英文题目：Do Audio Language Models Hear and Read Distinctive Features Alike?
标签：#语音属性识别 | #统计分析 | #语音学与音系 | #多语言
评分：7.0/10 | 创新 1.6/2 | 技术严谨 1.3/1.5 | 实验充分 1.3/1.5 | 清晰度 1/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5
👥 作者与机构
- Yuanhao Chen：机构信息未在 arXiv HTML 中可靠披露
- Peter Chin：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
本文检验音频语言模型共用解码器在听到音素与读到国际音标文本时是否以相同方向表征同一音系区别特征，难点在于双流天然共享音段身份使任意音素对已有一致性，与零比较会虚增对齐，且跨语言音位库差异阻碍单语言方向泛化。方法链分三步衔接：先按话语组切分语言文献参考语料并用时长换算定位音频帧区间、按字符重叠定位文本词元区间，对冻结解码器同层隐状态按音素类型取均值，输出可比的音素表征进入下一步。接着对仅差一个二值特征的最小对立体做有标记减无标记求差向量并归一化平均，得到音频与文本各自特征方向后计算二者余弦。最后以等量随机配对重复B=2000次构建参考分布并取跨语言中位数选层做Benjamini-Hochberg校正，同时以跨特征最大值为对照，这相对ALAS只测时序绑定与相对零比较的关键差异在于剥离音段身份带来的基线一致性，可避免把通用绑定误读为特征共享。在15种语言11个语系的跨语言评测设置下，Qwen2.5-Omni 7B浊音的余弦相似度为+0.40，高于随机配对参考的余弦相似度+0.34。跨语言一致性更广：三个模型在音频端共享一个浊音方向，两Omni模型91个语言对全部一致，而家族而非尺寸预测哪一流更好表征特征，文本端长音一致更可能来自书面长度符号:而非音系知识。该结论适用边界受限于仅浊音在两Omni模型显著成立且同层比较未搜索跨层编码，旋转复制空间与邻音分布混杂等失败条件尚未验证。原文未披露训练与推理成本，未提供代码链接。
🔗 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，本解读保留什么？
输入是论文原文证据与本次收到的官方原图像素，目标是让刚进入语音与音频语言模型的研究生能核对并复述方法。必须保留的信息包括语料来源与语言筛选条件、听觉与文本 2 流的定位做法、最小对立体偏移与方向计算、随机配对基线与跨特征对照、多重校正后的结论与反例。输出按学习依赖展开，先讲任务与相关路线，再讲方法全景与组件计算，然后讲构造与实验条件，最后讲结果、限制与复现。本解读不继承其他分析的评价，只讲论文实际做的跨流几何比较，不添加无源数值。
论文研究的对象是音频语言模型，也就是同时接受语音与文本并让两路都经过同一个解码器的大模型。教学例子：可以把编码器想象成两条进站轨道，把解码器想象成同一个大厅，问题是大厅里表示清浊的方向是否与进来时走哪条轨道无关。原文的中心矛盾是单解码器在结构上共享，不等于在几何上共享某个语言学特征。
音频语言模型 × 解码器： 音频语言模型分工是音频编码器处理语音波形、字符切分器处理文本符号，解码器分工是让两路序列进入同一个变换空间；搭配理由是只有共用解码器才能直接比较方向余弦，组合意义是把听与读是否同向变成可测量的几何问题。
本解读的复述标准是动作可执行：给定一段叙事语音及其宽式国际音标转写，能说清如何切组、如何取平均隐状态、如何配对相减、如何与基线比较。凡涉及显著性，都同时报告观测值与基线值，不单独报告对零的正负。
已有路线测了什么，本论文为何还要测方向？
已有 3 条相关路线需要区分。第一条是自监督语音模型中的特征几何，报告区别性特征具有可加性，例如把浊辅音与清辅音之差加到另一个清辅音上会指向对应浊辅音，并报告语音信息随层深的变化轮廓与多语言共享潜单元。这条路线只在听觉内部讨论，与本文的跨流问题输入不同。第二条是 ALAS 类工作，让音频语言模型分别跑音频与其转写文本，按层打分音频帧隐状态能否找回对应文本词元。
这测量的是 2 流的时间绑定，而不是某一个特征的方向是否一致，目标不同。第 3 条是控制任务思想，用随机配对构造参照分布，避免把表示空间本身的各向异性误读为语言学结构，本文的基线构造继承这一监督思想，但运行阶段是事后探测而非训练。
同输入对照是同样跑音频与文本 2 流的工作，但若只报告跨模态检索准确率，就不能回答清浊方向是否相同。同目标对照是同样关心音系特征的工作，但若只在单流内做分类探测，就不能回答听与读是否共用方向。同监督对照是同样无额外训练、只用已有模型隐状态的工作，本文也不训练新模型。同运行阶段对照是同样在解码器每层取表示的工作，本文的区别是固定同一层比较 2 流方向，并明确指出跨层编码会漏检。
因此本论文的增量不是提出新模型，而是提出一个带基线的几何检验：每个特征在听觉有 1 个方向，在文本有 1 个方向，用余弦度量两者是否对齐，并用随机配对回答任意音位对本来就有多对齐。
要回答的具体问题与可证伪形式是什么？
具体问题是：当一个音位被听到与被读到时，解码器是否用同一方向表示同一个区别性特征。白话是浊音减清音这个箭头，在听语音时指向东，在读国际音标字符串时是否也指向东。英文名是 cross-modal representation of distinctive features，可复述为跨流特征方向一致性。
区别性特征 × 最小对立体： 区别性特征分工是用清浊、高低、长短等二值属性描述音位差异，最小对立体分工是只差一个特征的 1 对音位提供干净偏移；搭配理由是相减可以消去两者共享的语境与各向异性均值，组合意义是每个特征得到一组同向的偏移向量用于求平均方向。
可证伪形式分 3 层。第一层是跨流对齐：特征的听觉方向与文本方向余弦 c 是否超过随机配对基线。第二层是特征特异性：c 是否超过该听觉方向与其他特征文本方向的最大余弦，即交叉特征值。第 3 层是跨语言共享：各语言的方向之间是否彼此对齐，还是每门语言各用 1 个方向。若只满足第一层而不满足第二层，则可能是通用音位相似而非该特征特有。
论文覆盖 6 个模型、7 个特征与 15 门语言。7 个特征按原文缩写是清浊、高低、长短、后位、展声门、鼻音、紧声门。语言样本横跨 11 个语系，包括大西洋刚果语系、汉藏语系等，目的是让结论不依赖单一音系库存。单位复制是语言，只有以语言为重复单元的中位数与跨语言统计才进入主检验，单条语音或单个音位不单独构成证据。
方法全景：一个样本如何走完输入到输出？
沿一个样本走完全程有助于建立依赖顺序。取 Sanzhi Dargwa 语的一个短语，文本流写成斜杠括起的宽式转写，形如 /muX:raj daxul/，音频流是同一组话语按首音位起点到尾音位终点切出的录音片段。2 流分别做 1 次前向传播并保留每一层隐状态，然后按时间或字符位置找到每个音位出现的位置并取平均，得到该音位类型在该层、该流的平均表示。接着查特征表得到每个音位的二值特征向量，找出只差一个特征的最小对立体，逐对相减得到偏移，平均后归一化得到特征方向，最后计算 2 流方向的余弦。
这个流程的输入是分组后的语音片段与对应国际音标字符串，表示是解码器各层隐状态，组件是定位、平均、配对相减与方向平均，目标是每特征每层每语言的 c 值，输出是跨语言中位数及其随机基线比较。先有定位才能平均，先有平均才能配对，先有方向才能比较跨流，后续统计都依赖这一顺序。
需要强调的安排理由是同一解码器空间内比较，无需对齐步骤。因为听觉隐状态与文本隐状态都来自同一个解码器的同一层，方向向量天然在同一坐标系，余弦可直接计算。若模型是双塔结构，这一做法就不成立。
如何定位音位并算出特征方向？
定位分两路，动作不同。音频定位先估计每解码器位置对应多少毫秒。做法是编码不同时长的片段，数其中音频占位符的数量，数量随 duration 成比例增长，比值记为 r。某次出现从 t1 到 t2，从组起点度量，占据位置区间为下取整与上取整构成的半开区间，若区间为空则取第一个位置，然后在该区间上平均各层隐状态。文本定位是把同组写成斜杠间国际音标字符串并送入同一解码器，按字符找到每次出现所占字符，再对所有与之重叠的词元取平均，因为一个词元可能覆盖多个符号或半个符号。
方向计算分 3 步。记 v 为某音位类型在某层某流的平均表示，对特征的第 i 个最小对立体，偏移为有特征成员减无特征成员，单位化后记为帽 d。A 是一致性，即所有偏移两两余弦的平均，等于 1 表示每对指向同一方向。特征方向 u 是全部单位偏移的平均再归一化，音频与文本各算 1 次。
特征方向 × 余弦相似度： 特征方向分工是把同一特征多个最小对立体单位偏移取平均并归一化，余弦相似度分工是度量听觉方向与文本方向的夹角；搭配理由是方向比较不受模长影响，组合意义是 c 接近 1 表示 2 流同向，接近 0 表示无关。
符号与输入的解释如下：公式 1 的 n 是该特征最小对立体个数，求和遍历全部无序对，内积是单位偏移之间的余弦，目标是单流单语言内部的方向一致性。
\[A=\frac{2}{n(n-1)}\sum_{i随机配对基线 × 交叉特征值： 随机配对基线分工是回答任意音位对本身就有多一致，交叉特征值分工是回答本特征是否比错配到别的特征更一致；搭配理由是 2 流天然共享音位身份信息，对零比较会虚增显著性，组合意义是只有同时超过随机基线且具特征特异性才算共享。
原文明确的对照安排是每个观测都有随机基线。对 c 而言，重复 2000 次随机抽取同样数量的相异音位对并重算，2 流用同一套随机配对，因为独立配对会比较不同音位构成的方向而压低基线。每对按抽取顺序定向，不来自特征。对 A 与跨语言一致性也有各自的随机或置换基线，不能混用。
本研究训练了什么，没有训练什么？
本研究没有训练任何新模型，也没有微调所测的 6 个模型。所测模型包括 Qwen2-Audio、两个尺寸的 Qwen2.5-Omni、两个尺寸的 Gemma 4 与 Audio-Flamingo 3，均作为已有模型调用。真实计算过程是推理与统计：1 次前向传播取各层隐状态，按位置平均得到音位表示，按最小对立体相减得到偏移，按公式平均得到方向，按余弦得到 c，再做 2000 次随机配对重算得到 p 值，最后跨 42 个模型与特征组合做 Benjamini-Hochberg 校正得到 q 值。
层内一致性 × 跨语言一致性： 层内一致性分工是检验一门语言内部多个偏移是否指向同一方向，跨语言一致性分工是检验不同语言的特征方向是否彼此平行；搭配理由是前者是单语言表示质量，后者是多语言共享程度，组合意义是区分一语一方向与多语一方向两种组织方式。
关于参数冻结与梯度路径，原文只报告 Qwen 系列音频编码器来自 Whisper 并与解码器联合训练，Gemma 使用在预训练中保持冻结的 Conformer 编码器，但以两个语系族无法分离架构效应与是否训练的效应。未报告优化器、学习率、训练步数与梯度是否截断，本解读不从模型名称推定实现细节。无训练不等同于确定性求解，因为前向传播仍受切分、平均区间与随机基线抽样影响；冻结参数也不能推定输出确定。
需要补的缺项是显式的计算预算：原文未给出前向次数、显存占用与耗时，复现时应按组数乘以 2 流乘以层数估算前向与存储开销，不能承诺延迟改善。
语料、语言与统计条件如何保证可比？
语料来自 Language Documentation Reference Corpus，提供带时间对齐的叙事语音与宽式国际音标标注。预处理保留标注为语音的行，丢弃停顿与非流利标记，并对转写做规范化，例如把多处 ASCII 字母 g 规范为浊软腭塞音。分组以包含目标音位的 utterances 为单位，音频切到组跨度，保证被定位的每个音位都在模型实际听到的片段内。
语言进入研究的 3 个条件是音频随语料分发、切分与录音可链接、至少一个特征在出现至少 100 次的音位类型中有 3 个以上最小对立体，但 2 对即可测量。40 门中有 47 门满足前两项，按满足特征数排序并优先代表性不足的语系，取前 15 门，覆盖 11 个语系。每个特征的可测语言数不同，清浊 14 门、高度 11 门、长短 10 门、后位 8 门，其余特征语言过少不进入主表。
统计条件是公平比较的关键。主指标是跨语言中位数 c 在各层的最大值，层不预先固定，因为 2 流最一致的深度因模型而异。基线也做同样的先按层取中位数再取最大，保证选择层带来的乐观偏置同时作用于观测与基线。检验单元是语言而非音位，42 个检验一起校正。表前比较问题是：在相同语言集合与相同选层规则下，哪个模型哪个特征的中位数 c 同时超过随机基线并具特异性，指标方向是越大越对齐。
| 模型与特征 | 中位数 c | 随机基线 95 分位 | 正值语言数 | 超交叉特征语言数 |
|---|---|---|---|---|
| Qwen2.5-Omni 7B 清浊 | +0.40 | +0.34 | 14 | 14 |
| Qwen2.5-Omni 3B 清浊 | +0.45 | +0.35 | 14 | 14 |
| Qwen2-Audio 7B 清浊 | +0.54 | +0.75 | 12 | 7 |
| Qwen2.5-Omni 7B 高度 | +0.27 | +0.36 | 11 | 11 |
| Gemma 4 E4B 清浊 | +0.07 | +0.11 | 9 | 7 |
表后解释是：只有两行清浊同时满足中位数超过基线、全部语言为正且全部超过交叉特征值，并经校正显著。Qwen2-Audio 虽中位数最高，但基线更高，说明 2 流对任意音位对本来就更一致，不能判为特征共享。高度的例子说明最佳匹配不等于显著，11 门全正且全超交叉特征仍低于随机基线。未胜出项是大量接近零的中位数，边界是仅 3 到 4 门语言的特征组合，其超出基线不超过 0.03。
复现需要的数据划分与聚合口径是什么？
数据划分按组进行，组是包含目标音位的 utterances 跨度，音频切到组跨度，文本写成同组国际音标字符串。采样门限是音位类型至少出现 100 次才进入配对，特征至少 2 对才可测，语言至少 1 个特征达标才进入候选。聚合分 3 级：先在出现级别平均隐状态得到音位类型表示，再在对级别平均单位偏移得到语言特征方向，最后在语言级别取中位数得到模型特征得分。统计用 2000 次随机配对得到 p，再跨 42 检验做 Benjamini-Hochberg 得到 q。
指标方向需逐个确认：A 越大表示单流内偏移越平行，c 越大表示跨流越同向，跨语言平均余弦越大表示多语越共享，层比例越大表示更多深度成立。百分点与相对百分比不同，本文层比例是层数占比，不是提升百分比；余弦差值是绝对差，不能写成相对提升。数值相同不是同一指标的证据，例如 +0.54 既出现为 Qwen2-Audio 的 c，也出现为 Qwen2.5-Omni 的跨语言一致性，二者聚合对象不同。
硬件与预算按原文交代是缺项：未报告 GPU 型号、显存、推理耗时与存储。复现者应记录每组 2 流的前向次数与每层隐状态的落盘大小，特别是长叙事分组较多时。资源状态方面，本次未发现来源绑定且完成验证的资源，不得声称代码、模型或数据已公开，复现先从公开语料与已下载权重出发。
跨流对齐的主结果与像素证据是什么？
主结果报告显示，仅清浊在两个 Qwen2.5-Omni 模型中超过基线并通过多重校正，q 值为 0.011。其余 40 个组合均未达到 q 不超过 0.05。达到 p 不超过 0.05 的组合有 4 个，而期望就有 2.1 个，另两个可测语言很少且超出基线极小，支持这只是抽样波动。基线本身在模型间差异巨大，从 Gemma 4 E4B 的 +0.11 到 Qwen2-Audio 的 +0.75，相差约 7 倍，比任何特征效应都大。没有任何中位数超过自身基线 0.10 以上。
下图是逐语言 c 的像素证据，在各模型中位数最大的层取值，横条为中位数，星号为校正显著。导读是先看面板再看模型列，最后看星号与基线关系。
看图路径： 1. 先看四个面板标题确认特征与语言数：清浊 14 语、高 8 到 11 语等；2. 再看每模型列下红点分布与横线高度判断中位数与离散度；3. 最后对比 Q2A 的高中位数与高基线、O7B 与 O3B 在清浊面板的星号标记
论文图 1。原论文 Figure 1:：“c for each language, at the layer where the median over languages is largest.”。
像素可见内容是四面板分别对应清浊、高度、长短与后位，横轴为模型，纵轴为听对读的余弦。每模型一列红点为各语言 c，灰线附近为零。清浊面板中 O7B 与 O3B 两列红点全部在零上且集中，中位横条约 0.4 上下并带星号；Q2A 列中位数更高但点更散，且按正文其基线更高。高度面板中 O7B 列虽全正但中位线低于其基线，长短与后位各列多在零附近波动。这 1 像素模式与表格结论闭环：只有清浊两列同时满足全正、集中且超基线。
为满足结果表的基线要求，下表把可运行策略与基线并置，指标方向越大越对齐，聚合对象是语言中位数，比较问题是在相同语言集合与相同选层规则下哪个模型特征组合同时超过随机基线并具特异性。
| 模型 | 特征 | 本方法中位数 c | 随机配对基线 | 可比条件 |
|---|---|---|---|---|
| Qwen2.5-Omni 7B | 清浊 14 语 | +0.40 | +0.34 | 同层同语言集 |
| Qwen2.5-Omni 3B | 清浊 14 语 | +0.45 | +0.35 | 同层同语言集 |
| Qwen2-Audio 7B | 清浊 14 语 | +0.54 | +0.75 | 同层同语言集 |
| Gemma 4 E4B | 清浊 14 语 | +0.07 | +0.11 | 同层同语言集 |
表后判断是：论文报告跨流共享仅在清浊与 Qwen2.5-Omni 家族成立，Qwen2-Audio 虽中位数最高但基线更高说明 2 流对任意音位对本来就更一致，Gemma 基线最低但观测也接近零，代价是其他特征与模型均不支持，且对零比较会把 15 个组合误判为显著。限制是同层比较，若特征在听觉编码早而在文本编码晚，会被判为缺席，需搜层对才能排除。
哪一流更好地表示特征，家族还是尺寸说了算？
第二个问题是单流内部是否形成方向。用 A 超过随机配对的层比例衡量，取跨语言中位数。比较条件是同一模型、同一特征、同一基线构造，只换听与读 2 流。指标方向是比例越高表示更多层有表示。关键数字是 Qwen2.5-Omni 两尺寸在听觉表示清浊的比例为 0.84 与 0.85，而在阅读时为 0。
Gemma 在阅读时表示高度与长短的比例为 0.39 到 1.00，而在听觉仅 0.00 到 0.08。每一家族含两个尺寸，模式按家族划分，不按尺寸划分。尺寸本身也不预测中位数 c，清浊上小尺寸更高，高度与长短上大尺寸更高。
| 模型 | 数据流 | 清浊层比例 | 高度层比例 | 长短层比例 |
|---|---|---|---|---|
| Qwen2.5-Omni 7B | 听到 | 0.84 | 0.52 | 1.00 |
| Qwen2.5-Omni 7B | 读到 | 0.00 | 0.14 | 0.19 |
| Qwen2.5-Omni 3B | 听到 | 0.85 | 0.51 | 1.00 |
| Gemma 4 E2B | 听到 | 0.00 | 0.00 | 0.01 |
| Gemma 4 E2B | 读到 | 0.07 | 0.39 | 1.00 |
表后解释是：Qwen2.5-Omni 是听觉强而文本弱，Gemma 是文本强而听觉弱，Audio-Flamingo 在长短听觉达 0.98 但清浊听觉为 0，说明不同特征不同流。代价是不能把单流表示好等同于跨流共享，Gemma 文本方向稳定但与听觉不对齐。未胜出项是 Qwen2-Audio 清浊听觉仅 0.09，表明同家族不同代也有差异。编码器架构与是否训练可能相关，但原文明确以两个家族无法分离二者，待验证。
跨语言是否共用 1 个方向是另一统计。对听觉清浊，3 个模型在全部层通过：两 Qwen2.5-Omni 分别在 +0.54 与 +0.57，Audio-Flamingo 在 +0.52，而基线在零附近 0.01 内。两 Qwen2.5-Omni 的 91 个语言对全部为正，最弱 +0.31；Audio-Flamingo 有 2 对反向。Qwen2-Audio 达 +0.49 但仅 33 层中 10 层，Gemma 仅单层微弱。值得注意的反例是 Audio-Flamingo 中位语言单语内无一层超过基线，但跨语言却每层一致，说明平均后的方向可以一致而内部偏移并不一致，单语表示不是跨语共享的必要条件。
哪些对照排除了平凡解释？
论文做了 4 类反证，不能跳过。第一是语境混杂：因为偏移用全部出现平均，若浊音与清音出现在不同邻音环境，偏移可能混入分布差异。论文测量两成员邻音分布距离与 c 的相关，清浊为负 0.01，高度为正 0.05，长短为正 0.06，支持混杂不是主因，但设计本身承认无法完全去除。第二是词元继承：若一致性来自嵌入层，则解码器无增量。嵌入层 c 对任何模型特征不超过正 0.10，因此 Qwen2.5-Omni 的清浊一致性被解释为解码器构建，而非切分器继承。
第三是估计稳定性：把每音位出现劈半得到 2 个方向估计，中位一致性在听觉为 0.82、在文本为 0.96，支持多数估计稳定，但最弱者不稳定。第四是旋转零假设：若音频是文本的旋转拷贝，距离保留但通用方向余弦为零，观测到的清浊对齐不符合该假设，但不能排除只固定部分方向的旋转。
另 1 对照是表征相似性分析，不需要最小对立体，比较 2 流音位相似矩阵的秩相关，基线置换音位对应。此时 15 门语言全部贡献，每个模型都有一层让全部语言超过基线。这说明 c 接近零不等于 2 流毫无共同结构，只是特定特征方向不对齐。12 个组合中多数层没有多数语言在 2 流同时超过基线，若特征在 2 流编码深度不同，同层比较会漏检，需搜层对。
上述对照的收益是排除词元符号直接给出的平凡共享，代价是长短在文本的跨语言高一致达 +0.88 以上且峰值在第一或第二层，恰因长短靠加冒号而非换符号，方向来自共享书写标记而非音系知识。未评测边界是跨层对齐与旋转部分固定的精细几何，原文未做，这也是把单流表示好等同于跨流共享会误判的原因。
什么还不能下结论？
第一，同层比较的限制最大。2 流方向都取自同一层，若听觉早层编码而文本晚层编码，会被判为无共享。原文明确 ruling out 需要搜索层对，本解读将其记为未验证，不把缺席判为证明无结构。第二，随机基线虽校正了任意音位对的一致性，但不能去除音位分布与韵律位置的系统差异，相关接近零只是支持而非因果证明。第三，家族效应基于 6 个模型与 2 个家族，不能分离编码器架构与训练方式，也不能推广到未测家族。
第四，长短在文本的高跨语言一致来自冒号标记，属于正字法平凡共享，不能当作音系知识的证据。第五，表征相似性显示的全局结构一致不能反推某个特征方向一致，两者问题不同。
缺失证据不是技术错误，但影响表述强度。本文直接报告的是余弦、中位数、层比例与 q 值；有限解释的是解码器构建与家族预测；未验证推测是旋转部分固定与跨层对齐的可能性，须用可能或待验证表达。未测量误判率、延迟与成本，不承诺这些量改善。
若要复现，先做什么，后补什么验证？
先做最小闭环：选一门清浊可测语言，按组切音频并写出斜杠国际音标字符串，跑 Qwen2.5-Omni 一尺寸的 2 流前向，估计 r 并定位平均，查表找最小对立体，算 u 与 c，再跑 2000 次随机配对得到基线。若中位数 c 未超基线，先检查定位区间是否为空、词元重叠平均是否正确、配对是否同用一套随机索引，这些是原文明确要求但易错的细节。
再扩展到多语言中位数与选层最大，基线同样选层最大，避免只对零比较。关键超参数与信息条件是出现频次 100 次门限、最小对数、2000 次重复、p 的加 1 平滑与 42 检验校正，改变任一都会动显著性。信息条件是必须同时有音频与可链接切分，缺一则语言不可入组。
还需补的验证有三项：一是搜层对的 c 矩阵，看跨层是否出现对齐；二是置换邻音或分层按语境分层估计，看偏移是否稳健；三是去掉冒号标记或控制书写形式，看长短跨语言一致是否消失。训练资源与推理开销分开记录：前向次数、每层存储、随机基线重算成本，不要把总体趋势当每组每层都成立。
何时值得尝试这个检验，如何一句话记住它？
当你的模型也是单解码器双输入，并想知道某个语言学维度是否真正共享时，值得尝试最小对立体方向检验。它的适用条件是能定位到音位或词元级别表示、能列出最小对立体、有足够出现次数估计平均。若表示是高度各向异性或 2 流天然共享身份信息，必须配随机基线，否则对零的正值没有意义。若书写形式自带标记，要另做对照，否则会把正字法一致误读为音系共享。
一句话记住：听与读是否同向，要看特征偏移方向的余弦是否超过随机音位对的余弦，而本文只有清浊在 Qwen2.5-Omni 通过这一关，且听觉的跨语言共享比跨流共享更广泛。复现时保留中位数、基线 95 分位、正值语言数与交叉特征比较四列，缺一都不足以支撑共享判断。
📎 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