英文题目：MuLA-Bench: A Multilingual Long-Form Audio Understanding Benchmark via Multi-Tier Auditing
标签：#音频问答 | #基准设计 | #多语言 | #长音频处理
评分：8.3/10 | 创新 1.4/2 | 技术严谨 1.1/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 1.1/1.5 | 开源 1.5/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Zeyu Yang：The Chinese University of Hong Kong, Shenzhen；Alibaba Token Hub, Alibaba Group
- Xinyu Zhang：Alibaba Token Hub, Alibaba Group
- Zibo Bi：Alibaba Token Hub, Alibaba Group；Xi’an Jiaotong University
- Pei Zhang：Alibaba Token Hub, Alibaba Group
- Xize Cheng：Alibaba Token Hub, Alibaba Group
- Jin Xu：Alibaba Token Hub, Alibaba Group
- Baosong Yang：Alibaba Token Hub, Alibaba Group
- Satoshi Nakamura：The Chinese University of Hong Kong, Shenzhen
📌 核心摘要
该工作处理原生多语言长录音理解评测，输入为完整长音频与源语言开放问题，输出为需证据支撑的事实、推理、时序与远距答案，难点在于语言、领域、证据类型与操作需求交织且自然声学事件稀疏难控。构建链分四步推进：先按语言与领域组织原生录音并做字幕与配音清洗，再并行挖掘语义原子事实与验证自然声学事件，接着由解耦问答调用生成问题与独立求解答案，最后经自动捷径检验与单语专家回放审计定稿。相对翻译共享题干或注入目标声音的做法，该设计以语义轨道每语言乘领域格30题均衡布题支撑可比性，以声学轨道保留自然分布避免制造虚假平衡。在固定基准评测设置下，Gemini 3.8 Flash的准确率为73.40%，高于Gemini 3.7 Flash的准确率73.12%。结论仅适用于该评测空间内的条件比较，不能外推为语言固有难度排序或替换语音为声音的因果效应。该诊断的适用边界受限于固定模型队列与非配对证据子集，稀疏远距尾部等尚未验证的外推仍需谨慎。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
代码相关资源：https://github.com/QwenLM/Omnilingua-Bench/tree/main/MuLA-Bench — 链接可访问（HTTP 200）
数据相关资源：https://github.com/QwenLM/Omnilingua-Bench/tree/main/MuLA-Bench — 链接可访问（HTTP 200）
第三方资源：https://www.ethnologue.com/ — 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，输出是什么，为什么只看长度不够
这篇解读的输入是论文正文证据与本次收到的官方原图像素，目标是让刚进入语音与音频方向的研究生能复述 MuLA-Bench 的做法与结论。必须保留的信息包括数据规模与划分、双轨证据定义、4 种操作定义、构造流水线与冻结配置、评测输入限制与评分路由、以及以固定模型群组为范围的诊断结论。输出是 1 篇按学习依赖展开的技术解读，不做超出证据的排名推广。
MuLA-Bench 研究的任务是长时音频理解，输入是十几分钟到 3 小时的真实录音与源语言问题，输出是开放式回答并按路由二值计分。论文反复强调的起点是，上下文窗口变长本身不能证明理解可靠，同一个模型可能找回很远的事实，却认错附近的声音或对不准理解到的事件的时间。因此评测要把语言、领域、证据来源与请求的操作一起看，而不是只报告一个总准确率或一个长度惩罚。
对初学者而言，白话解释是，总分把不同难度混在一起，诊断要把难度拆开。语言指录音的记录级语言标签，领域指知识、教程、叙事、娱乐、生活、新闻、产品与信仰 8 类来源功能，证据指答案依据的是说话内容还是非言语声音，操作指题目要求的是找事实、做推理、对时间还是跨远距离检索。论文的中心做法就是控制问题分配但保留原生内容，用可核对的证据把这 4 个维度固定下来再比较。
术语小结：先用白话再固定简称
长音频语言模型指能处理整场讲座与访谈的音频语言系统，后文简称长音频模型。原生指原始来源内容而非翻译变体，后文简称原生。定位证据指带时间戳的可回放依据，后文简称证据。远距、时序、事实与推理是 4 种请求的操作，后文分别简称远距、时序、事实与推理。加性残差指减去边际后的交互偏离，后文简称残差。调整比值比指控制其他变量后的条件关联强度，后文简称调整关联。
组合机制已在前文桥接段说明，语义轨与声学轨分工不同但共享同一录音集合，远距与时序分别检验找回与对准，问题只读与逐字稿捷径分别堵住常识与文本替代，残差与排序相关分别回答偏离幅度与顺序保持，事件一致与时钟匹配分别对应理解与对准。重提这些术语时不再展开新定义，只增加适用条件。
同类评测走了哪几条路线，本文卡在哪个缺口
按同输入、同目标、同监督来对照，英文与中文长音频评测已经覆盖真实录音与小时级理解，例如 VoiceGiraffe 与 AudioSpan 处理真实交错的语音与声音，BLAB 与 ChronosAudio 等扩展到更长上下文。多语言方面，一条路线是把共享英文源翻译成多语言，另一条路线是合成或注入场景声音，前者简化了自然语言变异，后者简化了自然声学分布。
MuLA-Bench 的选择是不翻译共享源集合，也不注入目标声音。语义轨在每个语言乘领域单元放相同数量与相同任务配比的问题，声学轨只跟随验证到的自然事件可用性，稀疏单元不跨语言替代也不合成补齐。论文用对照表说明这种组合同时支持原生语言覆盖、野外录音、双重定位证据、自然声学与开放式问答，以及语言乘领域控制。初学者容易误以为原生多语言就是平行语料，论文明确指出它不是平行语料，主题、说话人与录制条件仍自然可变，语言比较是对该评测空间的刻画。
另一个需要先立住的概念是证据接地。白话说，接地就是答案必须能指回录音中的具体位置，语义证据指说话事实与关系，声学证据指笑声、掌声、音乐等可听的非言语或副语言事件。论文要求两轨都保留定位证据，但评测时不把逐字稿与证据注释给模型，模型只收到音频与问题。
相关路线再对照：翻译、合成与自然保留如何取舍
翻译路线用共享源的多语言版本获得严格可比性，代价是抹掉原生主题与说话人变异。合成与注入路线用可控声音获得均衡声学分布，代价是偏离自然出现概率。自然保留路线用完整录音获得生态效度，代价是成分难解耦。MuLA-Bench 的取舍是在语义侧用问题单元均衡换取可比性，在声学侧用自然可用性换取生态效度，两侧用不同的抽样原则而不用同一均衡约束。
这种取舍解释了为什么声学题量不能当作缺陷去填补。若用跨语言替代或合成事件填满稀疏单元，声学分布就不再是自然出现，诊断的操作相关差距也会失去解释力。正确用法是把声学单元题量与任务分布一起报告，把结论限定为观测交互，把因果问题留给后续配对实验。
要回答的三个诊断问题是什么
论文把长音频总分拆成 3 个可检验的问题。第一，语言难度是否随领域与任务变化，如果同一语言在娱乐与产品中的相对表现符号相反，就不能用单一语言排名概括能力。第二，声学与语义的差距是否随操作变化，如果事实题声学全面落后而推理题出现反转，就不能用一个语义与声学差值代表全部操作。第三，找对事件是否等于对准时钟，如果排序正确但物理时间点错误持续出现，就需要把内容检索、自然声学利用与时间对齐分开评。
这 3 个问题决定了后文的实验组织。语言与领域用均衡语义网格回答，证据与操作用双轨任务剖面回答，时间用排序与时间点分离加案例回答，距离用最早证据位置曲线与控制模型、语言、领域的回归式关联回答。所有诊断都声明是描述性比较或条件关联，不是把声音替换为语音的因果干预。
从教学例子理解四种操作的区别
举一个教学例子而非论文数据，假设录音中主持人在第 32 分钟笑了一声并在第 70 分钟公布获奖名单。事实题可能是获奖者是谁，答案在说话内容中可直接找回。声学事实题可能是 32 分钟听到的是什么，需要确认笑声可听而非逐字稿推测。推理题可能是为什么某次探测器读数异常，需要联合多次出现为绿或蓝而此次为红的关系。时序题可能是笑声在前还是公布在前，或笑声的物理时间点。远距题可能是结合第 8 分钟与第 70 分钟的 topical coherent 证据回答，两点跨度超过 10 分钟。
这个例子说明同一录音可派生不同操作，操作不同则证据与时间要求不同。论文的正式定义与例子对齐，但具体阈值以 600 秒规则与正负 3 秒容差为准，不把例子中的分钟数当作论文阈值。
方法全景：一个样本如何走完输入到输出
先沿一个录音走完流程。输入是一段原生多语言长录音与匹配语言字幕，附带来源级语言与领域标签。系统先做来源筛选，过滤确认的配音与叠加语音，领域分类器在逐字稿上选 8 类中的主导功能。接着语义与声学证据并行接地，语义把字幕线索转成带时间戳的原子事实并回贴到真实来源提示，声学用全录音扫描提议事件再对选中窗口做两遍多模态核验。
然后证据规划器把保留事实组织成检索、枚举、多槽、多跳、时间点与时间顺序等结构，问题书写器只看到证据计划并只输出问题，答案推导用全新上下文根据问题与支持证据得出答案。最后自动门与语言专家做多层审计，专家回放定位音频并在需要时修正时间，再组装成发布题集。
语义轨 × 声学轨： 语义轨负责 spoken facts and relations，即字幕中可定位的说话事实与关系，用每语言乘领域单元 30 题的均衡分配支撑可比性；声学轨负责 non-speech or paralinguistic events，如笑声、掌声和音乐，用验证到的自然事件可用性决定题量而不强行补齐；两者搭配的理由是同一录音集合中保留原生语言内容和自然声学证据，组合意义是让总分之外的证据与操作交互可以被分别度量。
下图是构造流水线的像素导读，阅读时先抓主路径再看分支汇合，才能把后文冻结配置对号入座。
看图路径： 1. 沿左侧原生多语言来源走向右侧双轨证据接地，再走向问题生成与自动核验；2. 对比声学分支的盲听描述与提案对齐和语义分支的原子事实与回贴来源提示；3. 找到自动核验中语言门、逐字稿接地与捷径检查三层的位置；4. 确认专家复听定位音频后再组装为 5038 题的位置
论文图 3。原论文 Figure 3:：“Construction pipeline of MuLA-Bench. Native multilingual sources are organized over the Language–Domain grid before semantic and acoustic evidence are grounded in parallel.”。
该图把 4 级审计画成从上到下的流水。第一级是来源级审计，输出 1769 个验证来源与 16 乘 8 语言与领域网格。第二级是证据级审计，声学支路从扫描到盲听描述再到提案对齐与质量过滤，语义支路从原子事实抽取到回贴来源提示再到证据规划。第三级是问答级审计，问题生成与答案生成解耦，右侧自动核验分别做语言门、逐字稿接地与捷径检查。第 4 级是专家级审计，做证据充分性、时间戳校准与答案校准，最终输出 5038 个问答对。教学价值在于它说明昂贵核验集中在选中窗口，而全录音提案阶段保持覆盖，两者不是对全程声音的穷尽人工标注。
证据、任务与控制单元如何定义
控制单元是问题单元，不是录音数量或录音身份。语义轨每个语言乘领域单元恰好 30 题，其中事实 8 题、推理 8 题、时序 7 题、远距 7 题，因此领域的平均值对 16 语言等权，语言的平均值对 8 领域等权。声学轨不施加等单元约束，39 个单元少于 10 题、14 个单元多于 10 题、1 个单元为空，论文保留这种差异而不填充。
4 种操作需要按原文复述。事实与完备题要求可明确找回的事实，包括单事实、穷尽列表与多槽。推理要求基于录音证据的推断，可仅靠常识回答的题目在构造中被拒绝。时序定位分为度量式与顺序式，前者要事件加物理时间线对齐，后者只要事件顺序。远距检索对语义题有明确几何规则，单证据要求足够晚，多证据要求跨度足够大或起始足够晚且多点 topical coherent，声学远距题用验证过的声学事件证据并单独分析。
\[R_{m,\ell,d}=A_{m,\ell,d}-A_{m,\ell}-A_{m,d}+A_{m}.\]上式是语言与领域残差的定义，符号含义是模型在某语言某领域单元的准确率减去该模型的语言边际与领域边际再加回总均值，计算目标是偏离可加预期的交互部分。该式是后文条件难度热力的直接依据，原文用固定 8 模型群组的平均残差报告，并用配对自助区间标出显著偏离。
\[\mathrm{LR}(q)=\begin{cases}\mathbf{1}[t_{1}\geq 600],&m=1,\\[3.0pt] \mathbf{1}\!\left[(\max_{i}t_{i}-\min_{i}t_{i}\geq 600)\;\lor\;(\min_{i}t_{i}\geq 600)\right],&m>1.\end{cases}\]上式是语义远距规则的形式化，符号是题目证据时间戳集合，单点要求不早于 600 秒，多点要求最大减最小不小于 600 秒或最小值不早于 600 秒。计算目标是按证据位置而非录音名义时长判定远距，原文明确单晚事实即可算远距，远距不蕴含每题都需要多跳推理。
远距检索 × 时序定位： 远距检索要求证据起始至少 10 分钟之后或多证据跨度至少 10 分钟，分工是检验晚出现与跨度大的内容能否被找回；时序定位分为事件排序和物理时间点定位，分工是检验顺序是否正确与时钟是否对准；搭配理由是找回事件不等于对准时钟，组合意义是把长上下文能力拆成检索成功与时钟接地两个可分离的诊断。
没有模型训练时，构造流水线冻结了什么
本研究没有训练新的音频语言模型，该节的真实计算过程是基准构造与质量控制流水线。共享文本模型调用使用固定温度 0、高推理努力与最大补全预算 8192，承担语义证据挖掘、规划、问答与文本核验。语义挖掘按最多 40 分钟切片抽取原子事实，标准事实要求回贴分数不低于 2.5，时序计划用更严的 3.5，不能贴回充分可信来源提示的事实被丢弃。论文声明发布的语义时间戳来自该回贴步骤，未用强制对齐生成。
声学支路先用固定检查点的扫描器以 20 秒窗与 20 秒步长掃全录音提议带起止时间的事件描述，再用启发式按事件权重、不同类别数与高权重事件数打分，每录音至多保留 12 个候选窗口。选中片段经两遍核验，第一遍不看提议而记录实际可感知的非言语事件，视觉只辅助判断声源而不替代可听性，第二遍把提议与盲听观察做保留、修改或删除对齐。粗粒度窗内事件可用于非时序题，时序题要求精确计时元数据。声学收获还限制每语言乘领域单元至多 10 题、每来源至多 3 题，以保留多样性而不强行填满稀疏单元。
问题与答案生成解耦是关键约束，问题书写器看不到预写参考答案，全新上下文的答案调用再根据问题与支持证据推导答案，声学题的发布金答案系到验证过的事件接地证据记录。自动核验分 3 层，语言门检查生成问答的语言，逐字稿接地检查无支撑断言、错误前提、多有效答案、泄露与问答错配，问题只读消融在无音频、无逐字稿与无引用证据下求解并比对参考。
\[\mathrm{Reject}_{\mathrm{aco}}(q)=\begin{cases}1,&\tau(q)\in\{\mathrm{fact},\mathrm{long},\mathrm{time}\}\;\land\;T_{\mathrm{full}}\Rightarrow a_{q},\\[3.0pt] 1,&\tau(q)=\mathrm{reasoning}\;\land\;T_{\mathrm{local}}\Rightarrow a_{q},\\[3.0pt] 0,&\text{otherwise.}\end{cases}\]上式是声学捷径检验的任务相关拒绝规则，符号中全文逐字稿与事件局部语音分别记为两种文本条件，事实、远距与时间题在全文逐字稿已可回答时拒绝，推理题在事件局部语音已直接说出结论时拒绝。计算目标是保留声音的预期贡献，推理题允许远处逐字稿事后拼凑出类似猜测，只要引用场景处的语音没有直接给出结论就不算声音多余。实现上先由只读逐字稿求解器声明是否可答，再由第二验证器确认是否实质命中参考后才移除。
问题只读检验 × 逐字稿捷径检验： 问题只读检验分工是不给音频、逐字稿或引用证据而直接求解，剔除仅靠常识可猜中的题目；逐字稿捷径检验分工是按任务给全文或事件局部语音，检验声音是否多余，事实、远距与时序题要求全文逐字稿不足以回答，推理题要求事件局部语音没有直接说出结论；搭配理由是分别堵住常识猜测和文本替代声音两条捷径，组合意义是保留声音的预期贡献而不注入目标声音。
评测输入、评分路由与统计口径如何固定
评测对象是 7 个托管系统与 3 个本地开源权重系统，共 10 个模型。所有系统收到源语言问题与规范音频，不给逐字稿、视频帧与金证据。规范输入是完整录音，仅 4 个证据在 3 小时之后的预定义题目使用包含全部标注证据的固定后段 3 小时片段。本地模型按原生上下文上限喂最长前缀，冻结限制分别为对应模型的 3276.8 秒、2400 秒与 1800 秒，对 4 个后段题目则从预定义后段起点开始取前缀，绝不用金证据为中心的裁剪。缺失、无效或不合规回答在 5038 题分母下计零，覆盖率另行报告为操作诊断。
评分把开放回答按答案结构路由到 6 条二值规则，单事实、穷尽列表、多槽、推理、时间点程序与时间顺序分别有显式接受条件。语义容忍转述与单位等价，结构上穷尽与多槽缺一即错，推理按主要结论与必需断言判，时序由语言模型只做事件与候选时间配对，最终时钟接受由程序决定。时间点要求事件正确且时钟对准在正负 3 秒内，对区间参考与区间预测有展开与宽度上限规则，宽预测不因覆盖答案而得分，只评最终承诺答案。人工重评 117 个抽样回答，与自动评测在 114 个上一致，论文报告为一致性而非绝对准确率估计。
下表是基准规模与分配的整理，阅读问题是该评测空间是否同时具备总量与可比性，公平条件是语义轨等单元分配而声学轨保留自然可用性，指标方向是题量本身不代表难度。
| 条件 | 规模指标 | 语义轨 | 声学轨 | 合计与说明 |
|---|---|---|---|---|
| 发布总量 | 开放问题数 | 3840 题 | 1198 题 | 5038 题，1769 录音共 1377.9 小时 |
| 语言领域 | 覆盖维度 | 16 个语言 8 领域 | 同一录音集合 | 每语义单元 30 题，事实 8 推理 8 时序 7 远距 7 |
| 声学采样 | 可用性原则 | 不适用 | 跟随验证事件 | 稀疏单元不翻译填充不注入声音 |
| 来源时长 | 中位与均值 | 不适用 | 不适用 | 中位 36.8 分钟，均值 46.7 分钟，至少 30 分钟占 92.8% |
| 任务构成 | 声学任务分布 | 不适用 | 事实 867 推理 122 时序 112 远距 97 | 声学总量被事实题主导，单差值不代表全部操作 |
上表把总量、均衡分配与自然不均放在一起，主要收益是语义比较可做加性残差分析，具体代价是声学聚合分被事实题主导，跨轨单差值必须按操作拆开看。未胜出项是声学稀疏单元，例如一格为空与 39 格少于 10 题，论文明确这是发布标准下的保留差异。
下表是任务与证据交叉的题量整理，阅读问题是比较声学与语义时分母是否可比，公平条件是报告每操作各自的语义与声学题量，指标方向是准确率越高越好但小样本区间更宽。
| 操作 | 语义题量 | 声学题量 | 合计 | 备注 |
|---|---|---|---|---|
| 事实与完备 | 1024 题 | 867 题 | 1891 题 | 声学中占比最高 |
| 推理 | 1024 题 | 122 题 | 1146 题 | 声学样本较小 |
| 时序定位 | 896 题 | 112 题 | 1008 题 | 排序与时间点为不同路由 |
| 远距检索 | 896 题 | 97 题 | 993 题 | 声学远距单独分析 |
| 全部 | 3840 题 | 1198 题 | 5038 题 | 语义每单元任务配比相同 |
上表说明跨轨比较是不同题目子集的描述性比较，不是同一题目的证据替换实验。声学推理、时序与远距样本远小于语义对应项，解读符号翻转时必须同时看样本量。后文证据差距图中的连线只是展示每个模型的剖面，不是跨任务的连续变量。
\[s_{q}^{\mathrm{time}}=\mathbf{1}[\mathrm{event}(\hat{a}_{q})=\mathrm{event}(a_{q})]\cdot M_{\mathrm{time}}(\hat{t}_{q},t_{q}^{\star}).\]上式是时序得分的定义，符号中事件一致示性函数乘以时钟匹配函数，计算目标是两者同时成立才得分。该式把路由语义判断与程序数值容差分开，原文强调构建时间戳不是最终人工真值的替代，专家回放校准参考时间，评测容差只是计分规则。
主结果显示了什么，条件分析支持什么
10 模型总体上远距检索最好，声学聚合差于语义。头部 2 模型总体准确率分别为 73.40% 与 73.12%，中间 2 模型总体仅差 0.40 分但技能不同，一个在时间顺序上领先，另一个在时间点与声学事实上领先。开源权重模型受原生上下文限制，总体在 13% 到 25% 之间，高回答覆盖率不意味着看到全部金证据区域，得分度量的是包含上下文限制的完整系统。诊断用的固定 8 模型群组是 7 个托管系统加一个本地模型，后文残差、位置曲线与回归估计都限定在该群组。
下表是核心数字结果的整理，比较问题是不同模型在固定 5038 题分母下谁更高，公平条件是缺失回答计零且不做金证据裁剪，指标方向是准确率越高越好。
| 模型 | 总体准确率 | 语义与声学 | 任务侧写 | 运行条件 |
|---|---|---|---|---|
| 开源本地模型 | 24.91% 对比 13.60% 与 13.48% | 本地前缀受限 | 远距相对最好时序最弱 | 贪心解码与固定前缀上限 |
| 评分可靠性 | 114 对 117 一致约 97.4% | 抽样重评 | 路由规则一致性 | 不作为绝对准确率估计 |
上表的主要收益是头部模型在总量上接近但操作剖面不同，具体代价是低分模型的稳定排序不代表绝对能力强，例如总体 13.48% 的模型仍可在声学推理上高于语义推理。未胜出项是 3 个本地模型在时序与声学事实上的明显短板，复现时应先检查前缀是否截掉金证据。
条件多语言难度的证据是残差与排序两面。下图左为平均语义残差，右为条件排序与总体排序的相关，阅读时不要把相关高误读为准确率高。
看图路径： 1. 在左图按行读越南语与中文在娱乐与产品单元的残差符号变化；2. 在右图按列比较叙事与娱乐条件下语言排序与总体排序的相关高低；3. 区分左图讲组合偏离幅度、右图讲排序是否保持的不同问题
论文图 4。原论文 Figure 4:：“Conditional language difficulty in the eight-model cohort.”。
该图左下面板显示越南语在娱乐为正残差约 14.2 个百分点而在产品为负残差约 13.3 个百分点，中文在产品达负 16.4 个百分点，加粗格的配对自助区间不含零。右面板显示某模型的叙事排序与总体排序相关为负 0.31，另一模型在娱乐为负 0.29，某旗舰模型的日语从总体第一掉到时序第十而印地语从总体第八升到远距第一。解释段的判断是语言相对难度依赖领域与任务，这些是基准条件下的排名而非语言固有顺序，且平均残差不意味着所有模型共享同一交互模式。
距离分析显示操作决定距离含义。下图左为按最早证据位置分组的平均准确率，右为调整比值比，阅读时先确认左图计数包含全部任务而右图以语义事实为参考。
看图路径： 1. 在左图比较远距检索曲线与时序曲线随最早证据位置变化的斜率差异；2. 注意最右稀疏尾部用虚线与阴影标出，不把该段下降推广为全程规律；3. 在右图确认类别对照以语义事实为参考，距离对照为加一个标准差
论文图 6。原论文 Figure 6:：“Distance is not a uniform difficulty axis (eight-model cohort).”。
该图左面板显示远距在 0 到 120 分钟各箱保持在 64.0% 到 69.7% 之间，时序从 44.4% 降到 23.2%，超过 120 分钟的尾部仅 47 题并用虚线阴影标出稀疏。右面板按原图像素读取，声学事实与语义时序的图示 OR 分别为 0.25 与 0.43，纵轴为对数刻度且均小于 1，方向是相对语义事实参考更难。论文正文与附录表格另行报告的 0.096 与 0.147 是可识别 8 模型拟合中对应类别的调整比值比估计，不应与该图右面板的 0.25 与 0.43 混为同一图示值。时长与相对最早位置的加一个标准差对应比值比小于 1，跨度区间跨过 1。解释段支持的判断是距离不是统一难度轴，应结合操作解读，稀疏晚尾限制了对最远证据的结论。
加性残差 × 排序相关： 加性残差分工是减去模型自身的语言边际与领域边际，检验特定语言与领域组合是否偏离可加预期；排序相关分工是用斯皮尔曼相关比较条件切片下的语言排序与总体排序是否一致；搭配理由是一个看组合偏离幅度，一个看相对顺序是否保持，组合意义是把条件难度与全局语言排名区分开，避免把某一切片的顺序当作语言固有顺序。
\[\begin{split}\operatorname{logit}\Pr(Y_{qm}=1)={}&\beta_{0}+\alpha_{m}+\lambda_{\ell(q)}+\delta_{d(q)}+\gamma_{e(q),t(q)}\\ &+\bm{\theta}^{\top}\mathbf{z}_{q},\end{split}\]上式是可识别逻辑回归的线性预测，符号包括模型、语言、领域、证据与任务联合类别及标准化的时长、相对最早位置、相对跨度与证据数。计算目标是描述性条件关联，联合类别以语义事实为参考，不再冗余加入证据与任务主效应，每次自助按问题整群抽样并保留 8 模型结果以保持题内依赖。原文明确这不是因果效应也不是预测重要性的普适排序。
为补足可重放的结果对照，下表比较固定分母下总体准确率谁更高，公平条件是缺失回答计零且覆盖率不改变分母，指标方向是准确率越高越好。
| 模型分组 | 总体准确率 | 组内对照 | 技能分化 | 运行条件 |
|---|---|---|---|---|
| 旗舰托管双模型 | 73.40% 与 73.12% | 总量接近 | 远距强声学弱 | 提供方默认解码 |
| 中部托管双模型 | 总体仅差 0.40 points | 总量接近但操作不同 | 时间顺序与时间点声学事实分化 | 提供方默认解码 |
| 开源本地 3 个模型 | 24.91% 对比 13.60% 与 13.48% | 原生上下文计入分母 | 远距相对最好时序最弱 | 贪心解码与原生前缀限制 |
上表的主要收益是头部 2 模型总量接近而中部 2 模型虽仅差 0.40 points 但技能分化明显，具体代价是开源模型的原生上下文限制仍计入完整系统得分，未胜出项是低分模型的稳定排序不代表绝对能力强，复现时应先核对缺失计零与不做金证据裁剪的公平条件。
证据差距与时间失败在什么条件下反转或持续
操作相关的证据差距是本文最需要按条件读的结果。事实差距全部为负，从某低分模型的负 9.3 个百分点到某高分模型的负 72.7 个百分点，而推理差距在 6 个模型上反转，包括两个新增开源系统的约 15 个百分点声学优势。时序差距混合，远距差距一般小于事实差距。论文强调这是不同题目子集的描述性比较，声学任务分布不均，剖面描述的是观测表现的交互，不是把同一题目的说话证据换成声音的因果效应。
下图是 10 模型的证据差距剖面，阅读问题是声学劣势是否对所有操作成立，公平条件是每操作分别用各自语义与声学子集计算，指标方向是负值偏向语义、正值偏向声学。
看图路径： 1. 先看事实操作上所有模型曲线都在零线以下，再看推理操作上多条曲线回到零线以上；2. 比较同一模型在事实与推理之间的证据差距符号是否翻转；3. 核对横轴下标注的语义与声学题量差异，避免把总量差距当作配对替换效应
论文图 5。原论文 Figure 5:：“Evidence gaps across operations for ten models.”。
该图横轴为事实、推理、时序与远距 4 类操作，纵轴为声学减语义的百分点差，底部标注语义与声学题量如事实 1024 对 867、推理 1024 对 122。可见事实端所有折线都在零线以下，推理端多条折线抬升至零线附近或以上，时序与远距端方向分散。解释段的主要收益是报告证据与操作剖面比只报总分更有信息，具体代价是小样本声学推理的优势不能推广为声音整体更易，例如某模型语义事实 89.75% 而声学事实仅 17.07%，同一低分模型却在声学推理 40.98% 高于语义推理 11.33%。
时间失败的另一面是事件理解与时钟接地分离。3 个示例模型在排序上显著高于时间点，诊断切片含 386 个顺序题与 567 个时间点题，旗舰变体的差距较小因此该分离与模型有关。土耳其语案例中，多模型能找回针数从 63 增至 69 的事件，却报出 15 比 57、16 比 26 或 14 比 32 而非 16 比 06，语义事件可用但物理时间错误。葡萄牙语与意大利语案例显示自然笑声被误判为游戏音乐、鼠标点击、咳嗽或通知声，韩语远距案例显示相近刑期实体与竞争事件的接地错误。论文声明这些是失败类型的示例而非频率估计。
事件一致 × 时钟匹配： 事件一致分工是由评测模型判断回答的事件与参考事件在语义上是否同一件事；时钟匹配分工是由程序按正负 3 秒规则判定预测时间是否落入允许区间；搭配理由是把理解与对准分开，前者允许转述，后者只认数值区间，组合意义是让找对事件但报错时间的失败可以被单独计数。
哪些结论不能推广，哪些边界尚未评测
论文在附录中集中声明了限制，复述时要逐项保留。语义问题分配受控，但录音内容与说话人在语言之间不平行。声学可用性与任务混合保持自然不均，声学与语义差距是描述性而非匹配干预。语义远距包含晚单事实与宽跨度证据，强检索不等于一般远距推理。本地上下文限制与回答失败计入端到端得分。117 个回答的评测者审计是抽样一致性检查，最终数据集复核是每语言 1 位专家而非独立双标注，群组诊断结论限于固定 8 个模型。
未评测边界包括误判率、延迟与成本未被承诺改善，训练资源、推理开销、输出帧率与实际延迟需分别讨论。残差交互本身还随模型变化，越南语与产品等单元的跨模型标准差可达 14 个百分点，西班牙语新闻、德语产品与意大利语新闻也在 11 个百分点左右，因此多语言难度既是领域条件化的，条件化本身也可能是模型相关的。
资源状态是正文开源声明的唯一依据，本次收到的资源状态显示代码与数据集链接当前可用，第三方语言人口元数据链接当前可用。发布物包括问题、参考答案、定位证据、任务元数据与评测元数据，来源可追溯但原录音版权归权利人，再分发受来源许可限制。
复现先做什么，需要哪些信息条件
复现先固定分母与输入。分母用官方 5038 题，缺失与持久失败计零，覆盖率另行记录。输入用规范音频，4 个后段题目从预定义后段起点取段，本地模型按冻结前缀上限从起点取前缀，不做金证据为中心的裁剪。问题前加与源语言一致的固定包装，含义等价于请根据完整音频内容回答，不加额外系统指令、思维链要求或输出模式。
再固定评分。按 6 路由分别调用低或中推理努力的评测模型做语义比较，程序守卫执行多槽与穷尽的结构约束，时序走事件配对加程序容差。时间点容差为正负 3.0 秒，点对点看绝对差，点对区间看落入扩展区间，区间预测要求宽度至多 10.0 秒且包含参考点或与参考区间重叠。只评最终承诺答案，中间推理与自我修正忽略，未解决的多答案按错计。
诊断复现注意群组范围。语言残差、位置曲线与回归估计用固定 8 模型群组，40,304 个问题模型观测，400 次按问题整群自助。语言人口等元数据仅为描述性覆盖维度，不用于从资源水平推断模型表现。代码与数据集当前可用是本次资源状态的结论，若后续链接变化应以实际可达性为准，权重下载与系统可运行需区分对待。
何时值得尝试这套诊断，还需补哪项验证
当研究问题是长音频在多语言、多领域与多操作下的条件能力而非单一总分时，这套诊断值得尝试。它的可复用部分是均衡语义网格加自然声学轨、解耦问答生成、任务相关的逐字稿消融，以及把排序与时间点分开的时序计分。若目标只是提升某一语言的总体准确率，直接用该基准的总分做模型选择会掩盖领域与任务的交互，应同时看残差与排序相关。
还需补的验证取决于要下的结论。若要主张声音带来因果增益，需要配对替换证据的干预实验而非跨子集差值。若要主张最远尾部的规律，需要补充超过 120 分钟的样本而非推广稀疏段。若要主张评测者绝对准确，需要独立裁决基准而非 117 个抽样一致性。若要主张部署收益，需要在可运行策略下报告延迟、成本与拒绝率，而搜索最优与事后最优只能另行标注。
对初学者的收束是，记住 3 个分离，长与难分离，找对与对准分离，平均落后与操作优势分离。用均衡网格回答语言与领域，用操作剖面回答证据，用事件加时钟回答时间，用位置曲线加调整关联回答距离。每一步都回到定位证据与固定分母，结论就不会被单个长上下文分数带偏。
📎 论文与评分元数据
排名：前25% | 文档类型：数据集与基准 | 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