百分点，相对 CA-AH 的 0.715 高出约 2.6 个百分点。必须区分百分点与相对百分比，这里是 Macro F1 差值，不是相对提升百分之多少。代价是该成绩依赖焦点损失、CutMix、热身与多窗口的组合，单拿主结构不能达到，下一节消融将拆开。未胜出项是绝对值仍未突破 0.8，且私有集无基线对照，不能声称在私有分布上同样领先所有方法。
哪个模态在独立判别负类？
本节先做模态反证，问题是若只给单一模态，模型还能否识别非矛盾类。条件是固定 CA-AH 检查点，推理时只激活指定子集，这属于事后屏蔽而非重新训练，因此结果反映的是该检查点对模态的依赖，不是各模态单独训练的最优值。下表为原表第 4 号的完整选择，包含视频、音频、文本与 3 模态四行，指标为 Macro F1 与分正负类 F1。指标方向仍是越高越好，但重点看负类是否坍缩。
| Active Modalities | Macro F1 | F1-AH | F1-NoAH |
|---|---|---|---|
| Video only | 0.3772 | 0.7544 | 0.0000 |
| Audio only | 0.3772 | 0.7544 | 0.0000 |
| Text only | 0.7059 | 0.7608 | 0.6511 |
| Video + Audio + Text (CA-AH) | 0.7219 | 0.7982 | 0.6457 |
表中视频与音频独立时 Macro F1 均为 0.3772，且负类 F1 为 0.0000，说明两者坍缩到全判为正类，无法独立区分负类。文本独立时达到 0.7059，且负类为 0.6511，是唯一能守住负类的单模态。3 模态融合为 0.7219，正类从 0.7608 提升到 0.7982，支持融合主要改善正类召回的判断。代价是融合后负类略降，说明多模态引入了噪声。未评测边界是未报告单模态重新训练的成绩，因此不能断言视频音频本身无用，只能说在当前联合检查点下它们不能独立决策。
差异 token 与混合系数为何敏感？
本节进入核心消融，问题是差异特征是否越多越好，以及推理混合系数如何影响均衡。条件是 6 token 绝对差基线配顶层解冻，混合系数默认 0.6，标注测试集评估。下表整理了原文连续句中的数字，保留无冲突、9 token、纯融合与纯文本 4 种可运行策略，列包括 Macro F1、正负类 F1 与推理设置，共 5 列以便对照校准代价。表前公平条件是同一基线检查点与同一阈值扫描协议，指标方向为 Macro F1 越高越好，同时观察正负差距。
| 配置 | Macro F1 | F1-AH | F1-NoAH | 推理设置 |
|---|---|---|---|---|
| 去掉全部差异，仅融合三向量 | 0.7325 | 0.8018 | 0.6632 | 全融合推理 |
| 增加哈达玛积，9 token | 0.7322 | 0.7944 | 0.6700 | 全融合与文本混合 |
| 仅全融合分支 | 0.7080 | 0.7759 | 0.6402 | alpha=0.0 |
| 仅文本分支 | 0.7185 | 0.8075 | 0.6295 | alpha=1.0 |
表后解释是去掉差异反而从 0.7219 升到 0.7325，支持 6 token 绝对差在小数据下引入噪声多于判别力的判断。9 token 回到 0.7322 但负类从 0.6457 升到 0.6700，说明更丰富的表示用校准收益抵消了参数代价。混合系数最敏感，纯融合 0.7080 最低，纯文本 0.7185 但正负差距达 0.178，而混合 0.6 在原文为 0.7219 最均衡。反例是单纯加 token 不直接涨分，复现时若只加结构不加正则可能复现出负增益。
增益主要来自正则还是容量？
本节讨论限制与误解。问题是各训练策略的增量是否可叠加，以及限制因素是容量不足还是过拟合。下表整理了逐项叠加的数字，同样用 5 列呈现配置、两类 F1 与模块类型，数字来自原文连续句。表前比较问题是参数高效适配与时间覆盖谁更关键，公平条件是每次在 CA-AH 基线上单加一项，指标方向相同。
| 配置 | Macro F1 | F1-AH | F1-NoAH | 模块类型 |
|---|---|---|---|---|
| CA-AH 基线 | 0.7219 | 0.7982 | 0.6457 | 6 token 与顶层解冻 |
| 加 LoRA 微调 | 0.7366 | 0.8119 | 0.6613 | 参数高效适配 |
| 加多窗口训练 | 0.7354 | 0.8024 | 0.6684 | 时间覆盖扩展 |
| 全组合 MDT | 0.7408 | 0.7857 | 0.6959 | 全部模块组合 |
表后判断是 LoRA 单项达 0.7366 为最大单增益，多窗口 0.7354 次之，支持限制因素是正则与覆盖而非容量的解释。全组合 0.7408 且负类升到 0.6959，正负差距从纯文本的 0.178 缩到 0.09，支持跨模态一致性检查锚定负类预测的机制解释，但属于有限解释而非因果证明。限制包括 16 帧窗口只覆盖局部、差异为几何度量而无语义对比预训练、未测量误判率延迟与成本，因此不能承诺误诊减少或实时可用。像素未给出的训练曲线与注意力权重不应猜测。
复现应先固定哪些信息条件？
复现先做三件事。第一固定数据与转录，确认被试划分、778 训练与 525 标注测试的正负比例，以及 Whisper 全文转录版本，因为文本主导下转录差异会直接改变基线。第二固定评估，复现 Macro F1 的视频级聚合与 0.25 到 0.75 阈值扫描，记录验证选阈值与测试分数分离，避免用测试最优阈值冒充可部署收益。第三固定训练预算，单卡、有效批量 16、学习率与余弦退火、15 轮早停、训练 3 窗推理 5 窗，逐项打开焦点损失、CutMix、热身与 LoRA 秩 8 缩放 16，观察负类 F1 是否同步提升。关键超参数是混合系数 alpha 为 0.6 与训练权重 w 为 0.5，两者不可互换。
何时值得尝试是当任务由跨通道不一致定义且文本过检严重时，显式差异与文本调制更可能带来校准收益；若任务本身是共识型情绪，强行建模差异可能引入噪声。还需补的验证是多种子方差、私有分布对照与帧级定位，因为原文未来方向已指出需从视频级检测走向何时何模态的时间 grounding。
一句话收束与下一步验证
回到中心矛盾，常规融合在放大一致时会压制矛盾，而犹豫与矛盾恰由不一致定义，因此论文把矛盾显式 token 化，再用文本调制与低秩适配控制小数据风险，最后用文本与融合的加权守住均衡。已验证的是主分数与模态坍缩反证，支持文本守负类、融合提正类、丰富表示换校准的链条。待验证的是差异的语义性、窗口外的长程矛盾与真实临床误判影响。
学习建议是复述时不背结构名，而能沿样本说出输入到向量到调制到 9 token 到 Transformer 到双头混合的每一步变换与监督来源，并能指出缺失的初始化、种子与延迟测量。若能在新划分上复现出去差异反升、加哈达玛玛积后负类回升、LoRA 优于解冻这 3 组对照，就说明真正掌握了方法的可核对部分。
📎 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