英文题目：Broadening Uncertainty Estimation for Audio Question Answering Across Methods, Formats, and Inputs
标签：#音频问答 | #评测协议 | #音频大模型 | #模型评估
评分：7.8/10 | 创新 1.2/2 | 技术严谨 1.1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Aaron Isidore Grace：机构信息未在 arXiv HTML 中可靠披露
- Weiran Wang：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
音频问答以音频与文本问题为输入并输出答案，难点在于音频语言模型常生成流利却无音频支撑的内容且置信度失真难以事前识别。为此研究先在四个开源模型与五个音频问答基准上并行比较概率、采样、自我验证、证据冲突与音频静音对比五类不确定性信号，其输出的错误检测分数进入下一步跨格式比较。接着将四个多选基准剥离选项转为开放作答并用答案匹配裁判打分，把首词元分布、序列似然与语义聚类采样的不确定性分数映射到同一正确性标签上。最后保留选项而分别移除音频或问题，把缺失输入下的准确率与不确定性变化回传以检验不确定性对证据来源的敏感性。与采样和自我验证相比，首词元信号直接读取决策点分布且无需额外调用，因而更高效稳定并保留了主要不确定性信息。在多选题基准下，首词元最高概率的AUROC为.740，高于十样本离散语义熵的AUROC.708。该结论适用边界受限于所测开源模型与短音频问答基准，长音频推理与需弃答校准的部署场景尚未验证。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
- 代码相关资源：https://github.com/aarongrace/uncertainty2026 — 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，目标是什么：为什么要给音频回答配不确定性？
输入是三元组：一段音频、一个自然语言问题、在选择题条件下还有一组选项。目标不是把准确率再提高几个点，而是对每一个已生成的答案给出一个不确定性分数，用它把答错的回答与答对的回答分开。论文的动机很具体：音频语言模型会用流利的语气编造录音里没有的声音、说话人或事件，也会回答录音根本无法解决的问题。如果下游要根据回答行动，就需要在行动前识别不可靠的回答。
必须保留的信息是评估方式：作者把答错当作正类，用不确定性分数区分错对，指标是受试者工作特征曲线下面积，即 AUROC。越高表示对错误的区分越好，0.5 对应随机猜测。基于置信度的指标要取反，使得分数越高始终表示越不确定。这个方向约定是复述所有结果的前提，否则会把好坏读反。
输出是 3 类结论。第一，在选择题下，最简单的首词概率和熵平均最强且不需要额外模型调用。第二，去掉选项变成开放式问答后，准确率大幅变化，但不确定性仍然能预测错误，序列级与语义级度量更稳健。第三，分别去掉音频或去掉问题后，去掉音频对误差识别能力的损伤远大于去掉问题，说明不确定性更多反映可用的音频证据，而非问题文本。本文按学习依赖展开，先讲任务与路线，再讲方法全景与计算，最后讲实验条件、结果与复现。代码当前可用，地址见原文第一页页脚，本文写作时资源状态为 available。
相关路线如何对照：文本与视觉的不确定性方法能直接搬到音频吗？
在文本与视觉语言模型中，已有 4 条成熟路线。第一是模型概率与熵，直接读输出分布的峰值或分散程度。第二是采样差异，对同一输入多次采样，看答案是否一致。第三是显式自评估，让模型第二遍判断自己是否知道或答案是否正确。第四是证据冲突或输入扰动，例如去掉或改变一个模态后看预测如何变化。语音识别中也有词级置信度用于发现转写错误。
在音频语言模型中，系统比较还很少。原文提到已有工作首次系统比较了部分不确定性度量，也有对比解码工作用不确定性决定何时干预，但很多近期在文本与视觉模型中验证的方法还没有在音频模型上测试过。这是本文要补的第一块空白。
第二块空白是评测格式。多数音频基准是选择题，但选项本身会提供很强线索。原文引用已有发现：即使不给问题，只看选项也能猜中不少；答案匹配方法用参考答案对自由回答打分，与人类判断一致性较好。开放式下不确定性是否仍然可靠，此前并不清楚。
第三块空白是音频依赖。已有工作发现去掉音频后模型仍保留六到七成性能，说明语言先验和选项先验很强，但去掉音频或去掉问题后不确定性如何变化，此前没有被测量。本文的 3 组实验正好对应这 3 条线。
问题如何形式化：一个样本从输入到判定要走哪些步骤？
沿一个样本走完全程有助于固定术语。输入是音频 a、问题 q，选择题下还有选项集合。模型先做 1 次回答前向，输出首个词的词表分布。研究者要求模型把选项字母放在最前面，这样首词分布就直接对应选项选择。接着计算不确定性分数，例如首词最大概率越低则越不确定，全词表熵越高则越不确定。最后用该分数在整个数据集上对错对样本排序，计算 AUROC。
开放式下流程变长。输入去掉选项，模型生成一段自由文本，长度为 T。研究者用一个独立的判断模型对照参考答案做答案匹配：只要回答传达的信息至少与参考答案一样多，就判为正确。然后对该自由回答计算词级置信、序列似然、语义采样等分数，同样用 AUROC 评价其区分错对的能力。
缺失输入实验是第三种流程。保留选项，只去掉音频或只去掉问题，重新回答并重新计算不确定性，观察准确率、分数均值与 AUROC 的变化。这里的关键是公平条件：选项保留，使得模型仍可利用描述性选项中的线索；比较的是同模型同基准下两种删除操作的差异，而不是跨模型直接比绝对值。
方法全景：五类信号各自回答什么问题？
论文比较 5 类信号。第一类是基于概率的单遍度量，包括首词 top-1 概率与归一化全词表熵，以及开放式下的首词熵、最大词熵、最小 top-1、负对数似然与困惑度。它们回答模型在这 1 次前向中有多犹豫。第二类是基于采样的度量，选择题下是对 10 次采样的选项做离散语义熵，开放式下是把 10 次随机回答按双向蕴含聚成语义簇再算语义熵与语义一致率。它们回答换一种随机种子答案是否会改变含义。
第 3 类是自验证。回答之后再问模型 1 次，例如你知道答案吗，或音频是否支持该答案，取肯定回答的概率作为置信。它们回答模型自己声称什么。第四类是证据冲突度量，把末层对各选项的正负贡献拆开，用证据理论组合后计算正负证据支持不相容答案集的冲突量。它们回答模型内部证据是否自相矛盾。
第 5 类是对比度量，把有音频与无音频或静音 2 次前向的分布或生成文本比较，例如未被音频解释的熵、加权支持、分布偏移与内容词重叠。它们回答当前置信中有多少是音频负责的。
从成本看，单遍与证据冲突只需要回答那 1 次前向及其内部状态，对比需要 1 次额外的单词前向或 1 次无音频生成，采样需要 10 次生成，自验证需要 1 次验证前向。这个成本阶梯是理解后文效率结论的关键。
组件与计算：首词分布、采样熵与序列似然如何算？
先讲选择题首词分布。记首词在词表上的分布为 p，top-1 概率是该分布的最大值，全词表熵是其香农熵再除以词表大小的对数做归一化。前者越大表示越确信，后者越大表示越不确定。原文强调有用信号在决策点已经可用，适合对延迟敏感的音频应用。
\[\mathit{TOP1}=\max_{v\in V}p_{v},\qquad H_{\mathrm{all}}=\frac{-\sum_{v\in V}p_{v}\log p_{v}}{\log|V|}.\]上式对应首词 top-1 与归一化全词表熵的定义，V 是词表，pv 是取到该词的概率。实现上只需 1 次回答前向的首词 logits 转概率，不需要继续生成或采样。教学例子：这只是记号说明，不代表任何实测效果，例如分布为某个选项 0.7、其余分摊 0.3 时，top-1 为 0.7，熵则反映剩余不确定性。
首词概率 × 全词表熵： 首词概率负责读出决策点最可能选项的置信峰值，全词表熵负责度量同一分布在全部词表上的分散程度，二者搭配是因为选择题要求先输出选项字母，峰值与分散从正反两面刻画同一次前向的犹豫，组合意义是以 1 次前向同时得到置信与不确定性基线。
再讲选择题采样。做 K 等于 10 次采样，统计每次选到第 j 个选项的比例，再对其求熵得到离散语义熵 DSE。采样越多越贵，但它捕捉的是跨次不一致，而首词分布捕捉的是单次犹豫。
\[\hat{p}_{j}=\frac{1}{K}\sum_{k=1}^{K}\mathbf{1}[y^{(k)}=j],\qquad\mathit{DSE}=H(\hat{p}).\]开放式下序列似然看生成词本身的概率。对生成答案的每个位置 t，取该位置分布赋给实际生成词的对数概率求和取负得到负对数似然 NLL，再除以长度取指数得到困惑度 PPL。前者随长度增长，后者是平均惊讶度。
\[NLL=-\sum_{t=1}^{T}\log p_{t}(y_{t}),\qquad\mathit{PPL}=\exp(NLL/T).\]开放式对比与语义采样需要单独说明。对比记有音频的首词分布与无音频的首词分布，以及 2 次生成的内容词集合，计算未解释熵与内容词重叠。语义采样把 10 次随机回答按问题条件下的双向蕴含聚类，再算簇熵与对贪心回答的一致率。
\[\begin{gathered}\mathit{UE}=H(p_{1}^{a})-\alpha\!\left[H(p_{1}^{0})-H(p_{1}^{a})\right],\qquad\alpha=.5,\\[2.0pt] \mathit{CWO}=\frac{|W(y^{a})\cap W(y^{0})|}{|W(y^{a})\cup W(y^{0})|}.\end{gathered}\]\[\begin{gathered}\hat{p}_{j}=\frac{1}{K}\sum_{k=1}^{K}\mathbf{1}[c_{k}=j],\qquad\mathit{SemEnt}=-\sum_{j=1}^{C}\hat{p}_{j}\log\hat{p}_{j},\\[2.0pt] \mathit{SemAgr}=\frac{1}{K}\sum_{k=1}^{K}\mathbf{1}\!\left[y^{(k)}\equiv\hat{y}\right].\end{gathered}\]离散语义熵 × 语义一致性： 离散语义熵负责度量 10 次采样答案在语义簇上的分散程度，语义一致性负责度量采样答案与贪心答案在双向蕴含意义下的一致比例，二者搭配是因为开放作答中措辞不同不等于含义不同，组合意义是用聚类消除复述干扰后再分别看整体发散与对主答案的支持。
证据冲突与音频静音对比：矛盾证据和音频贡献如何量化？
证据冲突的动机是最终 logit 可能把正负贡献抵消掉。作者把输出权重按末层隐状态特征的贡献幅度拆成正部与负部，对每个选项分别构造支持该选项与排除该选项的质量函数，再用 Dempster 规则分别组合正负证据，最后计算正负组合质量落在空交集上的总和作为冲突度量。冲突高表示模型内部有强矛盾证据，而不只是证据弱。原文指出大证据幅度可能导致饱和，这是使用时的限制。
从计算成本看，该冲突度量不需要额外模型调用，只需要拆解已有前向的权重，这是它与采样方法的成本差异。
音频静音对比换了一个视角。它不问模型有多确信，而问确信中有多少是音频负责的。具体做法是在回答之外再跑 1 次单词前向，把音频换成静音，读出同样的分布并在选项上重归一化，得到有音频后验与静音后验。加权支持看所选选项在有音频分支的概率及其相对静音的增益，未解释熵是预测不确定性减去音频能解释的部分，L2 只保留全分布偏移的大小而不保留方向。原文报告未解释熵总体最稳，加权支持在特定基准上突出，L2 一般较弱，因为它丢掉了方向与符号信息。
音频-静音对比 × 自验证： 音频-静音对比负责实测把音频换成静音后分布的变化以分离音频的贡献，自验证负责用第二遍提示让模型用文字表态自己是否知道或音频是否支持答案，二者搭配是因为前者是干预测量的依赖，后者是模型陈述的依赖，组合意义是区分测得的音频作用与说出的音频作用。
证据冲突 × 首词置信： 证据冲突负责把末层正负贡献拆开并用 Dempster-Shafer 质量组合度量支持不相容答案集的矛盾强度，首词置信负责读出归一化后最强选项的概率，二者搭配是因为前者看内部证据是否打架，后者看最终输出是否果断，组合意义是把弱证据与矛盾证据这两种不同的不可靠来源分开。
自验证的计算是第二遍前向。在给定音频、问题与已生成答案及验证提示下，取模型输出肯定标记的概率作为置信。原文报告两种提示：沿用已有基线的是否知道提示，以及是否音频支持答案的提示。后者反映模型声称的音频支持，而非实测的音频依赖，总体弱于首词置信且不稳定。
有无训练阶段：本研究训练了什么，冻结了什么？
本研究没有训练任何音频语言模型，也没有微调不确定性估计器。4 个被测模型是公开权重的现成模型：Audio Flamingo 3、Phi-4-multimodal-instruct、Qwen2-Audio-7B-Instruct 与 Qwen2.5-Omni-7B。另有一个 3B 模型用于检查趋势，原文说明其趋势相似但平均准确率与 AUROC 更低，正文只报告 7B 结果。所有参数在评测中冻结，不更新，不存在梯度路径与优化器选择。
真实计算过程是推理与评分。回答前向由被测模型完成，开放式答案匹配由 Qwen3-4B 判断模型按已有答案匹配协议完成，语义聚类由 DeBERTa-large-MNLI 在问题条件下做双向蕴含判断完成。所谓构造是指把选择题改写为开放题：去掉选项，删去离不开选项菜单的题目，对特定子集在提示中加弃权提示。这些是数据处理规则，不是模型训练。
需要指出的缺项是原文未报告采样温度、top-p 等解码超参数的完整取值，也未报告判断模型的阈值校准细节与静音段的具体构造时长。复现时应先固定这些推理条件并记录，否则 AUROC 的微小差异无法归因。无训练不等于确定性求解：采样与判断模型仍会引入随机性，多次运行需要固定种子并报告聚合方式。
实验条件：模型、基准、选项位置与开放式改写如何控制？
模型侧覆盖 4 种被测模型，基准侧覆盖 5 个音频问答基准。AQUA-Bench 包含标准问答与证据不足、缺正确选项或选项集不兼容的弃权情形。MMAU 覆盖语音、环境声与音乐，取 1000 题的测试小 split。MMAR 侧重多步音频推理，MMSU 侧重细粒度语言与副语言理解，SAKURA 匹配单跳与多跳推理。提示要求模型先输出选项字母，这是首词度量可用的前提。
一个特有细节是选项位置偏置。作者把正确答案轮流放在每个可用位置并对排列取平均。原文指出这对 AQUA-Bench 尤其重要，该基准把弃权项放在 E，AF3 在 E 的准确率远低于其他位置，说明此前报告的低性能可能部分反映位置偏置而非能力本身。复现时若只用原始顺序，会高估或低估特定模型的弃权能力。
开放式改写不是简单删选项。SAKURA 因题干依赖选项而被排除。MMAU 删去 78 题、MMAR 删去 23 题、MMSU 按任务族删去 47 族中的 11 族共 1181 题，AQUA-Bench 保留原始与错配子集并对后者在提示中加弃权提示。判断正确性用答案匹配，而非词面完全一致。
选择题作答 × 开放式作答： 选择题作答负责在给定选项菜单下先输出选项字母以便用首词分布直接评分，开放式作答负责去掉选项后生成自由文本再由答案匹配模型对照参考答案判对错，二者搭配是因为要检验不确定性是依赖选项线索还是依赖音频证据，组合意义是构成跨格式的鲁棒性对照。
缺失输入实验保留选项，只删音频或只删问题，目的是看不确定性对两种证据源的依赖。评价统一用准确率与 AUROC，方向是准确率越高越好，AUROC 越高表示越能识别错误。
主结果：选择题下谁最强，代价差在哪里？
要比较的问题是：在相同的选择题回答上，哪种不确定性分数最能区分答错与答对，且需要多少额外调用。公平条件是同一模型同一基准同一回答，指标方向是 AUROC 越高越好。结论是简单首词度量平均最强，且零额外调用。
| 评估设置 | 不确定性指标 | 平均 AUROC | 额外模型调用 | 可运行性 |
|---|---|---|---|---|
| 选择题 | 首词 top-1 概率 | .740 | 无需额外调用 | 实际可运行基线 |
| 选择题 | 10 次采样离散语义熵 | .708 | 10 次生成 | 实际可运行但更贵 |
上表只收录原文用同一句话直接报告的两个平均数，避免把不同表格中不同聚合口径的数字混放。表后解释必须同时讲收益与代价。收益是首词 top-1 在平均意义上超过需要 10 次生成的采样熵，且在决策点即可获得，适合实时音频场景。代价是平均最强不等于每行最强：原文表格显示自验证中的音频支持提示在个别设置下突出，对比度量中的未解释熵与加权支持在个别基准上也有竞争力；证据冲突机制不同且无需额外调用，值得进一步研究，但存在饱和问题。未胜出项是自验证总体较弱且不稳定，L2 总体较弱，因为它只保留偏移大小。
还需要说明基线保留情况。本表保留了实际可运行的最强简单基线与最具代表性的采样策略，没有用事后最优或 oracle 代替可部署收益。原文还提到全词表熵平均为.735，介于二者之间，进一步支持单遍信号已包含主要不确定性信息，但该数值的完整聚合口径以原文表格为准，本文不另做差值换算。
跨格式结果：去掉选项后准确率变化大，不确定性还有效吗？
要回答的问题是：从选择题转到开放式后，准确率如何变化，不确定性是否仍能预测错误。公平条件是同一批基准的改写版本，正确性改由答案匹配模型判定，指标仍是 AUROC 越高越好。原文报告的总体变化是准确率明显下降，但不确定性依然有效，且序列级度量跨格式更稳健。
| 评估格式 | 准确率变化 | 语义熵 AUROC | 最大词熵 AUROC | 语义一致率 AUROC |
|---|---|---|---|---|
| 选择题到开放式 | 从 57.6% 到 36.6% | .697 | .694 | .693 |
表前已说明比较问题与指标方向，表后需要解释机制与反例。机制上，开放式下首词熵总体变弱，说明仅看第一个词不够，后续词提供了额外不确定性信息；最大词熵取回答中最不确定的位置，最小 top-1 取最不确信的位置，二者把序列信息压缩成一个分数。语义熵与语义一致率在 16 组模型基准对中的 6 组取得最优，包括多数多步推理与细粒度理解行，支持语义聚类比词面精确匹配更适合自由文本。
反例与边界同样重要。AQUA-Bench 是例外：开放式平均准确率反而从 49.9% 上升到 59.4%，原文解释是去掉选项标签干扰后模型更容易用自由文本表达弃权。MMAU、MMSU 与 MMAR 则分别从 69.6% 降到 29.3%、从 57.1% 降到 29.5%、从 53.9% 降到 28.2%，说明选项线索的移除程度因基准而异。自验证在开放式下依然较弱，音频支持提示的平均 AUROC 从.596 降到.549，是否知道提示几乎不变，表明模型通过文字自问可靠评估自身正确性或音频支持的能力有限。
输入消融：去掉音频与去掉问题的影响对称吗？
要检验的是不确定性反映的是哪种证据。操作是保留选项，分别去掉音频或去掉问题，观察准确率、不确定性均值与 AUROC 的变化。指标方向是 AUROC 下降越多表示该输入对误差识别越关键，均值上升表示模型变得更不确定。原文总体平均的比较问题是音频缺失与问题缺失的影响差异，即 Mean accuracy falls by 17.8 versus 3.5 percentage points。
| 消融操作 | 准确率变化 | 误差识别 AUROC 平均变化 | 首词与熵 AUROC 变化 | 对照口径 |
|---|---|---|---|---|
| 去掉音频 | Mean accuracy falls by 17.8 versus 3.5 percentage points 中的音频侧 | 下降.101 | TOP1 AUROC declines by .108 versus .010 中的音频侧 | 跨模型跨基准总体平均 |
| 去掉问题 | Mean accuracy falls by 17.8 versus 3.5 percentage points 中的问题侧 | 下降.010 | TOP1 AUROC declines by .108 versus .010 中的问题侧 | 跨模型跨基准总体平均 |
上表数字来自原文跨模型跨基准的总体平均，百分点写法保留原文末尾单位覆盖整组的同组写法，不把 17.8 单独拆成带单位。表后解释分 3 层。第一，音频缺失的影响远大于问题缺失：原文给出 Mean accuracy falls by 17.8 versus 3.5 percentage points，误差识别 AUROC 平均下降为 removing audio reduces error-detection AUROC by .101 on average, compared with .010 when removing the question。原文对首词的单独平均也是 TOP1 AUROC declines by .108 versus .010。第二，分数均值对缺失音频更敏感：全词表熵与采样熵在无音频时上升更多，说明模型确实变得更不确定，但错误反而更难识别。
第三，方法排序发生变化：无音频下首词置信与熵仍平均优于 10 次采样，证据冲突与首词的平均差距缩小，但其绝对 AUROC 在多数模型上仍下降；自验证受影响更大，音频支持提示接近随机水平。
未胜出项与边界是 AQUA-Bench 上去掉音频的首词下降较小，原文解释是部分题可仅从文本认出无法回答。另一个机制解释是描述性选项使问题变得多余：例如选项是狗叫与汽车喇叭时，只听录音即可选择，无需问题。这支持问题缺失影响小的观察，但属于有限解释而非因果证明。
限制与反证：哪些做法被试过但失败了？
论文报告了一个明确的负结果：把不确定性分数回灌给模型让其修正答案，并没有提高准确率。做法是在提示中加入原问题、前 1 次答案与一个分数，单独呈现或附带校准总结或 30 个示例。结果是数值反馈使准确率下降 10.4 到 12.3 个百分点，先推理再修正的损失可达 23.6 个百分点。原文据此认为被测模型不能可靠利用自身不确定性做自我纠正。这是一个反证，说明能识别错误不等于能修正错误。
方法层面的限制包括三点。第一，证据冲突在大证据幅度下可能饱和，其绝对 AUROC 在缺音频时多数模型仍下降，缩小差距不等于变强。第二，对比度量依赖静音或无音频分支的构造，原文用整段静音而非掩码核心区域，不同构造可能改变结果。第三，开放式正确性依赖答案匹配模型与蕴含模型，判断误差会传导到 AUROC；菜单依赖题的删除规则也影响跨格式比较的口径。
统计与成本层面，原文未报告置信区间与显著性检验，平均趋势不等于每组都成立。推理开销只定性给出调用次数，未测量延迟与成本，因此不能承诺首词方法改善了实际延迟，只能说它避免了额外调用。训练资源与硬件预算也未交代，复现时应记录 GPU 型号、批量与用时。
复现先做什么：按什么顺序重跑才能对上原文？
第一步固定回答条件。按原文要求模型先输出选项字母，对 AQUA-Bench 等有固定弃权位置的基准，把正确答案轮流放在每个位置并对排列取平均，记录原始顺序与平均后的准确率差异。被测模型用原文 4 个 7B 级左右的公开权重，解码与采样条件固定种子，采样数取 10。
第二步重跑单遍基线。只用回答前向的首词分布计算 top-1 概率与归一化全词表熵，置信取反后计算以错误为正类的 AUROC。这是成本最低的对照，后续所有更贵方法都应与它比较，而不是只与随机基线比较。证据冲突需要拆解末层权重，未解释熵与加权支持需要 1 次静音分支，自验证需要 1 次验证前向，采样需要 10 次生成，分别记录调用次数。
第三步重跑跨格式与消融。开放式去掉选项并按原文删题规则过滤，用同一答案匹配协议判对错，再算首词、序列、语义与对比度量。消融保留选项分别删音频与删问题，记录准确率、分数均值变化与 AUROC 变化。需要补的验证是判断模型的一致性抽查、静音构造的敏感性分析，以及分基准分模型的完整表格，避免只看平均数。代码当前可用是复现的有利条件，但权重下载与运行环境仍需自行确认，系统可运行不等于开箱即用。
何时值得尝试这种不确定性基线，还需补哪项验证？
当任务是音频问答且需要先筛掉不可靠回答时，值得先尝试首词 top-1 概率与全词表熵。它们的分工是峰值与分散，搭配理由是同一次前向的正反两面，组合意义是以零额外调用建立强基线。原文显示它们在选择题平均最强，在缺音频下仍保持相对优势，且在决策点即可获得。若场景是开放式自由回答，则应加上最大词熵、负对数似然或困惑度，并用语义熵与语义一致率处理复述问题，因为首词信息不再充分。
当需要判断音频是否负责当前置信时，可尝试音频静音对比中的未解释熵与加权支持，但要记住它们需要额外前向，且 L2 因丢掉方向一般较弱。当需要模型自述音频支持时，自验证可用作参考，但原文显示其总体弱且不稳定，不能单独作为门控。
还需补的验证有三项。一是对新基准重复缺失输入实验，确认音频依赖是否依然远大于问题依赖。二是对判断模型做人工抽查，确认开放式 AUROC 不是判断误差的假象。三是把不确定性接入保留、修正或弃权的决策规则并测量错误成本与额外推理成本，因为原文已证明直接把分数喂回模型并不能自我纠正。未来工作可按原文建议，用多信号探针产生校准的正确率估计，再用决策理论权衡回答质量与错误代价。
📎 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