标签：#文本到语音 | #SFT | #流式处理 | #基准测试
评分：6.5/10 | 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 1/1.5 | 开源 0.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Wenhao Li：机构信息未在 arXiv HTML 中可靠披露
- Jinrui Liang：机构信息未在 arXiv HTML 中可靠披露
- Haoyu Zhang：机构信息未在 arXiv HTML 中可靠披露
- Jingbin Hu：机构信息未在 arXiv HTML 中可靠披露
- Xiaming Ren：机构信息未在 arXiv HTML 中可靠披露
- Hanke Xie：机构信息未在 arXiv HTML 中可靠披露
- Huakang Chen：机构信息未在 arXiv HTML 中可靠披露
- Chengyou Wang：机构信息未在 arXiv HTML 中可靠披露
- Dake Guo：机构信息未在 arXiv HTML 中可靠披露
- Linhan Ma：机构信息未在 arXiv HTML 中可靠披露
- Su Feng：机构信息未在 arXiv HTML 中可靠披露
- Houdun Liu：机构信息未在 arXiv HTML 中可靠披露
- Yunxiang Chen：机构信息未在 arXiv HTML 中可靠披露
- Lei Xie：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
级联口语对话系统需将大语言模型生成的含非标准词文本转换为可读的语音合成输入，难点在于上游文本逐词到达而数字读音高度依赖右向上下文，早吐易错晚吐则首包延迟恶化。首先StreamTN以Qwen3-0.6B为基座，将原始输入轨与延迟归一化历史轨经共享词嵌入映射并相加融合，形成双轨对齐表示送入因果Transformer。接着模型按固定延迟d仅依据已见原始词元与已生成历史自回归预测下一个归一化词元，上一步输出回填为下一步历史输入以衔接解码。然后在输入耗尽后以补零表征延续解码直至结束符，从而解耦输入到达与输出生成。相比等待整句的离线规则与提示式大模型，该机制无需复杂提示即可增量输出，并以延迟帧数可控权衡上下文与时延。在1262条覆盖14类的对话基准上，4帧延迟配置取得Micro-F1 0.8937，精度与BiLSTM基线基本持平而支持流式，复杂数学方程等长结构化类别仅0.750。该结论适用边界受限于中文对话基准与现有类别分布，复杂数学方程与化学式为主要失败条件且跨语言与跨领域外推尚未验证，4帧配置延迟为213ms且推理开销在单张A6000上测得。
🔗 开源与复现资源
- 演示资源：https://supernova-neko.github.io/Stream-TN/ — 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，哪些信息必须保留？
本文的输入是级联式口语对话系统中上游大模型逐词产生的中文回答文本，输出是可直接送入语音合成模块的中文可读文本。目标是在回答还在生成、尚未结束时就开始转换，让合成端尽早拿到第一个可发音的数据包。必须保留的信息包括原始语义、数字与符号在上下文中的正确读法，以及不引入原文没有的新内容。举例来说，同样是数字串，出现在年月日、电话号码、金额或算式中应当读成不同形式，转换必须依据上下文选对读法，而不是只做字面替换。
论文把这种转换称为中文文本规范化。白话讲，它就是把人能看懂但机器不好直接念的写法，改写为发音无歧义的写法。英文名为 text normalization，缩写为 TN。后文统一用文本规范化指代该任务。系统位置在上游大模型模块与语音合成模块之间，英文分别为 LLM module 和 TTS module。原文强调，传统做法是等整句回答到齐后再做规范化，而对话场景要求增量处理，这就把任务从离线预处理变成了带延迟约束的流式生成问题。
本解读默认从原文独立写作，事实只依据本次收到的论文原文证据与官方原图像素。资源状态方面，本次收到的资源条目显示演示页当前可用，状态码为 200，地址为官方演示链接，因此可以写该演示当前已公开；模型与基准的发布表述按原文为将来时，解读中保留其将来时，不提前断言已可下载。
已有哪些路线，为什么它们不够直接拿来用？
第一条路线是工业界常用的规则与加权有限状态机方法。白话讲，就是人工编写正则表达式和语法，把数字、日期、单位等模式逐一覆盖。它的分工是提供强可控性，遇到已定义模式行为确定。原文指出其代价是需要大量面向语言的人工工程，对未见模式泛化较差。
第二条路线是神经与混合方法，包括把规范化看作序列建模、中文里结合多头自注意力或规则引导的格子 Transformer 等。FlatTN 属于此类，它把专家规则融入端到端中文规范化并发布了大规模中文数据集。原文的定位是，这些工作主要面向离线或句子级规范化，而不是对话系统中低延迟的流式规范化。
第三条路线是基于提示的大模型规范化，例如 PolyNorm 用少样本提示做多语言规范化。这类方法的分工是利用通用大模型的建模能力减少规则编写。原文指出其在级联对话中的具体困难：通常要等足够或完整上下文，带来额外延迟，还可能出现格式不稳定或幻觉输出；若把核心大模型本身微调为只做规范化，又会损伤其智能或推理能力。
同输入、同目标、同运行阶段的有源对照是：同为中文规范化时，规则工具 WeTextProcessing、规则引导的 FlatTN、纯数据驱动的 BiLSTM 编码器解码器，以及未做任务微调的 Qwen3-0.6B 提示基线，都在同一 held-out 测试集与同一字符级微平均指标下比较；同为流式运行时，StreamTN 的不同延迟帧配置之间比较，离线全上下文模型只作为精度上限参考，不代替可部署的流式收益。
流式对话把规范化难在哪里？
困难来自输入到达方式的变化。离线任务可以看到整句，能同时用左侧和右侧上下文判断非标准词；流式任务在每个解码时刻只能看到上游回答的前缀。模型必须回答一个问题：当前前缀的信息是否已足够做出正确读法。过早输出可能读错，过晚等待则增大合成系统的首包延迟。英文中首包延迟为 first-packet delay，缩写为 FPD，后文统一用首包延迟。
文本规范化 × 语音合成可读性： 文本规范化负责把数字、日期、单位、公式等非标准词改写为发音明确的书面形式，语音合成可读性要求输出能直接对应唯一读法；二者搭配的原因是同一数字在日期、电话、金额、算式中读法不同，只有先消歧再送入合成，才能避免读错、韵律异常或合成失败，组合意义是把规范化从离线预处理变为对话链路中的发音决策环节。
论文还指出一个基准缺口。已有数据集多覆盖常规非标准词类别、离线句子级或多语言通用场景，没有充分反映对话中大模型回答的分布、多样性与延迟要求，特别是科学术语、化学式与数学表达式这类日益常见的复杂输出。因此需要一个面向对话的中文基准，同时度量规范化精度、跨多样输出的鲁棒性与流式推理延迟。
StreamTN 把自己放在链路的哪个位置？
StreamTN 是一个轻量中文流式文本规范化模型，基座为 Qwen3-0.6B。它被插入级联系统的上游大模型与下游语音合成之间，替代原来等整句到齐后才工作的离线规范化部件。上游逐词产生原始回答时，StreamTN 增量消费这些词并增量产生规范化词，使规范化文本可以在完整回答结束前就传递给合成模块。
下图给出原文架构：顶部是语音到语音的主链路，下部是双轨流式结构的展开，中间的 Transformer 主干标注为 Qwen3-0.6B。阅读时应先确认主路径方向，再理解上下两轨如何汇入主干。
看图路径： 1. 先沿顶部从用户语音经大模型、StreamTN 到语音合成的主链路确认数据流向；2. 再看下半部分原始文本轨与归一化文本轨如何分别送入中间 Transformer；3. 对照图例区分填充、延迟、原始词与归一化词四种方块的含义；4. 观察虚线对齐关系理解每一步用前缀输入加历史输出预测下一个词
论文图 1。原论文 Fig. 1:：“The architecture of our proposed StreamTn model.”。
从像素可见，顶部从左到右依次为用户语音、大模型模块、流式原始文本、StreamTN、流式规范化文本、语音合成模块、回答语音。下半部分中间为长条形 Qwen3-0.6B，上方一排为归一化文本词块，下方左侧为原始文本词块与延迟词块，另有填充词块。图例明确区分填充词、归一化文本词、延迟词与原始文本词。虚线表示对齐步之间的对应，箭头表示原始文本进入、归一化文本输出。该图支持的判断是：输入与输出被解耦为两条并行轨道，再融合后送入同一 Transformer，而不是把输入输出串在一条序列上等待。
双轨如何一步步算出下一个规范化词？
先沿一个样本走完流程。假设上游正在逐词输出原始回答，StreamTN 先等待 d 个原始词，这由延迟参数 d 控制。随后在每个对齐步 t，模型拿到当前可用的原始轨状态与延迟后的输出历史轨状态，把二者的嵌入相加得到融合表示，再经带因果掩码的 Qwen3 Transformer 得到隐状态，用该隐状态预测下一个规范化词。当原始流结束，原始轨填入填充符号，其嵌入为零向量，解码仅依据输出历史继续，直到产生结束符或达到最大生成预算。推理沿用自回归键值缓存，贪婪解码在单卡上执行。
双轨结构 × 延迟参数： 双轨结构分工是原始输入轨提供当前已到达的上游词缀，归一化输出轨携带延迟后的已生成历史；延迟参数 d 分工是规定先看多少个原始词才允许预测第一个规范化词；搭配理由是单序列自回归把输入就绪与输出生成绑在一起，无法在前缀不全时起步，双轨加固定延迟使每步既能消费新输入又能自回归生成，组合意义是把前瞻上下文量变成可调的首包延迟旋钮。
具体到符号，记原始输入序列为 x，长度为 n，规范化目标序列为 y，长度为 m。原始轨在 t 不超过 n 时取原始词，否则取填充符号；输出历史轨在前 d 步取延迟符号，之后取延迟 d 步的目标词，超出 m 加 d 后取填充符号。原文强调延迟符号与填充符号是概念对齐符号，不是可学习词表词，语义不同但实现上嵌入映射均为零向量。两轨共享同一嵌入空间，融合方式为逐元素相加。
\[\mathbf{z}_{t}=\Phi(\bar{x}_{t})+\Phi(\bar{y}_{t}).\]上式说明融合表示由原始轨嵌入与输出历史轨嵌入相加得到，是双轨汇入主干的接口。随后融合序列去掉最后一个位置后送入 Transformer，保证每个目标都只由其之前的因果状态预测，避免看到自身。
流式归一化 × 离线归一化： 离线归一化分工是等整句到齐后同时利用左右上下文消歧，流式归一化分工是在只有前缀时判断当前信息是否足以输出；搭配理由是论文要把同一任务放在对话实时链路中比较，离线给出精度上限，流式给出延迟约束下的可行精度，组合意义是揭示早吐会读错、晚吐会增加首包延迟的权衡，并用量化的延迟帧数控制该权衡。
在该因果移位下，对齐步 i 加 d 减 1 处的隐状态包含原始前缀与已生成的规范化历史，但不包含当前目标 y 的第 i 个词，由此得到下一步分布与整体流式分解。
\[p_{\theta}\left(y_{i}\mid x_{\leq\min(n,i+d-1)},y_{\lt i}\right)=\mathrm{softmax}\left(W_{o}\mathbf{h}_{i+d-1}+\mathbf{b}_{o}\right),\]\[\displaystyle p_{\theta}(\mathbf{y}\mid\mathbf{x})=\prod_{i=1}^{m}p_{\theta}\left(y_{i}\mid x_{\leq\min(n,i+d-1)},y_{\lt i}\right).\]训练目标是对有效规范化词的负对数似然求和，零填充位置被目标掩码排除。这意味着模型被训练为在部分输入上下文下做规范化，而不是依赖完整原始序列。
\[\displaystyle\mathcal{L}_{\mathrm{TN}}=-\sum_{i=1}^{m}\log p_{\theta}\bigl(y_{i}\mid x_{\leq\min(n,i+d-1)},y_{\lt i}\bigr).\]延迟与计算延迟的关系被显式拆分为两项：端到端首包延迟等于等待上游产生 d 个词的时间加上规范化模型侧产生第一个词的计算时间，后者包括对可用前缀做嵌入、初始预填充与首词 logits 计算。分开报告的理由是区分固有计算开销与特定上游到达速率。
\[\mathrm{FPD}_{\mathrm{e2e}}(d)=T^{\mathrm{LLM}}_{\mathrm{wait}}(d)+T^{\mathrm{TN}}_{\mathrm{first}}(d).\]数据与训练如何构造，分布长什么样？
分类体系先把 FlatTN 的细粒度非标准词类别合并为 10 个统一类型，以简化标签空间并保留覆盖，再新增 4 类科学内容：简单化学物质、复杂化学方程、简单数学公式、复杂数学方程，最终形成 14 类的对话导向基准。针对每类制定了基于中文语音合成发音与可读性要求的规范化指南，并在标注与评测中一致执行。
全参数微调 × 低秩适配微调： 全参数微调分工是更新 Qwen3-0.6B 全部权重以学习精确的字符级改写映射，低秩适配微调分工是冻结主干只更新注意力投影上的低秩旁路；搭配理由是论文要验证文本规范化所需的变换精度是否能被少量参数承载，对照结果显示只调旁路明显不足，组合意义是说明该任务依赖对主干表示的较大幅度重塑，而非轻量风格适配。
训练语料来自两路。第一路筛选公开中文文本 DuReader，其问题与文档来自真实百度搜索与百度知道数据，用正则检测器找出含可规范化模式的样本并只保留命中样本作为原始输入。第二路针对自然数据中覆盖不足的 4 类科学类别，用 Qwen3-32B 生成补充原始样本并人工去除不自然表达与明显合成痕迹。两路原始样本的规范化目标均由 DeepSeek-R1-70B 在同一规范下产生。质量检查为随机抽取训练集百分之 5 人工核验，其中百分之 98.2 被判与指南一致。
全部 1262 条 held-out 测试引用均经人工检查与修正。最终规模为训练 95793 条、测试 1262 条。
下图为原文类别分布饼图，右侧图例给出每类精确占比，左侧扇区标注取整百分比。阅读时先以右侧精确值为准，左侧仅看相对大小。
看图路径： 1. 先读右侧图例确认 14 类名称与其括号内精确占比；2. 再在左侧饼图中比较整数小数与简单数学公式等大扇区的相对大小；3. 注意复杂数学公式仅占很小扇区所提示的长尾与难度分布
论文图 2。原论文 Fig. 2:：“Data distribution of text normalization categories.”。
从像素可见，右侧图例按顺序列出整数与小数占百分之 14.6、序数占百分之 8.0、电话号码占百分之 4.7、年月与日期占百分之 5.9、时间占百分之 6.1、分数与百分数占百分之 5.5、军语口令占百分之 2.5、大写金额占百分之 6.1、金额读法占百分之 6.2、物理单位占百分之 9.9、化学式与方程占百分之 8.1、日常化学品占百分之 9.9、简单数学方程占百分之 11.4、复杂数学方程占百分之 1.0。
饼图左侧对应扇区大致匹配，复杂数学方程仅为很细的一条，说明该类在数据中既稀少又在结果中最难，二者共同提示长尾难例需要后续专门处理。训练实现使用 PyTorch 与 Hugging Face Transformers，主实验为全参数微调，消融中对比低秩适配，只在注意力投影的查询、键、值、输出投影上加旁路并冻结主干，秩为 8，缩放因子为 32，丢弃率为 0.05。优化在四块 A6000 上动态组批，学习率从 1 乘 10 的负 5 次方经余弦退火至 1 乘 10 的负 6 次方，共 5000 步。
每个可训练配置用 5 个随机种子独立训练并报告均值加减标准差，确定性规则与现成基线只评 1 次。
与谁比，在什么条件下比，用什么指标？
基线覆盖 4 种范式：保留默认规则集的开源规则工具 WeTextProcessing、规则引导的端到端中文模型 FlatTN、无手工规则的轻量编码器解码器 BiLSTM，以及只做任务提示而未做任务微调与流式适配的通用 Qwen3-0.6B。比较的问题是：在同一对话导向测试集上，哪种范式能在精度与流式延迟之间给出更实用的权衡。条件一致性体现在同一测试集、同一字符级微平均精度、召回与 F1，以及可训练模型均报告 5 种子的均值与波动。
首包延迟 × 端到端： 首包延迟中模型侧部分分工是度量收到 d 个原始词后做嵌入、前向预填充并算出第一个规范化词 logits 的时间，端到端分工是再加上等待上游大模型产生这 d 个词的时间；搭配理由是若混在一起会把上游生成速度误算为规范化模型的计算开销，分开报告才能区分固有计算延迟与特定上游到达速率，组合意义是让不同上游速率下的延迟比较保持公平。
指标计算先对每对预测与引用做最小代价编辑对齐，计匹配、替换、删除与插入数；匹配计为真正例，替换同时计入假正例与假假例中的假负例，插入计入假正例，删除计入假负例；再在全集上累加后计算微平均精度、召回与 F1，而不是先算句级再平均。因此每个对齐字符权重相等，字符级长 verbalization 的类别会对总分影响更大。指标方向为越高越好。
延迟测量中上游 Qwen3-32B 用张量并行部署在两块 A6000 上，约每秒 20 词，其词一产生就流向 StreamTN，报告的延迟包含等待 d 个上游词与产生首个规范化词的计算。需要补的缺项是原文未报告误判率的人工听感或合成失败率，也未给出训练总时长与显存占用，复现时应自行记录。
主结果：精度与延迟各付出什么？
要回答的核心问题是：在可实际运行的流式配置下，StreamTN 相对规则、神经与通用大模型基线是否同时保住精度与低首包延迟。公平条件是同一 1262 条测试、同一字符级微平均指标；指标方向为 F1 与精度越高越好，首包延迟越低越好。主实验选用 4 帧延迟，原文表述为在规范化质量与响应性之间的实用权衡，而非追求离线最高精度。
| 方法 | 类型与流式 | Micro-F1 | Micro-P | 对照含义 |
|---|---|---|---|---|
| WeTextProcessing | 规则，非流式 | 0.7853 | 0.7586 | 预定义模式可用但覆盖有限 |
| FlatTN | 规则引导端到端 | 0.7569±0.0019 | 0.7390±0.0017 | 同集上低于规则基线 |
| Qwen3-0.6B 提示 | 通用大模型提示 | 0.4872 | 0.5282 | 格式不稳与幻觉 |
| BiLSTM | 数据驱动编码器解码器 | 0.8941±0.0015 | 0.8677±0.0012 | 精度强但非流式 |
| StreamTN 4 帧 | 双轨流式可部署 | 0.8937±0.0009 | 0.8931±0.0022 | 与 BiLSTM 相当且精度更高 |
上表显示，在 4 帧延迟下 StreamTN 的 Micro-F1 与 BiLSTM 基本持平，但 Micro-Precision 更高；规则与通用提示基线明显更低。未胜出项必须指出：若只看 F1 数值，BiLSTM 仍略高 0.0004，且非流式上限更高，因此 StreamTN 的优势不在于离线最高分，而在于以相近精度换来增量输出与可控首包延迟。更精细的提示可能提升通用大模型质量，但原文指出那会增加预填充成本与首词延迟，不适合实时对话。
类别层面要回答的问题是：哪些类型已接近可用，哪些仍是短板。条件为同一 StreamTN 4 帧配置下的分类型微平均，方向仍为越高越好。
| 类别 | Micro-P | Micro-R | Micro-F1 | 难度含义 |
|---|---|---|---|---|
| 物理单位 | 0.976 | 0.978 | 0.977 | 规律高频 |
| 大写金额 | 0.970 | 0.979 | 0.975 | 规律高频 |
| 时间表达 | 0.956 | 0.978 | 0.967 | 规律高频 |
| 化学式 | 0.785 | 0.797 | 0.791 | 符号结构多样 |
| 复杂数学方程 | 0.749 | 0.751 | 0.750 | 最难 |
上表只摘录原文明确报告的最好 3 类与最难两类，完整 14 类趋势一致：整数小数、分数百分数、年月日期与简单数学公式均超过 0.95，而复杂数学方程与化学式因专用符号、长 verbalization 与结构多样性显著更低。小标准差报告显示跨种子表现稳定，但总体趋势不等于每条样本都稳定，部署时仍需对难类做额外校验。
拿掉关键设计或改变延迟会发生什么？
第一个反证问题是：全参数微调是否必要，系统提示能否替代结构设计。比较条件为同一 StreamTN 框架，只替换训练方式或增加系统提示，指标仍为 Micro-F1 与 Micro-P，越高越好。
| 配置 | Micro-F1 | Micro-P | 说明 |
|---|---|---|---|
| StreamTN 全参数 | 0.8937±0.0009 | 0.8931±0.0022 | 主配置 |
| 改用低秩适配 | 0.6335±0.0012 | 0.6250±0.0015 | 大幅下降 |
| 增加系统提示 | 0.8852±0.0018 | 0.8824±0.0021 | 小幅下降 |
上表支持的判断是：只更新低秩旁路不足以学习精确变换，全参数更新是当前精度的必要条件；增加系统提示反而带来小幅一致下降，支持无需精心工程提示即可生成结构化规范化文本。限制是原文只报告低秩秩为 8 等一组超参，不能推广为所有参数高效方法都不行，待验证更高秩或更多目标模块的表现。
第二个反证问题是：延迟帧数如何同时改变精度与首包延迟。比较条件为同一模型在不同延迟帧下的流式推理，另以非流式全上下文作为不可部署的上限参考。方向为 F1 越高越好，首包延迟越低越好。
| 策略 | 延迟帧 | Micro-F1 | Micro-P | FPD |
|---|---|---|---|---|
| 非流式 | - | 0.9639±0.0011 | 0.9620±0.0012 | - |
| 流式 | 1 帧 | 0.7030±0.0010 | 0.7135±0.0018 | 75 ms |
| 流式 | 4 帧 | 0.8937±0.0009 | 0.8931±0.0022 | 213 ms |
| 流式 | 16 帧 | 0.9239±0.0008 | 0.9303±0.0015 | 756 ms |
上表显示从 1 帧到 16 帧 F1 从 0.7030 升至 0.9239，代价是首包延迟从 75 ms 升至 756 ms；4 帧是主实验选定的折中，8 帧与 16 帧可进一步超越 BiLSTM 但延迟接近翻倍。未评测边界是大于 16 帧、外推更长上下文或不同上游速率下的延迟，原文未给出，不能把 4 帧结论推广到所有速率。
哪些结论还不能下，边界在哪里？
论文直接报告的是：在自建 14 类基准与给定硬件上，4 帧 StreamTN 取得有竞争力的字符级精度与 213 ms 首包延迟，难类集中在复杂数学与化学表达式。有限解释是：更多上下文能缓解上下文相关歧义，因此增加延迟可提升精度。未验证推测是：该趋势能否线性外推到任意长难例，或在其他语言与领域同样成立，原文将其列为未来工作，不应提前承诺。
缺失证据不是技术错误，但复现与选型时必须明确。原文未测量合成端听感、误读导致的用户体验损失、训练总成本与长时运行稳定性，也未报告不同标点、口语停顿或上游幻觉输入下的鲁棒性。相关性不等于因果：难类精度低与符号多样性同时出现，不能直接断定仅因长度或符号导致，还需控制长度、词频与模板多样性的对照。总体 F1 上升也不等于每类每步都上升，分类型仍需单独看。
另一个常见误解是把非流式 0.9639 当作可部署收益。原文明确该配置需等完整输入才能输出，不能产生首包，因此只能作为精度上限参考。同样，搜索最优延迟或事后挑选种子最优值不能代替 4 帧这一实际可运行策略的收益，比较时应保留可部署配置与基线同列。
要复现与复核，先准备什么，按什么顺序做？
先按原文交代准备数据与环境。数据规模为训练 95793 条、测试 1262 条，测试引用已人工修正；训练中百分之 5 抽检一致率为百分之 98.2。环境为 PyTorch 加 Hugging Face Transformers，训练用四块 A6000 动态组批，学习率从 1 乘 10 的负 5 次方余弦退火至 1 乘 10 的负 6 次方共 5000 步；推理用单块 A6000 贪婪解码，上游延迟测量用 2 卡张量并行的 Qwen3-32B 约每秒 20 词。复现时应先固定这组超参与硬件，再记录总时长与显存，因为原文未报告这两项。
| 复现项 | 数量与配置 | 硬件与解码 | 备注 | 待补记录 |
|---|---|---|---|---|
| 训练集 | 95,793 条 | 4 卡 A6000 动态组批 | 含生成科学样本 | 总时长未报告 |
| 测试集 | 1,262 条 | 单卡评测 | 已人工修正 | 划分已固定 |
| 学习率 | 1×10-5 至 1×10-6 | 余弦退火 5000 步 | 全参数为主 | 显存未报告 |
| 推理 | 贪婪解码 | 单卡 A6000 | 首包拆两项报告 | 上游速率约 20 tokens/s |
| 种子 | 5 随机种子 | 均值加减标准差 | 规则基线评 1 次 | 勿用事后最优代替 |
上表把数据、优化、硬件与报告口径放在一行对照，便于核对数据集、模型、阶段、指标、单位与聚合对象。复核顺序建议：先跑通 4 帧主配置复现 0.8937 附近的 F1 与 213 ms 附近的首包，再扫 1、2、8、16 帧验证单调趋势，最后做低秩与系统提示消融。权重与基准按原文为发表后发布，当前只能确认演示页可达，不应默认权重已可下载；若做 2 次开发，需另行验证化学与复杂数学模板的覆盖，并补充合成听感评测。
何时值得尝试，还需补哪项验证？
当系统已是上游大模型流式输出加下游流式合成的级联链路，且瓶颈在于等整句才做规范化时，值得尝试 StreamTN 这类双轨延迟方案。它用固定延迟把前瞻上下文变成可调参数，在 4 帧附近以接近 BiLSTM 的精度换来增量输出；若业务能容忍更高首包延迟，可增大到 8 或 16 帧继续提升精度，但需接受近 2 倍到 3 倍的首包增长。
当输入以规则可覆盖的常规数字日期为主且延迟预算极紧时，规则工具仍是简单可靠的选择；当科学公式与复杂方程占比高时，不应期待当前模型 1 次解决，应把难类路由到更大上下文或人工校验分支。复现先做延迟扫描与分类型误差分析，再补合成端听感与失败率，因为字符级 F1 不能等同于可懂度。未来工作按原文指向难类建模与多语言多领域扩展，任何跨语言推广都需重建指南、数据与延迟标定后重新评测。
📎 论文与评分元数据
排名：前50% | 文档类型：模型报告 | 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