英文题目：AcoustiClaim: A Numeric Claim Benchmark with Instrument Ground Truth
标签：#语音属性识别 | #基准设计 | #基准测试 | #模型评估
评分：6.9/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.7/1 | 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
- Sheng-Tse Lin：机构信息未在 arXiv HTML 中可靠披露
- Siyuan Zhai：机构信息未在 arXiv HTML 中可靠披露
- Chien-Liang Kuo：机构信息未在 arXiv HTML 中可靠披露
- Massa Baali：机构信息未在 arXiv HTML 中可靠披露
- Bhiksha Raj：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
输入为截断至 10 s 的未归一化原始波形，输出为自由文本中的数值型声学声明，难点在于人类意见分与裁判模型都无法判定信噪比（Signal-to-Noise Ratio，SNR）或抖动（Jitter）等数值是否忠于信号。先由解析器以自由文本为输入负责按量名与单位抽取10个仪器量并输出声明与仪器真值配对及覆盖率与选择风险，再将该配对结果送入分层语料构造负责按参考可读位置分档并输出参考标签决定每个量在混合或干净孪生分支上被评分。最后将分层后的待评声明送入参考系统负责用冻结编码器加解码器输出数值与对数方差并经校准阈值输出选择性陈述，其与已有意见分或裁判模型评分的关键差异在于直接以仪器为真值并可拒答，实际意义是把数值幻觉转为可验证的选择性测量。在 Libri2Mix 双人混合与 AMI 远场会议上的评测显示，207 个单元中 49 个不同取值不足 5 个，158 个可排序单元中仅 8 个斯皮尔曼相关（Spearman Correlation）超过 0.3，且除 3 个外误差均不低于常数预测基线。在Libri2Mix双人混合语料评测下，参考系统的信噪比斯皮尔曼相关为+0.972，高于匹配岭基线的斯皮尔曼相关+0.944。结论仅适用于所定义的 10 个仪器量与两种语料，外推至混响会议语速或真实病理嗓音尚未验证。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，读完要能复述什么？
输入是一段原始波形，最长截断到 10 秒，不做归一化，模型要输出自由文本描述。目标不是让描述听起来合理，而是把其中每一个带单位的数值声称抽出来，与定义该量的仪器在对应信号上的读数逐个对比。本文的输出是一套可复述的评分流程：解析器如何抽数，分层如何决定参考读在哪里，排序相关与归一化平均绝对误差如何计算，拒答阈值如何校准。
你读完应能复述 10 个被评分量的分组、两个语料的构造差异、外部面板的提问方式，以及参考系统何时说话、何时在正文中拒答。关键约束是资源状态为不可用依据，因此不声称代码、模型或数据已公开，只按正文交代的仓库路径与实验条件讲方法。数值声称在这里是白话的数字断言，例如信噪比、语速、停顿数、基频均值与抖动，仪器参考是英文中的 instrument，即声学界既定的估计器，例如 Praat 读基频与嗓音质量，强度轮廓读停顿，能量分位数读动态范围。
数值声称 × 仪器参考： 数值声称是模型在自由描述中说出的带单位数字，如信噪比 14 dB，仪器参考是定义该量并从信号算出真值的既定估计器，二者搭配的理由是只有把前者对齐到后者才能判断数字是否真对当前音频成立，组合意义是把主观打分或裁判模型评价替换为可复算的测量对照。
论文报告的总体图是外部面板 filling 207 cells，其中 49 个单元的不同取值少于 5 个，可排序的 158 个单元中只有 8 个超过作者自设的 0.3 排序相关门限。误差在除 3 个之外的所有可排序单元中处于或高于常数预测器基线。参考解码器在混合上对 5 个嗓音量在 95% 的混合上在正文中拒答，在干净双生上则陈述，校准拒答后在混合上 10 个量平均风险都下降。这些是后文要拆开核对的条件与代价，不是营销判断。
已有路线在验什么，本文换了哪条对照线？
已有路线分 3 类。第一类是非侵入式估计器，从信号单独返回一个标量，例如意见分预测或无参考度量，它不处理自由文本，也不回答参考是否在输入中。第二类是描述打分，例如把生成描述与人工标注对比，或与说话人嵌入对比，它验的是内容相似而非数值真值。第 3 类是带标签问题的基准，例如 SALMon、AIR-Bench、MMAU 与 MUSE，对固定问题打分，它不从自由文本中抽取数值声称。另有回归数值平均意见分的工作报告小回归模型优于许多音频语言模型，但仍以意见分为真值。
本文换的对照线是仪器真值：每个声称对照定义该量的仪器读数打分，并在可控混合中同时持有参考所读的源信号。于是表格能按参考可读位置排序 10 个量：参考由模型听到的信号固定、可测的混合参数、模型从未听到的干净茎上读取、在混合上除重叠窗之外读取。这种分类是本文特有的教学重点，因为它决定了失败应归因于模型还是归因于输入中本来就没有参考。
要判定数字真假，需要固定哪些可变因素？
要判定数字真假，先固定量、信号与读数位置。量是 10 个被评分量：SRMR、信噪比、语速、停顿数、停顿率、基频均值、基频标准差、抖动、微光、谐噪比，另有 3 个解析但不作为仪器读数评分的量。信号是 2 个语料：Libri2Mix 双人混合经实测房间响应混响并以独立信噪比混入噪声，以及 AMI 远场麦克风会议。读数位置由分层给定：在 Libri2Mix 上通道行与定时行在混合上可读，5 个嗓音行在干净双生上读，2 个基频行是掩蔽参考，在混合上除检测到的重叠窗之外读取。
在 AMI 上所有参考都在模型听到的远场通道上读，嗓音与定时量因此记为精确类，但正文提醒精确只说明固定读数的方式，不等于远场嗓音参考就是纯发声。举例说明：同一个 9.44 s 混合，仪器读基频均值可能只占片段的 2.1%，而读信噪比占全片段，系统若在混合上直接报基频均值，其参考本来就被干扰人污染。再举例：停顿参考在 AMI 上退化，信噪比参考变为片内动态范围即帧能量第 90 与第 10 分位数之比，因此这 3 列在 AMI 上记为不评分。
问题形式化为对每片段抽出声称值与仪器值，计算覆盖率、选择风险、归一化平均绝对误差与 Spearman 排序相关，阈值要求至少 25 个解析声称、至少 5 个不同取值、排序相关大于 0.3。
全景：从波形到可评分声称要走哪几步？
沿一个样本走完流程。输入一段双人混合波形与它的干净双生。第一步按语料构造参考：混合的信噪比参考是注入噪声相对语音的电平，双人能量比是单独量不评分；掩蔽参考用 Silero 语音活动检测在两个分离茎上固定重叠窗，保留至少 0.1 秒的交集，基频参考只在窗外读取，示例茎上 606 个浊音帧中只剩 76 帧。
第二步让被测系统生成文本：外部面板对 10 个量用 5 种 elicitation 方式提问，包括自由描述、要求数字、具名带单位、模板与示例，每种开源系统贪婪解码 160 个新 token，与参考系统相同。第三步用解析器按量名与单位从文本恢复数值，无值描述降低覆盖。第四步按分层决定用混合、双生还是掩蔽窗外读仪器值，再计算指标。第五步对参考系统另走置信头与校准拒答分支。
分层 × 混合双生： 分层按参考能否从模型听到的输入中读出把量分为精确可定、可测、仅茎和掩蔽 4 类，混合双生为每个双人混合同时保留混合本身和其干净对应片段，分工是前者给出判断标准、后者给出对照条件，搭配理由是只有控制声源可得性才能区分模型读不出是因为听不清还是因为参考本来就不在输入里，组合后表格才能按参考位置解释成败。
参考系统本身是冻结的 WavLM 编码器取第七层，经卷积压缩与适配器后接 Qwen3-8B 解码器加十六秩低秩适配，每 160 毫秒一个前缀 token，一个线性头在池化前缀上为每量输出预测值与对数方差。训练只用 Libri2Mix 训练集的干净部分，因此在 AMI 上的行是零样本，与面板相同。评估时读出 A 是解码器在自身覆盖下的 emitted 文本，读出 B 是置信头在校准切点下的保留子集，二者覆盖与风险分开报告。
解析器、指标与误差结构如何配合？
解析器负责把自由文本变成可评分集合。正文报告在 240 个生成上的审计精度与召回，审计分层覆盖 4 个开源系统、两个语料与 5 种提问中的 3 种，在一个采样种子下进行，闭源模型不在审计内。正文明确指出有损解析器会漏掉正例但不能制造正例，因此超过门限的单元计数是下界，而系统间排序不受保护。
指标分工如下：覆盖率是保留集大小除以总数，选择风险是保留集上的平均绝对误差，归一化平均绝对误差是风险除以常数预测器在同一保留集上的离散，常数取被评片段上参考的中位数并在阈值变化时重算，因此只发一个值的单元不可能低于 1.0。排序相关在保留集上算 Spearman，另有以说话人均值为中心的 within-speaker 版本用于剥离音区效应。
解析器 × 覆盖率： 解析器按量名和单位从生成文本中恢复 13 个量中的数值，分工是把自由文本变成可评分的声称集合，覆盖率是带有可解析声称的片段占比，分工是度量模型说了多少可验数字，搭配理由是无值描述直接降低覆盖而不进入排序，组合意义是先问是否说、再问说得准不准。
误差结构分两种情形，求和情形累积逐帧误差，片段误差上界与帧数乘以最大逐帧误差成正比，计数线性、比率在片段长度上平坦；商情形是两个聚合量之比，误差含分母估计，形式上无界。
\[\displaystyle c(S)\]该式先定义覆盖率与选择风险，符号中帽子值是声称值，无帽是仪器值，大写集合是保留子集，小写是总数，风险是保留集上的绝对误差均值，归一化再除以常数预测器的同集离散。
\[\displaystyle v_{q}\]该式先定义每量的预测值是前缀 token 逐项加偏置的精确和，每项是线性权重与该 token 表示的内积除以 token 数，再给出两种情形的片段误差公式，其中希腊字母是逐帧或聚合估计误差，帽子分母是分母的估计。原文强调前缀 token 先过上下文块，因此和式不能直接归因到帧，这是后文图二诊断的起点。
选择风险 × 置信头： 选择风险是保留子集上的平均绝对误差，分工是度量说出的部分有多准，置信头是对每个量输出预测值和对数方差的线性头，分工是给出何时应拒答的依据，搭配理由是用校准阈值把高方差槽位 withheld 掉，组合意义是把能说准和应拒答分开评估，形成可部署的拒答曲线。
求和情形 × 商情形： 求和情形指语速与停顿计数类量是逐帧误差的加权和，分工是说明误差随片段长度的累积方式，商情形指信噪比与嗓音质量类量是两个聚合量之比，分工是说明分母估计不准时误差可以无界，搭配理由是同一线性头输出的值在这两类下有不同误差界，组合意义是解释为何计数与比率需要不同的拒答与评估预期。
基频两行用 75 到 500 赫兹音高范围、10 毫秒步长读取，抖动与微光用同范围点过程的局部百分比，谐噪比用 75 赫兹下限，三定时行用强度轮廓 50 赫兹最小音高与 -25 分贝静音阈值。
参考系统如何训练，监督与梯度如何交代？
训练数据是 Libri2Mix 的训练干净子集单独使用，测试片段从未见过。监督来源是仪器在训练片段上的读数，不是人工意见分。优化目标是异方差高斯负对数似然，以每量在训练划分上预先固定的离散为单位，值梯度被分离，误差项重加权。参数更新范围按原文交代为解码器侧低秩适配与置信头，编码器冻结在第七层读取，卷积压缩与适配器承担时域对齐。
训练描述的规则是当标注重叠超过 0.5 时对 5 个嗓音量拒答，因此混合上 95% 的正文拒答是该规则从音频恢复的结果，而非从输入通道读取，因为评估时逐帧重叠通道置零，只听音频。原文未报告学习率、批量大小、训练步数与硬件预算等细节，这些是复现缺项，不从模型名称推定实现。重置时机按校准划分交代：每量阈值在留出的一半上校准到 0.75 覆盖目标，再用于评估半，共 5 个校准划分，在一个训练种子上报告人群标准差。
槽位定义为每片段每量一个槽，每片段 10 个被评分槽，拒答率是阈值实现的不保留比例。读出 A 的六百片段是三百混合与其干净双生，另有 839 个混合面板片段与 859 个会议面板片段，读出 B 在每个校准划分的评估半与全测试集上分别报告。
语料、面板与基线在什么条件下比较？
语料条件：测试用 3000 个混合，99.1% 的混合有一半或更多片段重叠，AMI 片段中该比例为 2.7%，每个混合贡献自身与干净双生两个片段，测试划分共六千。所有系统听未归一化的原始波形。面板是 4 个开源系统与一个闭源模型，闭源经接口以温度零与最低思考设置调用。
提问是 10 个量乘 5 种方式，每个采样种子抽一百二十片段，贪婪解码下每系统每语料四千八百生成，按片段池化 8 个采样，计数对象是携带解析声称的不同片段数，上限为面板的片段数。截断在上限处每系统为 0.7 到 15%，不足以解释 55.6% 的生成解析为空。基线分两类：一是匹配岭回归，在同一冻结编码器上的线性探针，在每行保留的片段上训练与评估，用于对照排序与误差。
二是残差岭，作为选择器单独对照排序能力，拟合出折外残差以排序误差。统计方法包括五训练种子的样本标准差、5 个校准划分的人群标准差、Fisher 变换后的 95% 区间，以及以说话人聚类数分组的风险覆盖面积。空单元规则是少于 25 个解析声称为横线，不进入计数，少于 5 个不同取值为字母标记，不报告排序相关。AMI 上两停顿参考退化与信噪比定义不同，三列记为不评分。Granite 在 AMI 上无单元达到 25 个解析声称，因此其 AMI 行不进入计数。
主结果：谁在什么参考位置上越过门限？
先看参考系统自身的分层表现作为标尺，再看外部面板。表一的教学问题是在控制参考位置后，哪些量可被排序、误差相对常数基线如何，公平条件是同一保留片段、同一仪器与同一匹配岭基线，指标方向是排序相关越高越好、归一化误差越低越好且低于 1.0 才算胜过常数。
表一显示通道行保持高排序，定时行低于池化值约 0.11 到 0.18，5 个嗓音行在双生上读取，匹配岭在十行中七行排序更好，其中五行差距小于 0.05，归一化误差上参考系统在另外七行更小。 within-speaker 下匹配岭在语速与停顿率上领先较多，其余三混合行差距在 0.04 以内。 下表把面板计数与解析器审计放在一起，解决可排序单元中有多少真正越过门限的问题。
表前已说明公平条件是混合单独评分、按片段池化 8 采样、阈值相同，指标方向同上，超过 0.3 记为越过但需看区间是否干净地 clears 门限。
| 条件 | 单元基数 | 可排序与不足值 | 越过门限 | 解析器审计 |
|---|---|---|---|---|
| Libri2Mix 混合单独 | 129 个 25 声称以上单元 | 91 个可排序，38 个不同取值不足 | 8 个 rung 级单元中超门限中的部分 | 240 生成上精度 0.997 与召回 0.763 |
| AMI 会议通道 | 78 个 25 声称以上单元 | 67 个可排序，11 个不同取值不足 | 闭源基频单元为主 | 同一审计覆盖双语料 |
| 全部 207 单元 | 49 个少于 5 不同取值 | 158 个可排序 | 8 个越过门限 | 漏检不制造正例故计数为下界 |
| 闭源 F0 细节 | 136 到 257 不同取值 | AMI 基频均值区间干净越过 | 最大 +0.629 区间 0.57 到 0.68 | 开源三单元区间含门限 |
| 误差基线 | 除三外在基线之上 | 仅三 AMI 基频均值低于基线 0.78 到 0.81 | 其余在基线之上 | within-speaker 剥离音区后下降 |
表后解释主要收益与代价：8 个越过门限的 rung 级单元中 3 个是开源单元，分别 resting 在十、十三与 6 个不同取值上且归一化误差在基线之上，5 个是闭源读基频，其中 4 个在 AMI 上有 136 到 257 个不同取值，只有 3 个 AMI 基频均值单元干净地越过门限且误差低于基线。
去掉区间含门限的 5 个后，只有一个系统仍越过门限，计入则 3 个系统越过。零假设下按各单元样本量期望只有 0.3 单元越过，因此 8 个不是多重比较的偶然。未胜出项是闭源除基频外其余五 AMI 量至多 0.14，参考系统自身在 AMI 7 个被评分量中有三低于门限且语速为 -0.438，因训练从未见会议语速。
看图路径： 1. 先看上半混合输入对应的粉色框，找出被 decline 的五个嗓音量；2. 再看下半干净双生对应的蓝色框，核对十个量全部陈述时的下划线数值；3. 对比同一录音两次解码的语速与停顿数值是否变化；4. 注意图注中下划线表示解析器恢复的值，方框表示拒答的量
论文图 1。原论文 Figure 1:：“One recording decoded twice by our system, on the two-talker mixture and on its clean twin.”。
上图是同一录音的 2 次解码，混合上系统拒答 5 个嗓音量并给出信噪比、SRMR、语速与停顿数，干净双生上陈述全部 10 个量并给出基频均值与抖动等数值。它把分层规则可视化：参考不在输入中时在正文中拒答，参考在双生中可读时陈述，解析器恢复的下划线值与被拒答的方框量一一对应。
参考值藏在时间轴哪里，系统分解指向哪里？
该节解决定位问题：仪器的参考量级集中在多窄的时间窗，系统的逐 token 分解是否指向同一位置。公平条件是同一 9.44 s 混合、58 个 token 分解，仪器图与系统图并排，方框是容纳参考一半量级的最短窗，峰是相对均匀划分的帧高。图二显示从左到右越来越无处可指：基频均值仪器只占片段 2.1%，谐噪比占 47%，抖动占 58%，信噪比占 100%，而系统分解每列相对均匀划分保持在 0.76 到 1.30 倍。
诊断任务是在 20 候选中挑出自身片段，7 个有时序参考的量中 3 个超过随机，谐噪比为 6.06 倍，抖动 4.45 倍，语速 4.05 倍，基频标准差 1.63 倍，信噪比、基频均值与微光接近随机。SRMR 无时序参考不评分，两停顿参考因帧索引斜坡已达最优一致的 97% 而在评分前去掉，阈值只允许 70%。限制是前缀 token 先过上下文块，和式不能解析到帧，因此该诊断只是相关性支持，不是因果证明。
看图路径： 1. 从左到右看四列顶部的仪器读取占比，从极窄到全片段；2. 对比每列第三行仪器图与第四行系统分解图的峰高与方框位置；3. 重点看基频均值列峰值标注与信噪比列几乎铺满的差异；4. 结合横轴时间确认第二说话人区间与仪器读取帧的关系
论文图 2。原论文 Figure 2:：“One 9.44 s mixture in four columns. Rows are the mixture, the second talker’s spans, the frames the instrument reads and our 58-token decomposition.”。
上图 4 列分别是基频均值、谐噪比、抖动与信噪比，每列从上到下是混合语谱、第二说话人区间、仪器读取图与系统分解图。可见仪器图峰极窄而高，标注达数十倍，系统图相对平坦，方框位置与仪器方框错开，这解释了为何排序相关与定位诊断在不同量上分化。
拒答切点移动时，风险如何下降，谁的功劳更大？
该节解决拒答是否真降低误差，以及功劳在排序还是在均值预测器。公平条件是每量阈值在留出一半上校准到 0.75 覆盖再用于评估半，5 个校准划分，槽位为每片段 10 个量，随机选择器在相同覆盖下对照。指标方向是选择风险越低越好，风险覆盖面积越小越好，右图是残差岭减去本文系统的面积，零右侧为本文胜。下表汇总切点与风险变化，回答校准拒答的可部署收益。
| 条件 | 拒答率 | 风险变化 | 随机对照 | 残差与基线 |
|---|---|---|---|---|
| 残差岭对照 | 50 比较中胜 33 对 0 | 池化 15 对 1 | — | 组装系统 8 个量风险覆盖更优 |
| 说话人聚类 | 11 与 39 聚类 | 9 标记中 3 一致向本文 1 向岭 | — | 优势在均值预测器 |
表后解释代价与反例：拒答在参考缺席处更多，符合预期，但基频标准差与微光在读出 B 上仍在基线之上，分别为 1.093 与 1.055。
作为纯选择器，第二岭在混合上 50 个量与种子比较中胜 33 对零，池化 15 对一，说明排序上至少一样好；作为组装系统，本文在四十说话人聚类下 10 个量中 8 个风险覆盖曲线更好，优势在均值预测器而非排序。未胜出项是线性基线本身，它用更简单的均值与拒答组合在多数排序比较中不输。
看图路径： 1. 先看左图横轴风险降低百分比，比较顶部与底部行的楔形长度；2. 核对左图每行在报告切点处的竖线与五个校准划分的刻度散布；3. 再看右图零线左右方向含义，判断蓝色与绿色条带各偏向哪一侧；4. 观察右图不同说话人聚类数下每训练种子的标记是否一致偏向一侧
论文图 3。原论文 Figure 3:：“(a) Reduction in selective risk per quantity, each wedge thickening from 16 to 42% withheld, the stroke at the reported cut, the ticks the five held-out splits, the right-hand…”。
上图左为每量随拒答率从 16% 到 42% 的风险降低楔形，竖线为报告切点，刻度为 5 个留出划分，右侧数字为该处降低，SRMR 为精确参考的正对照；右为残差岭减本文的风险覆盖面积，每训练种子一个标记，条带填充表示九标记是否一致偏向一侧。它支持拒答降低误差，但把排序功劳与均值功劳分开，避免把总体趋势推广到每组每步。
哪些失败是各自独有的，哪些边界尚未评测？
各系统失败方式不同。Granite 在示例 rung 上返回示例自身的数字，在 AMI 上三具名提问 rung 的两千八百八十生成中仅 11 个陈述数字，在 AMI 上返回未填充的模板提示，正文说明其对话模板把音频放在用户轮，因此空行是模型行为而非配置丢失。闭源模型从不退回常数，只跟踪基频，在 AMI 上基频均值 0.629、在掩蔽 Libri2Mix 参考上 0.311，其余五 AMI 量在 0.14 或以下。参考系统在 AMI 语速上为负，训练分布未覆盖会议语速是直接原因。
测量上限方面，Praat 两半茎读数在抖动、微光与谐噪比上的一致性经全长换算后封顶相关为 0.77、0.57 与 0.84，抖动的 +0.809 超过其封顶而 within-speaker 的 +0.646 不超，其余 7 个为混合参数、确定性或掩蔽而不适用半 split。解析器审计留下闭源未审，且分母不区分解析漏检与主动拒答，因此系统排序不受保护。
掩蔽基频的 within-speaker 对照只在双生参考上运行，未在面板掩蔽单元上运行，而面板基频的池化相关多为说话人音区，本文双生行从 +0.434 跌到 +0.093，面板的越过需按此折扣理解。未评测边界包括延迟、误判率与推理成本，以及远场嗓音参考中混响与干扰的分离，这些未测量则不承诺改善。
要复现评分，先准备什么，按什么顺序跑？
先准备语料与参考。Libri2Mix 用混响房间响应与独立信噪比混合，保留混合与其干净双生，测试三千混合共六千片段；AMI 用听到的远场通道直接读参考，停顿两列退化不评分，信噪比改用片内动态范围。仪器参数按原文固定：基频两行 75 到 500 赫兹、10 毫秒步，抖动微光同范围点过程局部百分比，谐噪比 75 赫兹下限，定时三行强度轮廓 50 赫兹最小音高与 -25 分贝静音阈值，掩蔽窗用分离茎的语音活动检测交集至少 0.1 秒。
再准备提问与解析：10 个量乘 5 种方式，开源贪婪解码一百六十新 token，闭源温度零最低思考，每采样种子一百二十片段，每系统每语料四千八百生成，按片段池化，阈值 25 解析声称与五不同取值。参考系统训练只用训练干净子集，冻结编码器第七层，低秩 16，每 160 毫秒一前缀 token，异方差高斯负对数似然以训练离散为单位，值梯度分离。校准时每量阈值在留出一半上定到 0.75 覆盖，用于评估半，5 个划分，报告人群标准差。
评估分读出 A 的 emitted 文本与读出 B 的置信头，前者在三百混合五说话人子集与面板片段上报告排序与归一化误差，后者在评估半与全集上报告风险覆盖。缺项是优化器、批量、步数与硬件均未报告，需补验证才能谈成本。资源状态依据为不可用，因此只写仓库路径在正文中给出，不写当前可用或已公开。
何时值得尝试这套验算，还需补哪项验证？
当你的任务要求模型说出可测数字而非泛泛描述时，值得尝试这套验算：先用分层判断参考是否在输入中，再用解析器看覆盖，最后用排序与归一化误差看是否胜过常数。若参考本来就不在输入中，优先教模型拒答而非硬猜，本文的校准阈值流程是可直接照做的步骤：留出一半定阈值、评估半看风险、随机同覆盖对照排序功劳、残差岭对照选择器能力。
若要在新会议或远场数据上部署，需补三项验证：一是在该通道上重算仪器参数与掩蔽规则，二是重审解析器在新模型与新提问上的精度召回并区分拒答与漏检，三是按说话人聚类报告风险覆盖以防音区主导排序。总体判断按原文收束：三系统越过门限而干净越过仅闭源基频均值，误差多在基线之上，校准拒答降低 10 个量的混合风险但组装优势在均值预测器。
把这三句作为复述底线，再按需展开任一节的对照条件与反例，就能完整还原本文的方法与证据边界。
📎 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