英文题目：Speech Language Models for Full-Meeting Speaker Diarization: Capabilities and Limitations
标签：#说话人分离标注 | #自回归模型 | #语音活动检测 | #重叠语音检测 | #会议转录
评分：6.0/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.7/1.5
👥 作者与机构
- Jialu Li：College of Information Science, University of Arizona, Tucson, AZ, USA Language Technologies Institute, Carnegie Mellon University, Pittsburgh, PA, USA
- Jinchuan Tian：College of Information Science, University of Arizona, Tucson, AZ, USA Language Technologies Institute, Carnegie Mellon University, Pittsburgh, PA, USA
- Shinji Watanabe：College of Information Science, University of Arizona, Tucson, AZ, USA Language Technologies Institute, Carnegie Mellon University, Pittsburgh, PA, USA
📌 核心摘要
完整会议说话人分离标注要求对整场远场多人会议录音输出谁在何时说话的时间边界与整场一致的说话人身份，难点在于长时依赖、重叠语音漏检与独立分窗解码导致的跨窗身份置换与说话人混淆。该工作以ESPnet-SpeechLM解码器为骨干，将输入波形编码为每帧八个神经编解码器令牌加一个XEUS自监督令牌，再以语音活动检测先给出粗粒度语音起止，为后续重叠检测提供语音区约束。随后按语音活动检测到重叠语音检测再到分离标注的由粗到精顺序在单流中自回归生成结构化事件令牌，最后用基于WeSpeaker嵌入的VBx聚类完成跨窗说话人链接并输出整场假设。与紧耦合自动语音识别并用词级归属评价的已有语音语言模型方法相比，该机制差异在于剥离识别并用零容忍含重叠整场错误率直接诊断时间结构与身份追踪，具有独立评估意义。在AMI评测设置下，事件表示链的错误率为24.40%，低于帧表示的错误率56.94%。其适用边界是语音语言模型仅提供局部时间假设，跨窗身份一致性与重叠区漏检仍受限并依赖外部链接与更强重叠建模，尚未验证超长会议外推。训练成本方面原文披露在单个英伟达H100图形处理器上微调十轮并在单个A100图形处理器上做模拟数据域自适应，所用硬件明确但未给出延迟与吞吐。
🔗 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，目标是什么，为什么要把转写拿掉？
输入是一整场会议录音，时长按分钟计，包含多人轮流发言、静音间隔、语音重叠与远场混响。目标是说话人日志，也就是为每段时间标出谁在说话，评价用日志错误率，它由漏检、虚警和说话人混淆三部分相加得到，容差为零且重叠区参与评分。初学者容易把这件事理解为把音频丢给大模型直接出结果，但完整会议比短句更难，因为既要逐秒判断语音边界，又要在整场范围内保持说话人编号一致。
已有大量语音语言模型做法把日志和转写绑在一起，用带词的说话人归属指标评价。这样做的问题是词识别错了也会连累日志分数，无法单独回答生成模型的时间建模到底行不行。本文明确把转写拿掉，只生成结构化日志词元，再用完整会议级日志错误率评价。这是一个诊断式选择：输入仍是声学证据，输出不再是文字，而是说话人编号与时间结构。
说话人日志 × 自动语音识别： 说话人日志的分工是只回答谁在何时说话，输出说话人编号与起止时间，不识别文字；自动语音识别的分工是把语音转写成文字内容。两者搭配的理由是说话人归属转写需要同时做对文字与身份，而本文组合的意义是剥离转写，只用日志错误率检验语音语言模型自身的时间与身份建模能力。
本文的研究对象因此很聚焦：以开源语音语言模型为自回归骨干，条件是声学输入，生成的是日志假设。辅助的语音活动、重叠与轮次计数任务只是为了提供会话线索，不是为了转写文字。后续所有关于输出格式、任务顺序与跨段链接的结论，都要放在这个无转写的诊断框架下理解，否则会把词错误与时间错误混为一谈。
同输入同目标的既有路线如何对照？
按同输入、同目标、同运行阶段对照，主要有 3 条路线。第一条是传统聚类管线，先做语音活动检测与切分，再提取说话人嵌入并聚类，代表做法包括结合变分贝叶斯隐马尔可夫模型的链接后端。第二条是端到端神经日志，直接预测帧级说话人活动，常在大规模仿真混合语音上训练，联合学习活动与身份。第 3 条是词元式生成，把转写、时间戳与说话人标签一起生成，多在短句组或固定段上评价，或依赖显式跨块跟踪缓存。
本文与第 3 条最接近，但运行条件不同：它不生成文字，只在完整会议级评价；解码时各 30 秒窗口独立进行，不自带跨段身份记忆。这意味着它不能直接继承短段词级指标的结论。原文在对比既有系统时也明确提醒，各系统在麦克风条件、训练数据规模、架构与后处理上存在差异，只能作为宽泛参考而非严格控制对照。
这种对照方式决定了阅读方法：凡是涉及转写词正确率的提升，不能直接换算成日志错误率下降；凡是短段内编号正确的结果，不能直接推广为整场编号一致。后续的说话人链接分析正是为了补上这一缺口，把时间边界能力与长程身份保持能力分开度量。
初学者常误以为端到端就一定优于管线，或生成式就一定优于判别式。本文的态度是把它们放在同一完整会议评价下比较，并保留各自的后处理差异。只有对齐了窗口长度、容差与重叠评分规则，数字才有可比性，否则只能说趋势一致而不能断言方法胜负。
要回答的具体问题是什么？
本文把问题拆成 3 个可检验的疑问。第一，输出表示用紧凑的事件式时间戳元组更好，还是用每 0.1 秒一个的帧式活动序列更好，两者在自回归解码稳定性上有何差异。第二，辅助任务放在日志之前还是之后更好，语音活动、重叠检测与轮次计数以何种顺序串行才能帮助最终日志。第三，模型直接生成的说话人编号究竟是整场身份还是局部假设，时间边界误差与身份混淆误差各占多少。
为回答这些问题，作者固定用 30 秒窗口处理完整会议：训练时以 10 秒步长滑窗切分，推理时用无重叠 30 秒分段独立解码。参考说话人按首次出现顺序赋予整场编号，但在推理端各段生成的编号只是局部匿名假设，不保证跨段对应。因此完整会议一致性必须靠额外链接机制实现，这也是诊断设计的起点。
举例来说，第一个窗口的说话人一与第二个窗口的说话人一可能根本不是同一人。如果直接拼接，就会出现大量混淆错误，但这不代表边界预测全错。本文后续用窗口内置换上限与声纹重标来分离这两类误差，正是为了回答第 3 个问题。理解了这个例子，就能明白为什么原始错误率很高而链接后大幅下降。
从一段波形到日志假设要走哪几步？
先沿一个 30 秒样本走完全程。输入波形先被转成离散语音词元，每帧包含 8 个编解码词元和一个自监督语音词元，帧移按原文为 10 毫秒帧移与 25 毫秒窗口的设置提取。接着语音词元序列与目标输出序列拼接成一个训练序列，中间用任务标记与模态指示词元分隔，例如从语音活动检测过渡到日志的标记，以及标示特征与分词器切换的标记。解码器以教师强制学习在给定语音词元与已生成目标前缀下预测下一个目标词元，推理时改为用已生成前缀自回归推进，直到遇到任务结束标记。
语音词元 × 任务输出词元： 语音词元的分工是把输入波形转成每帧 8 个编解码词元加一个自监督语音词元，承载声学证据；任务输出词元的分工是用说话人编号、时间戳与任务起止标记拼出日志假设。搭配理由是解码器只需对声学词元做条件自回归生成目标词元，组合意义是把多种语音任务统一为同一 9 流序列建模框架。
下图展示了单流组织下的训练序列形态，左侧是语音部分，右侧是目标部分，横向为时间步，纵向为 9 流结构，目标侧把语音活动检测输出与日志输出顺序串接，阅读时先看主路径再看标记分界。
看图路径： 1. 先从底部波形出发，确认绿色分支如何汇成语音词元序列；2. 再看橙色任务标记与紫色模态标记如何分隔语音段与目标段；3. 对比蓝色目标段中语音活动检测段与说话人日志段的串行顺序
论文图 1。原论文 Fig. 1:：“Overview of the ESPnet-SpeechLM training sequence with single-stream task-output organization.”。
从像素可见，底部波形向上分出两路，一路经自监督特征提取器得到语音自监督词元，一路经编解码分词器得到编解码词元，共同构成绿色语音块；右侧蓝色目标块先出现语音活动检测的起止标记与内容，再出现日志的起止标记与内容，底部文字示例也呈现了这种先语音活动后日志的串行顺序。纵向 9 流中有效信息集中在最下 1 流，其余位置补零，这与正文所述单流串接、其余流零填充的组织方式一致。该图只说明序列拼接方式，不包含性能曲线，因此不能从中读出哪种表示更优，优劣需看后文受控对比。
事件式与帧式输出各是如何计算的？
事件式输出把每个说话轮次写成 5 个词元的元组：说话人编号、起始时间标记、起始时间戳、结束时间戳、结束时间标记。时间戳按 0.1 秒量化，每个离散时间点有专用词元。若整段无话，则用静音标记替代说话人编号但保留同样的起止结构。这种写法只在边界处花费词元，序列短且不重复，平均长度远小于逐帧写法。
\[\small\mathbf{y}_{sd}^{event}=[\texttt{`帧式输出则按固定 0.1 秒步长逐帧输出活动词元，30 秒对应 300 个帧级词元，重叠区用显式多说话人组合词元表示，最多建模 3 人重叠，超过 3 人的罕见情形映射为统一的 4 人及以上重叠词元。由于长重复序列容易让自回归模型漂移，作者还在每个说话轮次首尾加入显式转换标记以帮助对齐，但这进一步拉长了序列。
\[\small\mathbf{y}_{sd}^{frame}=[\texttt{`辅助任务包括语音活动检测、重叠检测与说话人轮次计数。前两者可沿用事件式或帧式写法，轮次计数则用统一计数格式并把 10 次及以上截断为同一词元，以缓解长尾稀疏。组织方式分单流与多流：单流把各任务输出按顺序串接，保留辅助任务引导最终日志的逐步结构；多流把各任务分配到不同输出流并行生成，可缩短有效长度。本文最终为事件式选单流，为帧式选多流，理由是事件式本身已紧凑而多流会引入异构格式负担，帧式若再单流串接则序列过长易出现格式漂移。
训练损失只对有效非填充位置计算，并区分模态指示词表与任务输出词表的加权交叉熵，其输入是语音词元与已生成目标前缀，目标是下一个目标词元的分类分布。
\[\displaystyle\mathcal{L}=-\sum_{(n,q)\in\Omega}\Big[\]该损失的细节是求和遍历所有有效步与流，零填充位置不参与。原文未报告两类词表权重的具体取值，也不涉及额外的停止梯度设计，复现时应按原文超参数照搬，不自行猜测梯度路径。
事件式表示 × 帧式表示： 事件式表示的分工是把一个说话轮次压缩成说话人编号加起止时间戳的五元组，只在轮次边界处生成词元；帧式表示的分工是每 0.1 秒输出一个语音活动词元，逐帧铺满时间轴。搭配理由是两者描述同一参考标注但序列长度与重复度差异极大，组合对比的意义是检验自回归模型更适合稀疏紧凑的边界生成还是稠密重复的逐帧生成。
语音活动检测 × 重叠语音检测： 语音活动检测的分工是区分有声与静音的粗粒度时间结构，重叠语音检测的分工是标出多人同时说话的区间结构。搭配理由是前者先给出哪里有人说话，后者再指出哪里难以用单人解释，组合意义是按由粗到细的顺序放在说话人日志之前，为最终的说话人归属提供时间先验。
模型如何训练与适配，哪些信息没有报告？
骨干为 1,700,000,000 参数的解码器变换器，带自回归延迟语言模型头。训练采用按词元组批、混合精度、带时间掩码的频谱增广，以及权重衰减与梯度裁剪组合的优化器设置。原文给出在会议数据上微调时学习率为 3e-4、权重衰减为 1e-6、梯度裁剪为 1.0、预热 4000 步，微调 10 个轮次并按开发集词元准确率平均最优 3 个检查点。这些超参数在会议数据上选定后直接复用于另外两个中文会议语料，不再单独搜索。
领域适配分 2 个阶段：先在约 3303.8 小时的大规模仿真对话上训练 25 个轮次，再用真实会议数据微调 3 个轮次，分为按数据集单独适配与跨 3 数据集联合训练两种。适配阶段学习率分别为 1e-4 与 2e-4，硬件为单卡图形处理器。原文未明确说明冻结某些编码器参数，因此应理解为全文微调，不从模型名称推定部分冻结。仿真数据按已有配方用电话与说话人识别评测语料生成，说话人数与重叠率向真实会议看齐。
需要指出的缺项是，原文未给出仿真与真实数据混合比例的逐步采样细节，也未报告损失中模态与任务权重的具体取值，复现时只能保留原文已交代部分，对未报告项如实标注缺失而不编造。训练成本上仿真预训练轮次远多于适配轮次，实际复现应优先保证仿真阶段的数据规模与轮次，再做短程适配。
数据、划分、指标与解码条件是什么？
数据覆盖 3 个真实会议语料与一个仿真集。作者主要在混合头戴麦克风信号上训练与测试，另用两个中文会议语料检验泛化，其中一个包含远场采集。由于任务词表只设 5 个说话人符号，超出该库存的约 10% 数据会受限，处理方式是按首次出现赋予整场编号并只保留库存内说话人的片段。划分沿用已有文献的三向切分，仿真集规模远大于真实集，训练、开发与测试的划分需要同时核对。
下表给出各数据集在训练、开发与测试划分上的文件数、说话人数范围与小时数，是核对数据量的直接依据。比较问题是各语料的规模与说话人数是否可比，公平条件是同时对齐划分与语种，指标方向在此是数据量越大一般越有利于训练，但不能只看总时长。
| Dataset | Train | Train | Train | Dev | Dev | Dev | Test | Test | Test |
|---|---|---|---|---|---|---|---|---|---|
| AMI | 134 | 3-5 | 79.7 | 18 | 4 | 9.7 | 16 | 3-4 | 9.1 |
| AISHELL-4 | 173 | 3-5 | 89.8 | 18 | 3-5 | 9.3 | 20 | 5 | 9.2 |
| AliMeeting | 209 | 2-4 | 111.4 | 8 | 2-4 | 4.2 | 20 | 2-4 | 10.8 |
| Simulated | 40,000 | 2-5 | 3303.8 | 800 | 2-5 | 65.9 | 800 | 2-5 | 65.9 |
该表说明真实会议总量约 100 小时级而仿真达数千小时级，因此后文适配带来的提升需结合数据规模理解。指标为日志错误率及其漏检、虚警、混淆三分量，零容差并计入重叠区；辅助任务用 0.1 秒帧网格上的语音活动与重叠分数做检查。解码用贪心搜索，遇任务结束标记停止；事件式输出解析五元组，帧式输出只保留静音与活动词元并忽略转换标记，超长截断、不足补静音，并经中值滤波与语音活动一致性检查。原文未报告多次随机种子的方差，因此单次最优值的微小差异不宜过度解读。
时间结构可用但身份混乱：链接前后各差多少？
主结果围绕事件式 3 阶段链展开。在完整会议评价下，事件式链经说话人链接后处理达到有竞争力的区间，但仍弱于专用聚类与端到端系统。关键对照是辅助任务顺序：由粗到细的语音活动先行、重叠居中、日志殿后的链优于仅日志基线，也优于把辅助任务放在日志之后或把轮次计数前置的变体。语音活动与重叠的检查分数呈现预期难度层级，前者约 90%，重叠约近 80%，说明时间线索确实先易后难。
下表分解了最优事件式链在不同链接设置下的整场误差，区分了时间结构与身份一致性的贡献，是本文最核心的诊断证据。比较问题是原始生成的时间边界是否可用而身份是否混乱，公平条件是同一解码假设只更换编号映射方式，指标方向为日志错误率越低越好。
| Whole recording | Whole recording | Whole recording | Whole recording | Whole recording |
|---|---|---|---|---|
| SpeechLM raw | 13.12 | 4.45 | 48.73 | 66.30 |
| SpeechLM + oracle relabeling | 13.12 | 4.42 | 16.58 | 34.12 |
| SpeechLM + WeSpeaker relabeling | 12.44 | 4.69 | 11.55 | 28.67 |
| SpeechLM + VBx speaker linking | 13.11 | 4.43 | 6.86 | 24.40 |
表后解释需同时看到收益与代价。原始解码的总误差主要来自说话人混淆而非漏检或虚警；窗口内 oracle 重排大幅降低混淆，说明跨窗口编号不一致是主因，但重排后仍有残余混淆，说明局部编号本身也不完美。用干净注册音频重标与变分贝叶斯链接进一步降低混淆，其中后者最优。然而区域分解显示提升集中在单人区，重叠区仍高达 40% 以上且以漏检为主，这表明显式链接能修身份但修不好重叠漏检。未胜出项是原始无链接输出，它不可直接作为整场方案部署，必须明确标注为诊断基线而非可运行策略。
去掉紧凑表示或打乱任务顺序会发生什么？
消融按输出表示与任务链长度组织。测的是同一骨干在事件式与帧式下的稳定性，与谁比是各链长度下的最优配置，条件一致处是均经相同链接后处理并在同一会议测试集上评价，指标仍为日志错误率越低越好。关键趋势是事件式在各配置下保持在二十余百分比区间窄幅波动，而帧式对序列设计敏感，加入语音活动虽有改善，但涉及重叠的链出现大幅恶化。
下表用原文连续句子中的逐字数字整理事件式与帧式的关键对照，保留原始百分比写法与精度，不做四舍五入或单位拆分。表前问题是紧凑表示是否更适合自回归生成，公平条件是任务链尽量对齐而组织方式按各自最稳选择，指标方向同上。
| 条件 | 指标 | 事件式结果 | 帧式结果 |
|---|---|---|---|
| 仅日志基线 | 日志错误率 | 26.48% | 37.88% |
| 语音活动引导日志 | 日志错误率 | 24.40% 对应 3 阶段最优链 | 29.37% |
| 含重叠任务的长链 | 日志错误率 | 24.40% 附近保持稳定 | 超过 56% 出现恶化 |
表后解释是，帧级监督能提供语音活动线索，但多任务稠密帧序列让自回归解码变脆，尤其当多个时间稠密辅助任务并行生成时易漂移。反例恰是帧式中语音活动带来的那次改善，它说明帧式并非全无价值，只是不稳定。未评测边界是更长的窗口或流式解码，原文未覆盖，不能把 30 秒窗口的结论推广到任意时长。
跨数据集适配的对照放在下一张宽表，比较按数据集单独训练与联合训练在适配前后的差异，条件是同一事件式 3 阶段链与链接后端，指标为各数据集日志错误率及平均值。表前问题是仿真预训练后再适配能否带来一致收益，公平条件是链与后端固定，指标方向为错误率越低越好。
| Training Method | AMI | AISHELL-4 | AliMeeting | Avg |
|---|---|---|---|---|
| Data-specific | 24.40 | 13.75 | 29.60 | 22.58 |
| + adaptation | 23.00 | 12.48 | 23.00 | 19.50 |
| Joint | 24.54 | 14.14 | 28.58 | 22.42 |
| + adaptation | 22.08 | 13.29 | 22.81 | 19.40 |
该表显示适配在 3 数据集上一致带来下降，远场语料获益最大，联合适配后的平均值最优，支持跨数据集泛化无需按库特调的判断。但需注意平均值是对 3 个误差率的简单平均，不是按时长加权，引用时应说明聚合口径。训练成本上适配只需数个轮次，远小于仿真预训练的轮次，这是实际复现时可接受的代价。未胜出项是未适配的单独训练与联合训练，它们的误差明显更高，说明仿真预训练不可省略。
时间结构与身份一致性如何分离度量？
诊断用 4 种后处理分离两类误差。第一种直接用原始假设评价整场，第二种在每个窗口内用参考做 oracle 置换以消除跨窗口置换误差但不改边界，第三种用干净注册音频的声纹嵌入重标编号，第 4 种用变分贝叶斯聚类链接各段身份。形式上，解码假设先被解析为带起止与局部编号的片段集合，再分别做映射，这是理解所有分解数字的前提。
\[\hat{\mathcal{H}}=\{(\hat{b}_{i},\hat{e}_{i},\hat{s}_{i})\}_{i=1}^{I},\]窗口内 oracle 映射的目标是最大化预测区间与参考活动的重叠，属不可部署的上限分析，用于量化跨窗口不一致的占比，解读时不能当作系统成绩。
\[\pi_{w}^{*}=\arg\max_{\pi_{w}}\sum_{i\in w}\mathrm{overlap}\left([\hat{b}_{i},\hat{e}_{i}],\mathcal{R}_{\pi_{w}(\hat{s}_{i})}\right),\]声纹重标阶段为每位参考说话人取至多 5 秒干净非重叠注册段并做长度归一化嵌入，再把每个预测片段的嵌入与注册库做余弦最近邻替换。该设置依赖 oracle 注册音频，因此只能说明混淆可被声纹信息修复多少，不能当作可部署收益。原文还指出独立分段重标可能把多个局部编号坍缩到同一注册身份，导致同说话人重叠区合并而轻微改变漏检与虚警，解释指标联动时需提及这一机制。
综合判断是，生成模型编码了可用的时间结构，但整场身份与重叠建模仍是瓶颈。单人区经链接后已降至较低区间，重叠区漏检仍是主要误差源，未来需持久说话人跟踪与重叠感知生成，而非仅靠更长的自回归序列。
局部说话人假设 × 说话人链接： 局部说话人假设的分工是指模型在每个独立解码的 30 秒窗口内给出的匿名编号，跨窗口不保证同一编号指向同一人；说话人链接的分工是利用声纹嵌入与聚类把各窗口局部编号映射到整场录音级身份。搭配原因是生成模型擅长时间边界但不保持长程身份，组合意义是用显式后处理分离时间结构误差与身份混淆误差。
复现先做什么，需要哪些信息条件？
复现应先锁定诊断链路而非直接追求最低误差。第一步按原文切分复刻 30 秒窗口：训练滑窗步长 10 秒，推理无重叠 30 秒分段，参考编号按首次出现赋予，推理端视为局部假设。第二步复刻事件式五元组与 0.1 秒量化时间戳词表，以及语音活动先行、重叠居中、日志殿后的单流串接顺序，帧式对照则用多流组织以避免序列过长。第三步照搬优化与解码设置：贪心解码、任务结束标记停止、超长截断与不足补静音、中值滤波与语音活动一致性检查。
关键超参数包括 1,700,000,000 参数解码器、混合精度与时间掩码增广、会议微调学习率与预热步数、仿真预训练轮次与适配轮次及两档适配学习率。评价必须用零容差且计入重叠区的日志错误率，并同时报告漏检、虚警、混淆三分量；辅助检查用 0.1 秒网格上的两项分数。信息条件方面，原文未提供可验证的公开代码与权重链接，本次也未发现来源绑定且完成安全验证的资源，因此只能按文字与表格复刻，不能声称代码或模型已公开。
常见误解是把窗口内 oracle 重排或干净注册重标的分数当作系统成绩。复现报告应把这两项明确标为诊断上限，把变分贝叶斯链接标为默认后处理后端，并单独列出单人与重叠区的分解，以避免把身份修复的收益误读为时间建模的提升。若发现混淆远高于漏检，应先检查跨段映射而非急于加长序列。
何时值得尝试这种做法，还需补哪项验证？
当目标是统一序列建模多种语音任务，且希望日志输出可直接与语言模型协作时，事件式自回归日志值得尝试。它的优势是输出紧凑稳定，辅助任务按由粗到细串接能稳定带来数个百分点的下降，且适配成本相对可控。但当场景要求整场身份零后处理或重叠密集时，不宜直接部署原始生成结果，必须配套显式链接或持久跟踪机制，并接受重叠漏检仍高的现实。
还需补充的验证包括多随机种子的方差、不同窗口长度与重叠步长下的稳定性、以及在更多远场与高重叠会议上的分解评价。原文的跨系统对比受麦克风与数据规模差异限制，只能作为选型参考。总体趋势是紧凑事件优于稠密帧、链接大幅降混淆，但该趋势不等于每组配置每一步都成立，具体选型仍需在目标数据上按同一评价条件重跑对照。
对于刚入门的研究生，建议把本文当作诊断方法课：先复现事件式 3 阶段链与链接后端，学会用三分量与分区分解定位误差，再去尝试更强的跟踪或重叠建模。不要把单次最优数字当作方法上限，也不要把 oracle 上限当作可部署收益，保留好窗口、容差与聚合口径才能让后续工作可比。
📎 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