标签：#音视频生成 | #正则化 | #注意力机制 | #扩散模型 | #音视频
评分：8.1/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.3/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Ohad Rahamim：Bar-Ilan University
- Dvir Samuel：NVIDIA
- Idan Schwartz：Bar-Ilan University
- Gal Chechik：Bar-Ilan University；NVIDIA
📌 核心摘要
联合生成视频Video与伴随模态Motion或Audio要求双路输出在空间与时间上互洽，难点是架构双向连接但信息流单向主导，伴随模态难以约束视频导致解剖错误与音画失步。本文先将双向交叉注意力统一为同一伴随词元下对视频词元的对应分布，再以停止梯度的视频到伴随模态分布为固定参照，最后用KL散度将伴随模态到视频的重归一化分布向其对齐并与生成损失联合微调LoRA参数。与仅做数据微调或依赖外部同步器的方法不同，该机制复用模型内部已学好的对应结构而无需新增标注或推理模块。在VidProM抽取1000条提示构成的测试集评测设置下，EchoMotion+RecCAR的Human Anatomy得分为0.75，高于EchoMotion的Human Anatomy得分0.69。在AVGen-Bench共235条提示的基准评测设置下，JavisDiT++ + RecCAR的AV Desync为0.438±0.08，低于JavisDiT++的AV Desync 0.518±0.01。该结论限于EchoMotion、JavisDiT++与LTX-2三类骨干及短片段联合生成，未验证长视频、多人物遮挡与强噪声条件外推。原文披露视频-运动分支在4块H100上约48 GPU小时，音频分支硬件时长未系统披露。
🔗 开源与复现资源
- 代码相关资源：https://github.com/ohad204/RecCAR — 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，要解决什么不一致？
这篇论文研究联合视频生成，输入是同一文本提示，输出是同时生成的两路内容：一路是视频，另一路是伴随模态。论文做了两类实例，一类是视频加 3 维人体动作，另一类是视频加音频。目标不只是每路各自逼真，还要求两路互相一致，例如视频里的人体结构与生成的骨架对得上，视频里的敲击或马蹄触地时刻与音频波形峰对得上。
初学者容易把这件事理解为给视频配一个后处理。论文强调的差异在于生成方式：级联是先定一路再预测另一路，联合是两路在同一个去噪或流匹配过程中并行演化，每一步都能互相读取。作者的观察是，即使 Transformer 块里放了双向交叉注意力，预训练模型在功能上仍可能是单向的，伴随模态学会了适应视频，但视频很少被伴随模态纠正。于是视频里会出现结构错误，而另一路本可以提供纠正信号却没有传回去。
本文的输出是一套可复述的方法与证据：先把 2 个方向写成可比的分布并定义分歧，再用强方向固定指导弱方向，最后在两个差异很大的伴随模态上验证。需要保留的关键信息是方向定义、固定哪一侧、损失形式、微调范围和评估条件，后文按此顺序展开。
联合生成 × 级联管线： 联合生成指视频与伴随模态在同一去噪或流匹配过程中同时生成、每步互相读取对方表示；级联管线指先生成一个模态再以它为固定条件生成另一个。联合的分工是让两路信息在去噪全程可互相修正，级联的分工是把第一路冻结为条件。搭配理由是只有联合才存在双向注意力通道，RecCAR 的组合意义正是在联合结构上补上反向约束，使架构上的双向真正变成信息流上的双向。
同类路线已经做了什么，本文补哪一块？
第一条相关路线是模态不均衡。已有分类和多模态学习工作报告不同模态学习速度不同、一个模态主导另一个，并提出正则或度量实际依赖。本文把类似问题搬到联合生成内部，关注的不是文本与视频谁主导，而是视频与伴随模态之间两条互易注意力路径的强弱差异。
第二条路线是注意力优化。扩散模型的交叉注意力图本身携带空间对应，可被可视化、操纵或作为优化目标。本文沿用这一思想，但不引入外部标注或新条件，而是把模型自己已学好的 1 个方向对应拿来当内部目标。
第三条路线是联合多模态扩散。音频视频联合去噪、RGB 深度联合生成、视频动作联合去噪等工作让两路在生成中交互，但一般不对 2 个方向学到的对应施加约束。本文的补充是显式正则互易对应，用已建立的视频到模态对应作为参考去加强反向的模态到视频路径。这一定位决定了后文实验必须回答：不加该正则的同数据微调是否同样有效。
为什么双向结构会出现单向信息流？
论文把第 l 个 Transformer 块的表示记为视频表示与伴随模态表示，块内既有各自的自注意力，也有两条交叉路径。用信息流箭头说，视频到模态更新伴随模态流，模态到视频更新视频流。标准生成目标只要求最终去噪结果好，没有直接要求每条方向携带多少有用信息，模型完全可以依赖其中一条而闲置另一条。
作者报告在所研究的预训练联合生成器中，这种不对称是显著的。伴随模态到视频的对应较弱，意味着动作或音频中的结构信息难以约束视频。教学例子是头部运动 token：1 个方向能定位到头部区域，另一个方向却把质量放在上躯干，两者回答的是同一个对应问题却给出不同答案。这正是后文要量化的分歧。
RecCAR 全景：沿一个样本走完一次校准
设想一个文本提示生成一段跳舞视频和一段 SMPL 动作。去噪某一步进入第 l 块，视频 token 与动作 token 各自经过查询键投影得到兼容分数。论文先把 2 个方向都写成在视频 token 上的分布：对每个动作 token，看它最关联哪些视频位置。强方向天然就是这种归一化，弱方向需要把同一组 logits 换一个轴重归一化，使两者可比。
接着计算两者分歧作为互易对应间隔，再把强方向包上停止梯度固定为目标，用 KL 散度拉弱方向向它靠拢。总损失是原生成损失加该正则项。训练只更新 LoRA 参数，主干冻结，推理不加新模块。同一公式既用于视频动作，也用于视频音频，只是伴随模态 token 的含义从身体部位换成音频事件。
以下导读对应方法框图，图中红色路径是唯一的定向正则方向，理解该方向是复述的关键。框图左侧是视频帧输入，右侧是动作输入，中间四格是自注意与交叉注意的兼容矩阵，红色虚线从强方向指向弱方向。
看图路径： 1. 沿左右黄色箭头看视频表示与伴随模态表示如何进入中间四格对应矩阵；2. 找到红色虚线标注的定向正则路径，确认它从一个方向指向另一个方向而非双向同时更新；3. 核对四格中自注意力与交叉注意力的位置关系
论文图 2。原论文 Figure 2:：“Overview of RecCAR at block \ell. The red path indicates the directional RecCAR regularization, which uses the video-to-modality correspondence as the fixed reference to…”。
该图显示多模态 Transformer 块内查询与键如何形成四块矩阵，以及 RecCAR 只固定视频到模态对应、优化模态到视频路径。复述时要强调梯度只流向弱侧，强侧是被停止梯度的参考，这与对称拉近两者有本质不同。
两个方向如何写成同一道对应题？
先解释符号。i 索引视频 token，j 索引伴随模态 token，q 与 k 是查询键投影，dk 是缩放维度。视频到模态的兼容分数是模态查询与视频键的内积，模态到视频是视频查询与模态键的内积。论文省略多头索引和位置项，教学时可先当作单头理解。
视频到模态的分布天然对视频轴做 softmax，每个 j 得到一个视频位置分布。反向注意力的前向计算天然对模态轴归一化，为了可比，论文对同一 logits 改在视频轴上做 softmax，得到形状相同的分布。这一步不是前向实际用的注意力权重，而是为比较构造的重归一化视图。
\[C_{V\rightarrow M}^{(\ell)}(i\mid j)=\operatorname{softmax}_{i}S_{V\rightarrow M}^{(\ell)}(j,i).\]上式是视频到模态的对应分布，输入是第 l 层兼容分数，计算目标是对每个伴随 token 给出视频位置概率。对应地，模态到视频的重归一化形式把同一思想用于反向 logits，使两者回答同一问题。
视频到模态对应 × 模态到视频对应： 视频到模态对应指伴随模态 token 查询视频 token 时在视频 token 上形成的分布，回答每个动作或音频 token 对应视频哪里；模态到视频对应指把反向 logits 在视频 token 上重归一化后得到的同形分布，回答同一问题。两者分工是同一跨模态关系从两侧看的两个视图，搭配理由是它们定义在同一视频 token 集合上因而可直接比较，组合意义是把已学好的前者固定为内部教师去校准较弱的后者。
以下热力图是该不对称的直观例子。左侧是视频到模态对头部的定位，中间是模态到视频的定位，右侧红圈标出被解释的头部动作 token。像素显示左侧亮斑集中在面部，中间亮斑偏向躯干两侧，说明弱方向尚未学会精确对应。
看图路径： 1. 先看右侧红圈标出的头部运动 token，确认它是被解释的查询对象；2. 再对比左中两幅热力图在人脸与上躯干处的亮度集中位置差异；3. 把这种空间错位理解为同一 token 在两个方向上对应分布不一致的实例
论文图 3。原论文 Figure 3:：“Illustration of asymmetric reciprocal cross-modal correspondence.”。
该例支持论文的建模选择：既然两侧本应对准同一视觉区域，用一侧指导另一侧是合理的内部监督。它也提示评估不能只看注意力质量是否非零，还要看位置是否对准。
间隔与定向正则的计算目标是什么？
有了两个同形分布，论文定义互易对应间隔为在所选交叉注意力层集合、全部伴随 token 和注意力头上平均的 KL 散度。KL 的方向是强分布在前、弱分布在后，度量用强分布的视角看弱分布的分歧。小值表示两方向对同 1 token 的视频对应一致，大值表示分歧。
\[\Delta_{\mathrm{corr}}^{V,M}=\frac{1}{|\mathcal{R}|N_{M}}\sum_{\ell\in\mathcal{R}}\sum_{j=1}^{N_{M}}D_{\mathrm{KL}}\!\left(C_{V\rightarrow M}^{(\ell)}(\cdot\mid j)\,\middle\|\,C_{M\rightarrow V}^{(\ell)}(\cdot\mid j)\right),\]上式是无方向的诊断量，用于衡量差距。优化时论文引入有方向版本，把前项换成停止梯度的固定目标，后项仍是可优化的弱方向分布。
\[\widehat{C}_{V\rightarrow M}^{(\ell)}(i\mid j)=\operatorname{sg}\!\left[C_{V\rightarrow M}^{(\ell)}(i\mid j)\right],\]该式中 sg 表示不让梯度回传到强方向。最终正则损失即有方向间隔，总损失是生成损失加正则强度乘以该项。
\[\mathcal{L}_{\mathrm{total}}=\mathcal{L}_{\mathrm{gen}}+\lambda_{\mathrm{RecCAR}}\mathcal{L}_{\mathrm{RecCAR}},\]其中 lambda 控制正则强度，实验两条轨道都取 0.01。实现上只训练注意力投影的 LoRA 参数，具体适配层与主干有关。原文明确说不需要额外对应标注或辅助模型，监督完全来自预训练表示内部。
互易对应间隔 × 停止梯度： 互易对应间隔指两方向分布之间按层、按伴随模态 token 平均的 KL 散度，负责度量分歧大小；停止梯度指把强方向分布包上 sg 使其在反向传播中不更新，只做固定目标。搭配原因是若不停止梯度，强方向会被弱方向拉偏，失去教师作用，组合后形成有方向的正则项，只让弱方向向强方向靠拢。
数据如何构造，参数如何更新？
视频动作轨道的数据构造是论文特有的关键步骤。作者先从 VidProM 选 1500 条人体文本提示用于训练，另留 1000 条不重叠提示用于测试。对每条训练提示用不同随机种子生成 16 个视频动作对，取前约 18000 个已完成生成作为候选。再用 25 个视频的小实验校准过滤阈值：估计 2 维姿态并与已知相机投影的 3 维动作比较，得到平均关节误差与归一化版本，同时用 Gemini 只看 RGB 视频和文本打解剖学分数，发现两项误差都低于 0.15 的都是好匹配，于是以此为过滤标准。
过滤后保留 4292 个视频动作训练对，训练用的 3 维姿态不是生成器直接输出的动作，而是用单目方法从视频估计的相机空间 SMPL 序列，因为它更接近视频中实际出现的运动。作者声明将在接收后公开该数据集，当前解读只能按论文描述复述流程，不能断言已可下载。代码仓库方面，本次收到的资源状态显示代码链接当前可用，但文档完整性为部分，复现前需先核对实际可用分支与脚本。
生成损失 × LoRA 微调： 生成损失指原主干的去噪或流匹配目标，负责保持单模态真实感和文本对齐；LoRA 微调指冻结预训练主干、只优化注意力投影上的低秩增量，负责以小参数量引入修正而不破坏原能力。搭配理由是正则项不能替代生成建模，必须与生成损失加权相加，组合意义是用很小的可训练量实现跨模态通信的定向增强，推理时无需新增模块。
下表整理视频动作侧的数据规模，比较问题是候选池有多大、过滤有多严，公平条件是同一提示集与同一误差定义。表后解释是该流程用数值误差加独立视觉评分双重把关，代价是丢弃大量生成样本，只留下四千余对，好处是监督信号更干净。未胜出项是直接用生成动作训练，论文明确选择估计动作作为更准的视频侧运动。
| 阶段 | 提示与生成条件 | 数量 | 说明 | 来源 |
|---|---|---|---|---|
| 训练提示 | VidProM 人体提示 | 1500 | 与测试不重叠 | 原文训练集 |
| 测试提示 | VidProM 保留提示 | 1000 | 独立测试基准 | 原文测试集 |
| 每提示生成 | 变换随机种子 | 16 | 视频动作对 | 原文候选 |
| 过滤后 | 双误差阈值筛选 | 4292 | 实际训练对 | 原文训练对 |
上表说明数据漏斗从万量级候选收敛到四千量级，阈值选择依据下一节实验条件的独立校准。需要补的验证是该阈值在其他动作分布上的稳定性，原文只报告基于 25 个视频的经验关系。
| 轨道 | 数据子集 | LoRA 秩 | 正则权重 | 训练轮数 |
|---|---|---|---|---|
| 视频动作 | 4292 对 | 128 | 0.01 | 10 |
上表比较 2 轨道是否用同一量级数据与同一正则强度，公平条件是同秩同轮数。表后解释是这种刻意对齐支持通用性判断：同一目标函数在空间结构化动作与时间结构化音频上都未调参即生效。代价是视频动作侧还需额外优化器与硬件预算，下段正文给出。优化用 AdamW，学习率 1e-5，有效批量 8，在 4 块 H100 上约 48 GPU 小时。视频音频侧直接随机采样 VGGSound 训练划分约 4300 片段，不做额外过滤预处理，微调全部交叉注意力权重的 LoRA 并冻结其余参数。
测什么、与谁比、指标方向是什么？
视频动作评估用 VBench，重点是人体解剖学、动作平滑度、动态程度与美学质量，测试集是上述 1000 条 VidProM 保留提示。比较对象是原 EchoMotion 以及 CoMoVi 与 FlowMo。人体解剖学越高越好，动态程度用于检查是否靠变慢变简单换分。
视频音频评估用两个基准：T2AV-Compass 含 500 条挑战提示，覆盖感知质量与跨模态一致的多维度；AVGen-Bench 含 235 条精选提示，侧重同步与语义对齐。同步用音频视频失同步时间偏移，越低越好。语义用文本视频、文本音频、音频视频余弦相似，越高越好。另报告音频真实感、视频美学与质量、语音质量等。比较对象包括 LTX-2、JavisDiT++、UniAVGen 以及以两者为骨干的 ITS。
平均关节位置误差 × 解剖学合理性评分： 平均关节位置误差指把生成 3 维动作投影到图像系后与视频估计 2 维姿态按帧和关节点平均的距离，负责度量运动数值保真；解剖学合理性评分指独立评价器只看 RGB 视频和文本提示给出的人体结构 plausibility，负责度量视觉上是否像真人。搭配原因是数值误差低不一定代表没有多余肢体或错位，组合使用才能筛出既对得上骨架又看上去合理的数据对。
下表整理评估协议与过滤阈值，比较问题是各基准的提示量与用途是否可比。表后解释是数量差异反映基准设计目标不同，不能直接跨基准比绝对值，只能在同一基准内比相对变化。未评测边界包括长时生成与极端遮挡，原文未报告。
| 用途 | 数据集或基准 | 规模 | 阈值或重点 | 方向 |
|---|---|---|---|---|
| 动作训练过滤 | 生成对校准 | 25 视频 | 0.15 | 低于为好 |
| 动作测试 | VidProM 保留 | 1000 提示 | 解剖学等 | 高为好 |
| 音频测试 1 | T2AV-Compass | 500 提示 | 失同步等 | 低为好 |
| 音频测试 2 | AVGen-Bench | 235 提示 | 同步对齐 | 低为好 |
上表同时核对了过滤阈值 0.15 的适用范围，它仅是构造训练集的筛选标准，不是通用解剖学边界。论文附录强调该值是从散点关系经验设定，且需平均关节误差与归一化误差同时低于阈值，比单用一项更保守。
主结果：跨模态一致是否变好，质量是否保住？
先看论文摘要报告的核心数字。视频动作侧人体解剖学得分从 0.69 升到 0.75，视频音频侧绝对失同步从 0.804 降到 0.752，且总体生成质量未下降。这是全文最强的可复述证据，条件是同一主干加 RecCAR 微调后在各自测试基准上比较。
下表把这两个跨轨道收益放在一起，比较问题是在不同伴随模态下同一正则是否都带来一致性增益，公平条件是各自相对原主干。指标方向已在表内标明，百分点与相对百分比含义不同，这里只报告绝对值变化，不换算新指标。
| 任务 | 指标 | 基线 | 本方法 | 方向 |
|---|---|---|---|---|
| 视频动作 | Human Anatomy | 0.69 | 0.75 | 越高越好 |
| 视频音频 | AV Desync Abs | 0.804 | 0.752 | 越低越好 |
上表显示两个轨道同时改善，且论文报告视频质量与音频视频对齐保持或略升，说明增益不是以牺牲单模态质量换的。具体到视频动作，作者称动态程度与基线相当而解剖正确性明显提升，支持改进来自更准确连贯的运动而非生成更慢更简单的动作。具体到视频音频，在 T2AV-Compass 上绝对与预测失同步都达到所评方法中最好，同目标也改善 JavisDiT++，且音频真实感同步提升。需要保留的限制是这些是基准平均值，不代表每条提示都改善，附录散点显示绝大多数提示间隔下降而非全部。
以下导读对应总览定性示例，左侧文字是男孩追羊与女子骑马，右侧是手指打响。上行基线存在解剖不准或波形稀疏，下行方法显示动作更贴合视频、波形脉冲与手指动作更对应。
看图路径： 1. 先看左侧两组视频-动作：对比上行基线帧与下行本方法帧的人体完整性和伴随 SMPL 姿态；2. 再看右侧视频-音频：对比上行波形稀疏段与下行多簇脉冲段，观察手指动作帧与波形峰的对应；3. 注意同一文本提示下上下行是不同随机种子生成结果的定性示例，不是逐帧配准
![原论文 Figure 1：Overview of our method compared to the baselines, EchoMotion \\[48\\] and LTX-2 \\[15\\], across three…](https://arxiv.org/html/2609.27901v1/teaser.png)
论文图 1。原论文 Figure 1:：“Overview of our method compared to the baselines, EchoMotion [48] and LTX-2 [15], across three examples.”。
该图的可执行观察是核对视频帧与 SMPL 的肢体朝向是否一致，以及波形峰与手指接触帧的时序关系。它是定性示例，不能当作定量证明，定量判断以后表与消融为准。
以下导读对应小跑马的同步细节，上半原 LTX2 波形在 0.2 秒附近标 Lead、在 1.0 秒附近标 Lag，提示瞬态超前或滞后于可见触地，下半方法波形峰与马蹄触地更贴合且马腿连续性更好。
看图路径： 1. 先看上半 LTX2 部分波形下标注 Lead 与 Lag 的位置，对照上方三帧马蹄是否触地；2. 再看下半 LTX2+Ours 部分三帧马腿连续性与下方波形峰的分布；3. 注意时间轴单位为秒，比较的是瞬态与可见触地时刻的相对关系
论文图 6。原论文 Figure 6:：“Qualitative audio–video synchronization.”。
该图支持失同步降低的机制解释：伴随模态的时间结构更好地约束了视频帧。但像素无法精确读出毫秒级偏移，精确数值仍以基准报告的失同步指标为准。
增益来自对齐损失还是多训了几轮？
论文用对照回答这个反证问题：同一数据上的标准微调，不加对齐损失，能否得到同样收益。视频动作侧在 50 条提示子集上比较原 EchoMotion、同数据标准微调与完整 RecCAR。报告称标准微调未改善视频动作一致性，归一化误差与平均误差上升、人体解剖学下降，而加 RecCAR 后三者都明显改善，且动态程度不变、平滑度与美学保持或略升。这支持增益特异性来自跨模态信息流增强，而非通用微调。
视频音频侧在 AVGen-Bench 提示上对 JavisDiT++ 与 LTX-2 做同样三态比较。报告称标准微调对失同步几乎无影响，而 RecCAR 对两个主干都降低失同步，同时语义对应指标保持不变。这说明改善的是时间协调而非语义漂移。论文还比较了显式同步方法 ITS，称它只对 JavisDiT++ 带来边际下降、对 LTX-2 无下降，而 RecCAR 对两者都下降，但这属于同目标不同机制的对照，不是同条件胜负的唯一依据。
附录进一步直接验证机制：注意力质量向互易方向移动，且逐提示的对应间隔大多落在对角线下方。教学上可把这理解为下游指标改善伴随预期的注意力变化，但相关性不等于因果，论文用下游与机制双重证据加强判断，仍未做反向因果干预。
哪些结论有边界，什么还没测？
首先是数据依赖。视频动作的训练对经过严格过滤，阈值来自 25 个视频的经验校准，Gemini 评分只看 RGB 与文本、未接触动作误差，这种独立性是优点，但小样本外推到新分布仍待验证。视频音频侧未做过滤，直接用 VGGSound 子集，两种数据策略不同，跨轨道比较时需注意。
其次是指标边界。人体解剖学与失同步是自动或基准定义的度量，不是人工逐帧误判率；论文未报告推理延迟、显存增量与输出帧率，LoRA 训练成本已给但推理开销需单独测量，不能从参数量小推定延迟必降。总体趋势不等于每组都成立，个别提示仍可能无改善。
最后是方法边界。正则假设强方向已学好，若主干本身两方向都很弱，固定强方向可能无教师可用。原文未给出梯度路径之外的实现细节如层选择集合的具体编号，复现时需回到代码核对。缺失证据不是技术错误，需要明确标为待补项。
复现先做什么，需要哪些条件？
先按轨道准备主干与数据。视频动作需复现提示采样、16 种子生成、2 维姿态估计与投影比较、双 0.15 过滤、CameraHMR 估计训练动作的链路，得到四千量级训练对。视频音频需随机采样 VGGSound 训练划分约 4300 片段，保持原样不额外预处理。评估需分别搭建 1000 条 VidProM 保留测试、500 条 T2AV-Compass 与 235 条 AVGen-Bench，并按基准自带指标计算，避免自造聚合口径。
再核对训练超参。2 轨道 LoRA 秩都是 128，视频动作作用于全部联合自注意力权重，视频音频作用于全部交叉注意力权重，正则权重都是 0.01，训练 10 轮。视频动作侧优化器为 AdamW、学习率 1e-5、有效批量 8、4 块 H100 约 48 GPU 小时。先跑同数据标准微调作为对照，再加 RecCAR，比较解剖学、失同步与质量指标是否出现论文所述的分叉。
代码方面，本次收到的资源状态为代码链接当前可用，文档完整性为部分，因此应先确认分支、环境与脚本是否与论文的损失公式一致，特别是停止梯度与层平均的实现。权重下载与系统可运行性需以仓库实际说明为准，不从模型名称推定。
何时值得尝试，还需补哪项验证？
当你的联合生成模型已能单路生成不错结果，但跨模态不一致集中表现为视频侧结构错误或音画错位，且检查注意力发现一侧对应清晰、另一侧弥散时，值得尝试 RecCAR 这类定向 KL 校准。它不需要新标注，适合在已有预训练主干上做轻量修正。反之，若两方向都弱或单模态质量本身不足，应先解决主干能力，否则内部教师不可靠。
复述要点是固定强方向、优化弱方向、与生成损失加权、只训 LoRA。常见误解是把它当成对称一致性损失或后处理对齐，实际上它的梯度是单向的，且作用在去噪训练中而非推理时。另一误解是把注意力质量变大等同于位置变准，论文区分了质量与对应，复现时应同时看失同步或解剖学与间隔散点。
还需补的验证包括新动作分布下的过滤阈值稳定性、人工评价的误判率、推理延迟与显存的实测，以及层选择与正则强度的敏感性。只有这些补齐，才能把基准平均增益转化为可部署收益的判断。
📎 论文与评分元数据
排名：前25% | 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