标签：#轮次切换 | #基准设计 | #语音 | #韵律
评分：7.0/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Kian Shamsaie：机构信息未在 arXiv HTML 中可靠披露
- Iman Modarressi：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
全双工口语对话模型需在双通道流式音频下连续决定何时接管、退让、附和或保持沉默，难点是相同静默或重叠在不同说话人意图下褒贬相反。作者构建意图感知对话时机基准TACT，为每段长历史拼接说话人记忆画像，并融合多人标注与校准大语言模型法官得到六类意图后验，该后验直接作为条件进入评分。接着按意图拟合人类地板转换偏移参考分布与非负加权核，再用阈值加权连续分级概率评分输出时机、时长与韵律加权打断分并均值成综合得分。与固定窗口二值接管率相比，该机制把早答、迟答与缺席放在同一连续且意图加权的严格真值规则下比较，使合作性重叠可以得高分而应反思时抢答被重罚。在TACT基准下，gpt-realtime-2的综合得分为0.47，低于人类顶线的综合得分0.86。该结论限于英语主导的双人对话与六类离散意图，对多方、跨语言与连续意图的外推尚未验证。原文未披露训练、推理或部署成本。
🔗 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
输入是什么，目标是什么，本文要解决哪种误判？
本文的输入是一个双通道语音对话片段，结束在一个需要系统做决定的时刻。系统能听到焦点说话人的流式音频，能看到文字历史和该说话人的行为画像，需要决定何时开口、是否保持沉默、是否以短促反馈进入，还是让出话轮。目标读者是刚进入语音与对话方向的研究生，因此先把任务说成动作：系统在零点前后连续监听，在负 2 秒到正 5 秒的偏移域内选择首次发声时刻，或者选择在视界内不发声。
必须保留的关键信息是评价条件。原文把全双工口语对话模型定义为同时听与说、连续决定接管与让出话轮的系统，而既有基准用固定前视窗口内的二元事件检测打分：窗口内接管算对，完成后沉默算漏检，提前进入算侵入。论文要纠正的误判正在这里：同一段拖长尾音后的 1.5 秒沉默，对 1 位说话人可能是必须立即回答，对另 1 位可能是禁止回答；同一处句中进入，对合作完成可能是被邀请，对打断则可能是破坏。
输出是一组连续分数而非对错标签。每个回合先估计 6 类潜在意图的后验，再把系统实际偏移与按意图拟合的人类分布比较，最后综合时长与重叠惩罚得到综合分。学习时请记住本文不训练新对话模型，只构造评价基准并用它测量 11 个已有系统，因此复现重点是数据构造、后验融合与加权评分的可执行步骤，而不是调参技巧。
已有路线在测什么，本文把哪条线改成意图条件？
同输入同目标的第一条线是轮换预测。从会话分析的轮换分配到跨语言约 200 毫秒的众数间隔，再到 TurnGPT 与语音活动投影等自监督预测，输入都是词法句法与韵律提示，目标都是预测何时换人。本文沿用这类预测器作为评分机械，但把目标从预测通用换人点改为预测按意图划分的人类条件分布。
同运行阶段的第二条线是全双工基准。从 Full-Duplex-Bench 的暂停后接管率与延迟，到后续版本对重叠、多轮考官、真实失流利音频与监督评判的扩展，运行阶段都是在线听说的交互评价。本文明确不声称自己是第一个多轮或重叠感知的基准，其差别在于把正确行为定义为潜在意图的函数，而不是观测声学与对话上下文的函数。
固定窗口接管率 × 严格真值评分规则： 固定窗口接管率负责统计窗口内是否接管并记录延迟，严格真值评分规则负责要求期望得分唯一在预测等于人类条件分布时最大，前者分工是工程上易算但把意图压平，后者分工是保证诚实预测最优，搭配比较的意义是揭示二元指标是连续加权评分退化到示性权重时的极限情形。
第三条线是心智理论与记忆。对文本探针显示大模型在归因潜在心理状态时脆弱，人格与记忆有助于文本对话，但尚无口语评价检验系统是否按具体说话人调整时机。本文把记忆画像作为唯一允许说话人特异期望流入的通道，并用交换画像的消融检验系统是否真在使用它。这为后文记忆交换实验埋下对照逻辑。
为什么固定窗口会奖励抢答并惩罚合作性重叠？
问题可以沿一个样本走通。假设焦点说话人说出一句未完成的合作邀请，听者按人类规范应在句中以短反馈进入，偏移为负。若用固定窗口打分，负偏移落在窗口外或被记为侵入，系统得低分；若系统等到句末后 200 毫秒再回答，反而落在窗口内得高分。于是理性策略是永远快速回答、从不提前进入，这正是论文报告的当前系统收敛到的退化解。
反方向的例子是修辞与占楼。人类在修辞问句后容忍长沉默，在占楼停顿后不抢话轮。若窗口要求完成后快速接管，那么保持沉默的正确动作被记为漏检，系统被迫在不该说话时说话。教学例子仅用于说明机制，不代表原文报告过该句的具体分数。
因此论文把问题形式化为意图条件分布的匹配。意图只有从该说话人跨回合行为才能识别，因为停顿容忍、反馈索取与占楼风格存在系统性个体差异。评价若看不见意图与记忆，就会把延迟的沉默与提前的重叠都当成失败，而人类规范恰好允许这两者。
全景：一个回合如何走完输入到分数？
先走通一个回合。输入包括双通道音频上下文、平均约 3.2 分钟与 11.4 轮的文字历史、焦点说话人的记忆画像，以及至少 3 名标注者给出的意图标签。决策点是焦点说话人话轮结束处，暂停处理对应至少 600 毫秒的轮内沉默，打断对应系统持有话轮的区域。系统收到流式输入并输出负 2 秒到正 5 秒内的首次发声偏移，每个回合运行 3 次取中位分。
表示阶段把离散标签变成后验。经验后验是标注者投票比例，再与温度校准的大模型评判按权重融合，得到对 6 类意图的共识信念。原文指出仅看历史时约三成八回合意图模糊，加入画像后过半可解，这说明画像不是装饰而是消歧来源。
组件阶段把后验变成分数。每个意图事先拟合一个人类参考分布与权重函数，实际偏移与后验混合参考分布比较得到时机分，再并联时长分与韵律加权重叠分，按场景类别做凸组合后取 4 类均值得到综合分。目标是让诚实复现人类条件分布的系统得分最高。
潜在意图 × 说话人记忆画像： 潜在意图负责说明当前决策点期待快答、缓答、保持沉默还是提前进入，记忆画像负责提供该说话人跨回合的停顿容忍与抢话风格，两者搭配的原因是同一句未完成话语对不同人含义不同，组合后评分才能把时机期望从通用窗口改为按人按意图的条件分布。
意图后验、参考分布与加权评分如何计算？
先解释意图后验的符号与输入。设回合为 e，决策点为时间零点，焦点说话人为 s，历史为 H，画像为 M。标注者给出多个离散标签，经验后验是投票频率，评判分布经温度缩放后校准，再按权重混合。直觉是把多数人与校准机器的判断做贝叶斯共识，权重经留出标注者对数似然选定。
\[\hat{q}(z\mid e)\;=\;(1-\lambda)\,\hat{q}_{\mathrm{A}}(z\mid e)\;+\;\lambda\,\frac{p_{\mathrm{J}}(z\mid e)^{1/T^{\star}}}{\sum_{z^{\prime}}p_{\mathrm{J}}(z^{\prime}\mid e)^{1/T^{\star}}},\]上式中第一项是人工投票，第二项是校准后的机器评判，混合系数取 0.3。需要复述的是融合顺序：先对机器分布做温度缩放归一，再与人工分布线性混合，而不是直接平均原始对数几率。
再解释参考分布与权重的输入。每个意图有一个人类参考律，由无响应原子质量与连续偏移密度组成。无响应质量直接取标注者对沉默可接受度的均值，连续部分对立即作答、合作进入与放弃类用指数高斯拟合，对反思、修辞与占楼类用重尾对数正态拟合。权重由同一密度形状经归一与幂变换得到，并加上小底数保证严格为正，从而保留不对称性。
\[u_{z}(t)=\Big(\tfrac{f_{z}(t)}{\sup_{t^{\prime}}f_{z}(t^{\prime})}\Big)^{\!\gamma},\quad w_{z}(t)=(1-\epsilon)\,u_{z}(t)+\epsilon,\]上式先把密度除以峰值再做幂压缩，加底数后得到权重。立即作答类对延迟的加权高于过早重叠，合作进入类则相反，重叠位置权重高于完成后位置。
地板转换偏移 × 阈值加权连续分级概率评分： 地板转换偏移负责定义系统首次发声相对话轮结束的时刻，负值表示重叠进入，阈值加权连续分级概率评分负责比较模型预测分布与实际发生时刻的累积差异并按意图加权，搭配的原因是时机误差的严重性随意图变化，组合后延迟与提前不再是二分类而是连续可微的惩罚。
评分目标是比较预测累积分布与实际事件阶跃函数的加权平方差异。模型对每个意图给出预测律，其次概率累积函数在视界末端的亏缺代表预测的无响应质量；实际结果若为无响应，则示性函数在有限时刻恒为零，于是沉默与延迟进入被同一积分处理。
\[\mathrm{twCRPS}(P_{z},y)\;=\;\int_{\mathcal{T}}w_{z}(t)\,\big(P_{z}(t)-\mathbf{1}[\,y\leq t\,]\big)^{2}\,dt,\]上式积分域为负 2 秒到正 5 秒，权重按意图变化。直觉是按交际严重性加权时机误差，而不是按是否落在窗口内一刀切。
总体时机指标把各意图的散度按意图先验加权并归一到零到一之间，单回合分用后验混合参考与实际偏移的单样本分估计总体均值，差异来自单次实现的不可约方差。
\[S_{\mathrm{T}}\;=\;\sum_{z\in\mathcal{Z}}\pi(z)\left(1-\frac{d_{z}(P_{z}\,\|\,h_{z})}{W_{z}}\right),\qquad W_{z}=\!\int_{\mathcal{T}}\!w_{z}(t)\,dt,\]上式分母是权重积分，分子是预测与参考的散度。论文证明该分在有界且严格真值意义下唯一在预测等于人类条件律时取一，任何确定性预测或仅支持在完成后半轴的分布在参考分散或有提前质量时必然小于一。
无响应原子 × 意图条件权重： 无响应原子负责显式表示在 5 秒视界内不接话这一合法动作，意图条件权重负责说明偏移轴上哪些区域更重要，分工不同但必须同现，因为修辞与占楼类意图的大部分人类参考质量本来就落在沉默上，组合后保持沉默与重叠进入才能被同一积分对象打分。
长度分沿用同样构造，只是把偏移换成时长并用均匀权重；重叠分则对每个竞争性重叠按未完成度与时长指数扣分，短反馈免罚。
\[s_{\mathrm{O}}(e)\;=\;\exp\!\Big(-\kappa\sum_{o\in O_{e}}\big(1-\psi(\tau_{o})\big)\,d_{o}\Big),\qquad\kappa=1.2~\mathrm{s}^{-1},\]上式中完结点概率越高扣分越轻，系数取每秒 1.2。配对来看，合作进入参考律的提前质量让合作重叠成为高分动作，而低完结点处的长打断仍被重罚，因此沉默与重叠都不再是类别，而是后验下的动作。
为理解权重形状，需要先读实际收到的第一张像素图。该图上下两面板共享横轴响应偏移相对话轮结束的秒数，范围从负 2 秒到正 5 秒，零点以虚线标出话轮结束；上方面板纵轴为人类偏移密度，下方面板纵轴为加权值，图例区分 6 类意图，虚线与点线含义见图注。阅读时应先确认零点，再区分左侧负偏移重叠与右侧正偏移延迟，最后比较上下峰位关系。
看图路径： 1. 先在横轴找到 0 秒话轮结束零点，确认左侧负偏移为重叠区、右侧正偏移为延迟区；2. 再在上方面板按颜色区分六类意图密度，比较 ANS 峰靠近零点、BCK 峰落入负区、RHE 与 HOLD 向右拖尾；3. 最后对照下方面板同色权重曲线，看峰位如何继承为高权重、底数如何保留非零惩罚
论文图 1。原论文 Fig. 1:：“Per-intent human FTO densities f_z (top) and induced twCRPS weights w_z(t) of (2) (bottom) on \mathcalT: mass left of the turn end (dashed) is anticipatory overlap, the bck mode…”。
该像素图上方面板显示立即作答类峰值紧贴零点右侧且尖锐，合作进入类峰值明显落在零点左侧的重叠区，反思类峰位右移且更宽，修辞与占楼类则呈现向右重尾且大部分参考质量落在无响应原子上。下方面板对应地把各意图的高密度区抬为高权重，同时保留小底数保证严格为正。教学要点是同一延迟在不同曲线下惩罚不同，同一提前进入在合作类下可能是高分动作，在其他类下仍是重罚动作，这正是意图条件化的可执行含义。
韵律完结点估计 × 竞争性重叠惩罚： 韵律完结点估计负责给出焦点说话人每时刻在韵律上是否可被打断，竞争性重叠惩罚负责对低完结点处的长打断按时长扣分，搭配的原因是重叠是否合作不能只看是否提前，而要看是否落在可进入点，组合后合作性提前进入免罚而中途打断保留代价。
没有模型训练时，哪些参数被拟合，哪些被冻结？
本研究没有训练新的对话模型，训练一节应理解为基准构造中的拟合与校准。需要拟合的是意图条件参考密度参数、无响应质量、权重形状参数、评判温度与混合系数，以及韵律完结点估计的校准。具体地，指数高斯与移位对数正态的参数按意图在与测试不相交的训练对话上拟合，无响应质量取沉默可接受度均值，权重幂与底数取给定常数，评判温度在开发集上拟合，混合系数按留出标注者对数似然选定。
未报告为训练的是十一被测系统的内部参数。开源模型在本地以流式运行，专有系统经实时接口调用，提示模型接收画像综述，特定模型接收同步文本流或匹配启动音频。原文未给出这些被测模型的梯度路径、参数冻结与更新细节，因此不能从模型名称推定其实现，也不能把无训练等同于确定性求解；每个回合运行 3 次取中位本身就承认输出有波动。
监督来源要分清 3 层。意图标签来自至少 3 名标注者，完结点与可接受窗口来自人工标记，机器评判只作为融合项且提供仅标注者模式以备替换。重置时机体现在回合与画像的不相交划分：画像只用同一说话人与测试回合不相交的其他回合，平均约 14.6 分钟证据，避免用测试未来信息泄漏。缺项是完结点估计依赖的语音活动投影式估计器在部分条件下仍是估计值，原文明确可用发布标记替换，这属于待验证的近似而非已证明的等价。
数据、划分、系统与指标在什么条件下比较？
数据来自 5 个生态多样的公开双人语料与合成探针。总量为九千余回合与七十余小时，覆盖暂停处理、短反馈、平滑轮换与用户打断 4 类场景，并与 6 类意图正交交叉。选择理由在原文写明：视频通话语料支撑公平审计，大规模众包语料提供规模与说话人多样性，双通道高采样语料保留混合通道破坏的重叠真相，多轮交互语料播种打断回合，多方语料的单人头戴子集作为多方对照，合成探针补足稀有条件。
划分与采样强调不相交与分层。画像证据与测试回合不相交，参考密度在与测试不相交的响应轮上拟合，温度在开发集上拟合。分层按性别、年龄段、母语区域、信噪比与语速三分位进行，并在数据允许处按片拟合核，避免把单一群体规范编码为通用规范。
被测系统包括开放模型、专有实时栈与参考基线。开放侧按流式本地运行，专有侧经实时接口调用，另设基于语音活动投影的级联、从不响应策略与人类上限作为参照。复现的二元基线与已发表数字对齐，例如某系统的暂停接管率与中位延迟，以保证比较起点一致。
指标方向要记牢。时机、时长与重叠分都在零到一之间，越大越好，综合分是 4 类均值并附自助区间。有效性研究用留出回合的人类评价，在八十余个系统条件格上计算等级相关，方向同样是越大表示与人越一致。硬件预算原文未以可复述的数字报告，因此本解读不虚构机时与费用，只说明运行方式与重复取中位的方差控制。
主结果测了什么，谁在何种条件下落后？
主结果测的是意图条件下的连续时机与综合分，而非窗口内是否接管。比较问题是：在同一画像与后验条件下，系统实际偏移是否接近人类条件分布？公平条件是所有系统面对相同的双通道上下文、画像渲染与视界定义，指标方向是综合分越高越接近人类。关键数字是最好系统综合分远低于人类上限，且排序相对二元排序发生实质重排。
为避免把自动分当成人评，需要同时看人类评价一致性。连续综合分与留出人类判断的等级相关明显高于二元复合与延迟指标，而仅加意图的二元基线仍明显低于连续分，这说明意图与连续加权两者都不可少。下表把可由原文连续原句逐字覆盖的关键数字整理为对照，区分综合差距、有效性差距与记忆消融差距。
| 评价切面 | 指标与条件 | 最强系统或本方法 | 对照基线或人类 | 差距含义 |
|---|---|---|---|---|
| 综合时机 | 综合分对人类上限 | 0.47 | 0.86 | 最好系统仍远未达人 |
| 排序一致 | 与二元排序等级相关 | 0.55 | 完全一致为 1 | 排序发生重排 |
| 人评一致 | 等级相关 | 0.81 | 0.46 | 连续分更贴近人评 |
| 意图二元 | 等级相关 | 0.62 | 0.81 | 仅加意图不够 |
| 记忆交换 | 分布偏移 | 0.024 | 0.23 | 系统几乎不变人变大 |
上表主要收益是把二元下看似合格的快速系统拉回真实差距：快速接管在立即作答类尚可，但在反思修辞与占楼类崩塌。代价是该结论依赖参考分布与后验的正确性，若某人群的规范未被覆盖，分数可能低估系统。未胜出项也很明确：基于语音活动投影的级联在时机上可比肩中游模型，但在短反馈上退化；从不响应策略在暂停类因修辞占楼的大量沉默而虚高，但在平滑轮换与打断类极低，因此不能只看单列。
意图视角的结果不是场景类别表，而是系统乘以 6 类意图的热图。行是不同系统加人类参照，列是后验众数为各意图的回合子集，格内数值为该子集上的综合分，右侧颜色条从深紫到亮黄表示分数从低到高。该像素图横轴为 6 种意图，纵轴为从开放模型到专有系统再加人类参照的行。阅读时先按列比较意图差异，再按行比较系统与人类参照，明暗代表综合分高低。
看图路径： 1. 先按列读六类意图，对比 ANS 列与 REF、RHE、ABN 列的明暗落差；2. 再按行比较各系统行与最下一行人类参照行，看人类行整体明亮平坦而系统行向右变暗；3. 最后聚焦 BCK 列，观察人类高分与多数系统低分在重叠侧的差距，确认颜色越亮综合分越高
论文图 2。原论文 Fig. 2:：“Each cell is the TACT composite S of (4) restricted to episodes whose posterior mode is the column intent (the intent-conditioned composite; intent-view, orthogonal to the…”。
从该像素热图可见最下一行人类参照整体明亮且各列分布平坦，而所有系统行仅在立即作答列相对明亮，随后向反思、修辞与放弃列快速变暗，最低降至个位数水平。合作进入列显示僵硬的另一面：人类在被邀反馈上常规重叠进入而保持高分，而多数系统极少提前进入因而偏暗。因此结论是双侧僵硬：该慢时不慢，该早时不早，且场景类别与潜在意图是正交切分，不能把短反馈场景均值当成合作进入意图均值。
拿掉记忆、校准与韵律后，哪部分最不能少？
消融测的是画像、校准与韵律各自对人评一致性的贡献。操作是交换画像、去掉温度校准或去掉韵律加权，再看与人类判断的等级相关下降多少。原文报告去掉记忆、校准与韵律后相关分别降到 0.71、0.78 与 0.74，而完整分为 0.81，因此记忆的贡献最大，韵律次之，校准最小但仍把期望校准误差从 8% 点多降到 2% 点多。
记忆交换的反证更直接。把行为类型相反说话人的画像互换后重跑，比较真画像与换画像下起始分布的散度。人类留出行为显著偏移，而所有系统偏移极小且综合分变化不超过 0.01，最大与最小交换极值分别属于特定闭源与开放模型。这支持系统采用与说话人无关的固定策略，而人类行为是说话人条件的判断，但原文措辞是行为不变性展示，不是因果证明。
失败条件还包括过度热心病理。人类在立即作答类多约 1 秒内响应，在反思与修辞类仅 10% 左右 1 秒内响应，而快速系统几乎每类都 90% 以上 1 秒内响应，保守模型也有六到 70%，且在修辞类保持沉默比例远低于人类。教学上应把这理解为分布匹配失败，而非延迟常数调大就能解决，因为提前进入侧同样缺失。
下表把标注一致性、校准与消融数字放在同一口径下，便于复现时先检查哪环最弱。表前问题是：若人评一致性不高，应先怀疑标签噪声、评判校准还是重叠建模？公平条件是同一留出人评格，指标方向是等级相关越高越好，校准误差越低越好。
| 环节 | 指标 | 完整或融合后 | 消融或融合前 | 未达项 |
|---|---|---|---|---|
| 意图一致 | Krippendorff 系数 | 0.73 | 0.84 | 0.79 |
| 校准误差 | 期望校准误差 | 2.1% | 8.4% | 融合更优 |
| 去记忆 | 等级相关 | 0.71 | 0.81 | 下降最大 |
| 去校准 | 等级相关 | 0.78 | 0.81 | 下降最小 |
| 去韵律 | 等级相关 | 0.74 | 0.81 | 次大下降 |
上表收益是给出复现优先级：先保证画像真正进入提示与音频条件，再检查韵律完结点估计，最后调温度。代价是 6 类离散化本身仍有噪声，一致性系数显示标签并非无争议，因此消融差距中有一部分可能来自标注不确定而非模型缺陷。未评测边界是英语语料拟合的核是否适用于其他语言节奏，原文只给出重拟合配方而未验证跨语言效果。
哪些结论有边界，哪些不能从相关推出因果？
论文直接报告的是分数差距、排序重排、人评相关与记忆不变性，这些有数字与区间支持。有限解释是把差距归因于意图盲与双侧僵硬，这得到意图切分与交换实验支持，但仍是机制解释而非干预证明。未验证推测是调大延迟或加入画像提示必然修复问题，原文并未给出修复后分数，因此只能表述为可能与待验证。
明确边界有四处。6 类分类把连续体离散化且意图一致性并非完美；核拟合在英语语料上完成，分片拟合缓解但未消除人群偏差；评判融合可能共享失败模式，好在提供仅标注者模式；提前评分依赖完结点估计，发布标记可替换但当前仍是估计。
相关性不是因果。等级相关高不代表按此分数优化必然提升人感，未测量误判率、端到端延迟与推理成本时，不承诺这些量同步改善。总体趋势不等于每组每步成立：公平切片显示人类上限跨性别年龄与信噪比基本平坦，而最好系统在不同英语变体与信噪比间仍有可观落差，说明结论需按片复核。
资源状态也需如实交代。本次收到的证据中未发现来源绑定且完成超文本传输安全状态验证的资源，因此不得声称代码模型或数据已公开。原文提及补充材料可得，但按本次可核对原则应写为本次未能确认可达，需要读者自行核对原文链接当前状态。
复现先做什么，需要保留哪些超参数与信息条件？
复现先做数据与画像管线。按原文收集双通道音频与文字历史，确定决策点定义，组装与测试不相交的说话人画像，渲染为结构特征与提示综述。意图标注至少 3 人，标注意图、可接受沉默与可接受起始窗，并记录重叠可接受度，再用开发集拟合评判温度并按留出对数似然选混合系数。
再做参考分布与权重。按意图在训练对话上拟合连续密度与无响应质量，构造归一幂变换权重并保留小底数，设置视界为负 2 秒到正 5 秒，完结点估计先校准再用于重叠惩罚。关键超参数应原样保留：权重幂、权重底数、重叠系数、混合系数与自助重采样次数，具体数值以原文公式与正文为准，不自行四舍五入。
评价时每个回合运行 3 次取中位，报告 4 类均值与自助区间，并同时复现二元接管率以检查排序重排是否出现。若只复现单表，建议优先复现人评一致性与记忆交换两项，因为它们直接检验连续加权与画像使用的必要性。还需补的验证是跨人群重拟合核、仅标注者模式下的分数稳定性，以及用发布完结点标记替换估计后的变化。
为对照意图先验与沉默容忍的形状，下表把原文连续原句中的分布与无响应质量整理为五列，便于按意图核对参考律是否正确实现。该表不是结果表，不能替代主结果，但可作为构造检查表。
| 意图 | 含义 | 经验占比 | 沉默可接受均值 | 时机形态 |
|---|---|---|---|---|
| ans | 立即作答 | 31.6% | 0.05 | 峰近零点右侧 |
| hold | 占楼保持 | 18.2% | 0.90 | 重尾晚响应 |
| ref | 反思缓答 | 16.1% | 0.40 | 中位约秒级 |
| bck | 合作进入 | 15.3% | 0.45 | 峰在重叠区 |
| abn | 话轮放弃 | 9.6% | 0.50 | 晚而分散 |
| rhe | 修辞不答 | 9.2% | 0.85 | 重尾晚响应 |
上表用法是实现后逐项核对：占比用于先验加权，无响应质量用于原子质量，形态用于检查密度峰位与拖尾是否与权重对应。若某意图的峰位或原子质量对不上，应先查拟合数据划分与标注融合是否与原文一致，而不是调大延迟凑分。合成探针仅用于稀有条件，不应代替真实双通道数据的重叠真相。
何时值得尝试这种评价，还需补哪项验证？
当你的系统已在二元窗口下显得合格，但实际对话中显得抢答或从不提前进入时，值得尝试意图条件评价。它把何时说话从延迟问题改成对说话人潜在意图的推断，要求同时看历史、画像与韵律完结点，而不是只看停顿长度。适用条件是拥有多轮历史与可复用的说话人画像，否则后验退化为通用先验，连续加权的优势会打折。
不值得盲目套用时是跨语言或跨人群部署前。若直接复用英语拟合的核，可能把某一群体的规范当成通用规范，此时应先按配方重拟合，并用分片上限是否平坦检验公平性。若没有双通道真相，也应谨慎解读重叠侧分数，因为完结点估计误差会污染合作与打断的区分。
论文特有的误解需要澄清。第一，场景类别不等于潜在意图，短反馈场景不是合作进入意图，两者是正交切分，不能把场景均值当成意图均值。第二，无响应原子不是缺测，而是被显式打分的合法动作，在修辞与占楼类下高分恰恰来自正确沉默。第三，人类上限低于一不是模型已接近上限，而是单样本估计的不可约方差与留出说话人偏离所致，总体最优仍为一。
还需补的验证是干预性实验：给系统真正使用画像的条件后，交换散度是否上升且综合分是否提升；把完结点估计换成人工标记后，重叠惩罚是否稳定；以及优化该分数是否带来留出人评的提升。只有补齐这些，才能把相关性结论推进为可部署收益。
📎 论文与评分元数据
排名：前50% | 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