英文题目：MambaVoice: Lightweight Audiovisual Singing Voice Separation Via A Hybrid Mamba-Transformer Model
标签：#音视频声源分离 | #状态空间模型 | #音视频 | #音乐 | #高效推理
评分：6.4/10 | 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 0.9/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Adithi Shankar：机构信息未在 arXiv HTML 中可靠披露
- Gopika Krishnan：机构信息未在 arXiv HTML 中可靠披露
- Gloria Haro：机构信息未在 arXiv HTML 中可靠披露
- Xavier Serra：机构信息未在 arXiv HTML 中可靠披露
- Martín Rocamora：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
视听歌声分离需以目标表演者视觉为锚，从伴奏与伴唱混合波形中重构目标歌声复数频谱，难点在于持续旋律谐波重叠与音色相似导致的目标误换。方法先以对数频带分割加跨带注意力的音频编码器将256频点压缩为8个频带嵌入，同时以时空图卷积网络从68点二维面部关键点提取歌唱运动特征。视觉嵌入经线性对齐与Sigmoid门控以逐元素乘法调制音频表示，融合特征先经选择性状态空间扫描做线性复杂度时序蒸馏压缩，再经Transformer自注意力做全局频谱融合，最后以1×1卷积估计复数比率掩膜并经逆短时傅里叶变换重构波形。与纯注意力基线不同，该先Mamba后Transformer的排序保留全注意力用于高分辨率谱融合而非近似，以线性扫描前置稳定压缩序列，降低二次复杂度与内存开销。在Acappella未见未闻测试集50%干扰评测条件下，M-T-Hybrid的SDR为14.18 dB，高于VoViT基线的SDR 13.76 dB。该结论受限于16 kHz采样评测、依赖AlphaPose预提取关键点且计时不含视觉前端，主模型以100%干扰课程训练而基线为50%因而口径不一致，跨域与百分百重叠下的外推尚未验证。在硬件与推理开销上，训练成本为单块NVIDIA RTX 4090批量为4，分离网络前向延迟为3.93 ms，约为VoViT的2.94倍加速但不含组块累积与人脸跟踪延迟。
🔗 开源与复现资源
- 代码相关资源：https://github.com/adithishankar19/mamba_voice.git → https://github.com/adithishankar19/mamba_voice — 链接不可用（HTTP 404）
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
要解决的是什么歌声分离问题？
输入是一段音乐视频的混合音频加上目标演唱者的面部视频，目标是从伴奏乐器与和声或干扰歌手中分离出指定的领唱人声。输出是目标歌声的时域波形。必须保留的信息包括目标身份由视频锚定、干扰可能包含另 1 位歌手、评价用信号失真比等客观指标与主观听感。与间歇噪声下的语音分离不同，歌声有持续的旋律线和密集重叠谐波，主唱与和声可能音色相近并占据相同频段，纯音频模型容易在连续重叠时跟错对象。
论文把这种现象称为目标交换，并指出它是专业录音中领唱与和声混在一起时的核心难点。初学者可以这样理解学习依赖：先接受身份需要外部参考，再理解音频编码要照顾谐波结构，最后才看长序列建模如何省算力。
目标交换 × 视觉锚定： 目标交换指在多人演唱或主唱与和声频谱重叠时，纯音频模型跟丢目标而切到干扰歌手；视觉锚定指用目标人脸运动作为身份依据去约束输出通道。两者搭配的原因是音频线索在谐波重叠时不可分，而视觉运动与目标发声在时间上绑定，组合后门控或融合模块可以用视觉一致性挑选音频段，从而把输出稳定在同一歌手上。
本解读只讲论文实际研究的视听目标歌声分离，不把合唱声部分离或纯音频去噪的结论直接搬过来。后续所有方法与实验都围绕上述输入目标展开，教学用的例子会明确标为例子，不附加无来源的数值。
已有路线各自卡在哪里？
纯音频歌声分离从非负矩阵分解发展到深度学习，代表做法包括用双向长短时记忆网络或 U 形卷积网络估计时频掩码，以及后来在时域保留相位的 Demucs 类结构和双路径 Transformer。频带划分循环网络把短时傅里叶变换按谐波先验切分子带，改善了特征提取，但循环或注意力主干在序列变长时仍有计算瓶颈。
另一条路线用排列不变训练处理多声部合唱，允许网络分离女高音与女低音等声部，但论文指出它不解决身份问题，不能保证领唱始终固定在同一输出通道，尤其在重叠或静音段容易漂移。视听分离因此引入视觉运动作为接地信号，借助的数据集包括提供大规模独唱表演的 Acappella 和研究视觉与发声关联的 URSing，架构上有在共享隐空间融合谱图与面部动作的 Y-Net，以及用跨模态 Transformer 按音频需求关注视频特征的 VoViT。
高效注意力另有低秩近似、核近似与稀疏哈希等方向，但本文选择保留完整注意力做谱融合，再用混合结构降本，而不是全程近似注意力。理解这些对照有助于后文判断公平性：同输入同目标同监督的比较才有意义，不能把类别差异当成同条件胜负。
论文把任务形式化成什么操作？
沿一个样本走一遍有助于建立全景。取一段混合波形，先做短时傅里叶变换得到复数谱，再由音频编码器得到音频表示；同时取同步人脸关键点序列，由视觉编码器得到视觉嵌入；两者对齐融合后送入混合主干提炼；最后估计复数比值掩码并乘回混合谱，再逆变换回波形。
监督来源是训练时已知目标干声与混合的配对关系，损失同时约束时域波形与多分辨率谱细节。推理时没有干声真值，只能依赖混合音频与目标视频。论文强调的两个干扰条件是标准一半混合含干扰歌手与全部混合含干扰歌手的压力测试，分别对应日常与极端重叠。例子：可以把 1 次前向想象成先按频带整理乐谱纸，再按口型提示圈出目标行，最后誊写出目标声部，但这只是帮助记忆流程的例子，不代表模型内部真有乐谱符号。
MambaVoice 的全链路是什么样子？
系统分为 4 段。音频侧是基于注意力的频带划分编码器，把复数谱压缩为紧凑的频带嵌入并做跨带交互；视觉侧是时空图卷积网络，把人脸关键点动态编码为身份锚；中间是乘法门控，把视觉信号变成门控掩码去调制音频流；后级是两个 Mamba 块接两个 Transformer 块的混合主干，再接复数分离头。
原文图注写明该架构融合目标面部关键点与声学特征以估计用于人声分离的复数比值掩码。阅读时先看主路径的输入到输出箭头，再看语义分支与声学分支在门控处的汇合点，这样不会把视觉分支误认为后处理。 本段先给出整体导读，图本身展示从左到右的音频与视觉双流、中间调制门、后级混合块与掩码估计闭环，像素可见的块数量与连接顺序是后文组件展开的依据。
看图路径： 1. 从左侧音频输入与目标人脸关键点出发，沿箭头找到两路编码分支；2. 观察调制门位置，确认视觉嵌入如何汇入音频流并形成融合特征；3. 数出后级两个 Mamba 块与两个 Transformer 块的先后顺序；4. 跟踪最右侧掩码估计头与底部乘法器到逆变换的输出闭环
论文图 1。原论文 Figure 1:：“Architecture of the proposed Mamba-Transformer (M-T) hybrid model.”。
从像素看，左侧音频频谱图经线性投影堆叠进入交叉注意力结构，顶部人脸关键点示意经时空图卷积网络得到视觉嵌入，两路在标为调制门的蓝色块汇合为融合特征，随后依次经过两个浅色 Mamba 块与两个绿色 Transformer 块，再进入掩码估计头得到估计掩码，最后掩码与底部回送的混合谱相乘并经逆变换输出分离目标。这种先时间压缩后全局精修的顺序是论文反复强调的设计选择，下一节逐块拆解其计算含义。
音频侧如何兼顾谐波与效率？
音频流水线把输入波形变为复数谱，频率点数为 256。做法不是在全频带用同一卷积核一视同仁，而是按对数刻度切成 8 个非均匀子带，给出的区间是低段更细、高段更宽，低段覆盖基频与主要谐波，高段偏向时间分辨率。每个子带经过 1 维卷积、激活与自适应平均池化，再经线性投影与归一化到 128 维隐空间，把 256 个频点压缩为 8 个频带嵌入。
随后加入可学习位置嵌入并在频带间做多头自注意力，建模基频与远端高次谐波的长程跨带相关，最后拼接为送入混合主干的稠密输入。论文用对照说明该编码器的价值：在相同主干下，频带划分版本明显优于均匀卷积的 Spec2Vec 版本，因此谐波先验不是装饰，而是可测量的增益来源。
频带划分编码 × 全局频带交互： 频带划分编码负责把 256 个频点按谐波重要性切成 8 个非均匀子带并各自投影，照顾低频基频与高频时间分辨率的不同需求；全局频带交互负责在子带之间做多头自注意力，建模基频与远端高次谐波的跨带相关。两者搭配的原因是只切分不交互会割裂谐波结构，组合后先压缩再补上下文，为后级主干提供兼顾效率与谐波完整性的输入。
初学者容易误以为子带越多越好，原文的取舍是子带划分同时决定频率精度与计算量，低频细分的依据是歌声能量与谐波集中在低段，这一安排理由是原文明确给出的，应按原文记忆而不是自行推广到所有音频任务。
视觉信号如何变成可执行的门控？
视觉前端沿用与先前工作相同的时空图卷积网络与 68 点 2 维人脸关键点，输入关键点序列的动态，输出可视为行为签名的隐身份锚。为控制成本，关键点用轻量姿态估计器提取。融合时先把视觉嵌入经线性层对齐到音频表示的维度，音频表示记为时间帧数乘 512 维。随后用可学习权重与偏置把视觉特征投影并经激活函数压缩到 0 到 1 之间，形成与音频同形的门控掩码，再与音频表示逐元素相乘得到融合表示。
符号含义是门控矩阵控制每个时间与通道位置放行多少音频信息，计算目标是让与目标手势相关的音频段被保留、无关干扰被压低。与被动拼接不同，这种自顶向下的调制把视觉当作选择器，原文明确指出其意图是去除背景歌手与无关声源。
时空图卷积网络 × 乘法门控融合： 时空图卷积网络负责把 68 点 2 维人脸关键点序列编码为视觉运动嵌入，提供发声相关的行为签名；乘法门控融合负责把视觉嵌入投影为 0 到 1 之间的门控掩码，再与音频表示逐元素相乘。搭配的原因是加性拼接只是被动并置特征，而乘法把视觉变成权重去调制音频，组合后主干只在与目标手势或口型相关的时间频段上获得增强，从而抑制背景歌手与乐器。
门控公式先交代输入与输出，再谈实现，第一个公式把视觉嵌入映射为门控掩码。
\[G=\sigma(W_{g}Z_{vis}+b_{g}).\]上式中门控权重与偏置是可学习的，激活把输出约束为软决策信号。第二个公式是融合的执行步骤。
\[Z_{fused}=Z_{audio}\odot G.\]该式是逐元素乘法，不是矩阵乘法，目的是按位置加权。原文没有给出门控分支单独的梯度截断或冻结说明，因此不推定其梯度路径有特殊处理，只按端到端优化理解，缺项如实指出。
混合主干与掩码重构如何分工？
混合主干借鉴 MambaVision 的做法，每个状态空间块把输入线性投影后分成两路。结合像素与文字可以确认，一路做 1 维深度卷积加激活再进入选择性扫描，另一路只做非因果深度卷积加激活后绕过扫描，两路拼接再经前馈网络送往 Transformer 块做全局谱精修。选择性扫描按线性动力系统在帧间递推隐状态，离散化矩阵由每帧学习步长控制，从而实现选择性记忆。符号上输入为 512 维的帧表示，隐状态在时间上递推，输出投影与跳连共同给出当前帧结果。 本段导读针对 Mamba 块内部像素，重点是区分扫描分支与跳过分支的计算差异，避免把两路卷积误认为相同操作。
看图路径： 1. 从顶部输入投影出发，区分左侧状态空间分支与右侧跳过分支；2. 确认左侧卷积加激活后进入选择性扫描，右侧只做卷积加激活；3. 观察两路在拼接节点汇合后再进入输出投影的路径
论文图 2。原论文 Figure 2:：“Mamba block. The SSM branch applies depthwise conv and SiLU followed by selective scan; the skip branch bypasses the scan with depthwise conv and SiLU only.”。
从像素看，顶部输入投影分叉为左右两路，左侧经蓝色卷积块与椭圆激活块进入橙色状态空间块，右侧只经蓝色卷积块与激活块，两路箭头在椭圆拼接节点汇合后再进入底部输出投影。该图对应文字中对称路径绕过顺序扫描的描述，证实跳连不是简单的残差加法，而是拼接后再投影的结构。
选择性状态空间模型 × Transformer 自注意力： 选择性状态空间模型负责以线性复杂度的递推扫描做长时时间建模，用每帧学习步长决定保留或遗忘历史；Transformer 自注意力负责做密集的全局谱融合，补足状态空间在高分辨率频谱细节上的不足。搭配的理由是纯 Transformer 处理长音乐序列代价为 2 次，纯 Mamba 又缺全局谱精度，组合成先 Mamba 压缩稳定序列、后 Transformer 精修的流水线，新增作用是以更少参数维持长程跟踪与细节分离。
递推公式先明确输入输出，再解释选择性来源。
\[\mathbf{h}_{t}=\bar{\mathbf{A}}_{t}\mathbf{h}_{t-1}+\bar{\mathbf{B}}_{t}\mathbf{x}_{t},\qquad\mathbf{y}_{t}=\mathbf{C}_{t}\mathbf{h}_{t}+\mathbf{D}\mathbf{x}_{t}\]上式中当前隐状态由上一隐状态与当前输入加权得到，输出由隐状态与直接跳连组成，离散矩阵是指数与积分形式的离散化结果。原文未给出状态维度与初始化等全部细节，复现时应以公开实现为准，不从块名称推定隐藏超参数。掩码估计头用 1 乘 1 卷积估计复数比值掩码的实部与虚部，再与原始混合复数谱逐点相乘得到目标谱，最后逆短时傅里叶变换重构波形。
复数比值掩码 × 逆短时傅里叶变换： 复数比值掩码负责在复数谱域估计目标与混合的逐点复数比例，保留幅度与相位关系；逆短时傅里叶变换负责把掩码乘以混合谱后得到的估计目标谱变回时域波形。两者分工是前者做可学习的分离决策，后者做确定性的信号重构，组合后才能把主干输出的隐表示落到可听的歌声波形上。
这一段完成了从隐表示到可听波形的闭环，下一节讲这些模块如何被训练出来。
训练数据、增强与优化如何组织？
模型主要在 Acappella 上训练，该数据集提供带同步视频的孤立人声。训练时把目标人声与 MUSDB18 训练集的乐器分轨以及 AudioSet 中类人声训练集混合，以模拟真实音乐环境。测试用 Acappella 未见未闻划分，伴奏来自 MUSDB18 测试集，类人声来自未参与训练的 AudioSet 部分，跨域泛化用 URSing 评估，该集有高质量孤立人声与上半身视频，且伴奏中含和声，谱重叠与身份模糊更严重。
论文区分训练干扰比例与评估干扰比例：先前系统常用一半混合含干扰 voice，主 Mamba 模型在开发中发现每混合都含干扰歌手更能适应连续重叠，因此主模型用全部混合含干扰的课程训练，同时为公平起见也按同样课程重训 VoViT 并记为 VoViT 100% 版本。除干扰课程外，所有模型用相同采样率、短时傅里叶参数、划分与增强流程。优化目标是时域绝对误差与多分辨率短时傅里叶损失的加权组合，兼顾瞬态包络与谐波细节。
配置为单卡 4090、批量 4、AdamW 初始学习率万分之二，前 5 轮线性热身稳定图卷积与混合层，随后余弦退火，并用验证失真比 10 轮不提升则学习率减半的策略应对复杂干扰任务。音频重采样到 16 千赫，窗长 512、跳长 160。这些是复现时必须对齐的超参数，任一改动都会影响可比性。
评估条件与基线如何保证可比？
评估分两种干扰机制。标准一半干扰指只有部分测试混合含干扰歌手，全部干扰压力测试指每个测试混合都有竞争人声。基线覆盖纯音频的 HT Demucs 与自带音频基线，以及视听的 VoViT 与其 100% 干扰课程版本，还有为消融设的纯 Mamba 四块、纯 Transformer 4 层、正反顺序混合与 Spec2Vec 编码器变体。所有变体固定 4 层深度以控制比较，消融还设无视觉流的纯音频版本以分离多模态增益。指标方向是信号失真比与信号干扰比越高越好，主观评价用 1 到 5 分的声音质量与人声隔离度。
跨域在 URSing 上报告均值与中位数失真比，因为均值易被极端样本拉低，中位数更能反映典型表现。计算效率只测分离网络前向时间，不含人脸关键点提取，原因是关键点作为独立预处理对双方影响相同。样本量在压力测试与跨域等处有明确报告，阅读数字时必须同时核对数据集、干扰比例、模型课程与聚合对象，不能只看数值大小。百分点与相对百分比含义不同，不同指标的差值也不能混入同一模型列下比较。
主结果在标准干扰下说明了什么？
要回答的问题是：在常规一半干扰下，轻量混合模型能否接近大 Transformer 基线。公平条件是同为视听模型、同测试划分与增强流程，指标方向为失真比越高越好。论文报告混合模型以明显更少参数取得可比的失真比，同时跨域中位数保持稳定。下表把关键数字放在同一条件下对照，参数量与失真比并列是为了同时看到精度与轻量两个维度。
| 条件 | 指标 | 本方法取值 | 对照基线取值 | 参数对照 |
|---|---|---|---|---|
| Acappella 未见未闻一半干扰 | 失真比 | 14.18 dB | 13.76 dB | 16.2M 对 39.0M |
| Acappella 未见未闻一半干扰 | 模型规模 | 16.2M 参数 | 39.0M 参数 | 混合主干对 VoViT |
| Acappella 未见未闻一半干扰 | 数据划分 | 未见未闻测试集 | 未见未闻测试集 | 同增强流程 |
表后解释需要同时给出收益与代价。收益是参数大幅减少仍取得相当或略优的失真比，支持混合结构作为轻量替代的判断。
代价是该表只覆盖标准干扰，不能推广到连续干扰，且未胜出项依然存在，例如纯音频基线在该条件下失真比远低，说明视觉锚定是必要条件。论文还报告压力与跨域数字，留待下一表展开，阅读时不要把一半干扰的结论直接当成全干扰结论。
推理耗时测的是哪一段？
要回答的问题是：分离网络本身的前向耗时是否随混合结构下降。公平条件是同为 4 秒音频输入、1500 个样本平均，只计分离网络，不含人脸关键点预处理，且双方预处理相同故比较仍对等。指标方向为毫秒数越低越好。下表直接选用原文效率表，保留纯 Transformer 与纯 Mamba 等中间变体，以便看到混合为何比单一结构更快。
| Model | Network inference time (ms) |
|---|---|
| VoViT [3] | 11.57 |
| T-M-Hybrid | 3.95 |
| M-T-Hybrid | 3.93 |
表后解释需区分网络耗时与端到端延迟。论文报告混合模型取得最低的分离网络前向时间，约为 VoViT 的三分之一，且快于纯 Transformer 与纯 Mamba，解释是 Mamba 先做长程压缩再交由 Transformer 精修，缓解了深层递推开销与全深度注意力的 2 次复杂度。但这只是网络推理时间，不是部署延迟，实际系统还取决于输入块累积与人脸跟踪时间，短块与不可靠人脸跟踪的鲁棒性仍是未来工作。未评测边界包括不同音频时长下的扩展曲线与显存占用，原文未给出则不能承诺这些量同样改善。
顺序、编码器与强干扰暴露了什么边界？
要回答的问题有 3 个：块顺序是否重要、频带划分是否必要、连续干扰下谁更稳。比较条件是固定深度与参数预算，只改块顺序或只换编码器，干扰比例分别看一半与全部。论文报告在固定预算下先 Mamba 后 Transformer 持续优于先 Transformer 后 Mamba，支持把线性递推当作时间前端去稳定压缩序列、再交由全局谱混合的原则；频带划分版本也明显优于均匀卷积版本。下表把强干扰与跨域的关键对照并置，目的是暴露边界而不是只展示最优行。
| 条件 | 指标 | 本方法取值 | 对照基线取值 | 未胜出提示 |
|---|---|---|---|---|
| Acappella 全部干扰 | 失真比 | 11.11 dB | 11.82 dB | 本方法略低 |
| URSing 一半干扰 | 均值失真比 | 5.58 dB | 1.83 dB | VoViT 下降明显 |
表后解释要直面反例。在全部干扰下，本方法失真比略低于报告的 VoViT 基线，论文表述为保持可比而非超越，这是未胜出项，必须保留。纯音频基线在该极端下接近零分贝，支持目标交换解释，但属于相关性解释而非因果证明。
跨域上混合模型均值与中位数都高于 VoViT，但均值仍远低于域内成绩，说明域偏移未被完全解决。编码器消融中均匀卷积版本明显落后，进一步支持谐波先验的必要性。总体趋势不等于每组都成立，排序结论限于论文的固定深度与预算条件，换深度或数据时可能变化，属待验证外推。
主观听感与客观指标一致吗？有何局限？
要回答的问题是：客观失真比的差距能否被人耳感知。条件是 15 名有分离经验的被试，对 5 段随机 4 秒片段按 1 到 5 分评价声音质量与人声隔离度。方向为分数越高越好。下表选用原文主观均值表，保留纯音频与 HT Demucs 作为低隔离对照。
| Model | Vocal Quality | Vocal Isolation |
|---|---|---|
| HT Demucs [12] | 2.25 | 1.3 |
| VoViT [3] | 3.53 | 3.82 |
| M-T-Hybrid | 3.56 | 3.88 |
表后解释必须收敛而非夸大。客观上视听模型明显高于纯音频，纯音频隔离分低与目标交换一致；但混合模型与 VoViT 在质量与隔离上的差距很小，论文明确指出样本量无法分辨两者差异，置信区间重叠，应视为相当而非一方改进，这是原文自我限制的结论，应如实转述。更稳健的发现是视听对纯音频的优势。局限还包括主观样本仅 15 人乘 5 片段，缺正式显著性检验。
效率未含关键点提取；跨域虽稳但绝对值下降；代码链接在本次核验中不可用，见复现节。相关性不等于因果，缺失证据不是技术错误，不应把未测量延迟或误判率说成已改善。
复现前先对齐哪些信息条件？
先做三件事。第一，对齐数据与干扰课程：用 Acappella 训练、MUSDB18 乐器与 AudioSet 类人声增强，主模型训练干扰为全部混合含干扰歌手，评估分别做一半与全部干扰，跨域用 URSing 并注意其伴奏含和声。第二，对齐信号与优化参数：16 千赫采样、窗长 512 跳长 160、时域绝对误差加多分辨率谱损失、AdamW 初始万分之二、前 5 轮热身加余弦退火、验证失真比 10 轮不提升则减半。第三，对齐架构顺序：8 个非均匀子带加跨带注意力、68 点关键点的时空图卷积、乘法门控、两 Mamba 块接两 Transformer 块、复数掩码头。
资源状态是公开性判断的唯一依据，本次收到的代码资源显示不可用，状态 404，因此只能写该链接当前不可用，不能写已公开或可下载。论文另有致谢与资助信息，与复现无关但可用于溯源。还需补的验证包括更大主观评测、短块延迟与不可靠人脸下的稳定性，以及更长上下文训练，这些是原文明确留给未来的方向。
何时值得尝试这套设计？
当任务同时满足三点时值得参考：需要锚定特定歌手身份、谐波重叠严重、且推理预算有限。此时可优先尝试对数分频加跨带交互做输入压缩，用视觉门控做条件，再把线性递推放在注意力之前做时间前端。若只有纯音频或人脸不可靠，则不应期待同样增益，因为消融显示去视觉后性能明显下降。复现时先跑通一半干扰的域内结果，再加压到全部干扰与 URSing 跨域，最后才测分离网络耗时，避免把网络耗时误当端到端延迟。
未验证的推测用可能表达：该排序原则可能迁移到其他视听分离架构，但需在新数据与深度下重测。总体上，论文显示混合结构以约六成更少参数维持可比精度并降低网络前向时间，代价是在最强干扰下仍未超越大基线，主观差异也未达可分辨水平，适合作为更大流水线中的轻量组件而非万能替代。
📎 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