标签：#音频问答 | #检索增强 | #强化学习 | #说话人识别 | #语音
评分：8.3/10 | 创新 1.6/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 1.2/1.5 | 开源 1.2/1.5 | 可复现 0.1/0.5 | 工程/实践 1.2/1.5
👥 作者与机构
- Wenxu Jia：Zhejiang University；MeituanEqual contribution (co-first authors).Corresponding author.
- Xize Cheng：Zhejiang University
- Zihan Zhang：Zhejiang University
- Dongjie Fu：Zhejiang University
- Linjun Li：Zhejiang University
- Wenshi Chen：MeituanEqual contribution (co-first authors).Corresponding author.
- Yangyang Wu：Zhejiang University
- Tao Jin：Zhejiang University
📌 核心摘要
多方口语长期记忆的输入是跨8轮至12轮会话的多人语音对话与查询，输出是需归因到说话人与受话者的个性化答案，难点在于声学身份漂移、事实更新冲突与跨层跨模态证据分散。先做增量说话人识别，其输入是逐轮语音与ECAPA-TDNN声纹，职责是以置信门控滑动平均更新匿名声纹库并在会话后保守合并，输出是稳定的说话人标识。再做交互感知记忆构建，其输入是上一步的说话人标识与对话文本，职责是用大语言模型从局部窗口抽取交互图、事实记忆与参与者画像并链接声纹与姓名，输出是分层跨模态记忆。最后做自适应智能体检索作答，其输入是上一步的分层记忆、查询语音与累积证据，职责是识别提问者声纹并按证据缺口重写查询、选择记忆层工具与说话人过滤器后迭代取证融合，输出是个性化答案。相对固定检索与终局答案奖励搜索，其按轮奖励新获支持证据覆盖与排名的证据增益组相对策略优化鼓励互补取证，减少冗余检索。在VoxPolyBench基准下，VoxPolyMem的得分为85.0，高于w/o RL的得分84.0。结论限于合成语音与受控事件规划场景，未验证真实口音、重叠语音与长时漂移下的稳定性。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://voxpolymem.github.io/VoxPolyBench/demo/ — 链接可访问（HTTP 200）
数据相关资源：https://voxpolymem.github.io/VoxPolyBench/demo/ — 链接可访问（HTTP 200）
演示资源：https://voxpolymem.github.io/VoxPolyBench/demo/ — 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，输出是什么，哪些信息必须保留？
这篇论文研究的是多方、多会话语音对话的长期记忆。输入是跨多个会话的语音对话历史，每个会话有多个人轮流说话，还可能附带文本与图像。输出是在很久以后回答依赖历史的问题，例如偏好变了没有、谁最早说了某个期限、某个承诺是说给谁听的、当前向提问者应推荐哪个版本。
要答对这类问题，系统必须保留 3 类信息。第一是内容本身，即转写文本与多模态附件。第二是跨会话的人，即同一个声音在不同会话出现时能被认出来。第三是交互关系，即谁说、说给谁听。论文的判断是只存转写文本会丢掉声学身份线索，只存语义抽象会丢掉说话人与收话人边，因此把声纹、交互图、事实与画像一起建模。
官方代码、数据与演示当前可用，链接为演示页。研究生复述时应把可用性限定为本次验证的 3 个资源条目均为可用，不要推广为长期可用。对于刚入门的读者，可以把任务理解为给车载、会议与家庭助手做一个能记住多人的笔记本，翻页时既要找到原话，也要知道话是跟谁说的。
已有路线解决了什么，还缺哪一块？
长期记忆已有 3 条成熟路线。第一条是事实整理与关联，例如把对话压缩成事实、做上下文链接或时序知识图谱，代表做法包括事实合并、上下文笔记关联与时序图维护。第二条是多模态扩展，把图像文本与音视频经历组织成分层、情景与语义记忆。第 3 条是检索优化，包括跨模态路由、边推理边检索，以及用结果奖励优化搜索。
在评测侧，文本长记忆有点对点问答与长程推理评测，多模态有多方文字与图文历史评测，语音侧有会话回忆、多说话人理解与长上下文语音理解。但论文指出这些工作没有同时覆盖声学身份恢复、源说话人归因、收话人归因与按提问者个性化。也就是说，要么有语音但只测会话内理解，要么有多方长期历史但直接给说话人标签。
本研究的定位是补上多方语音长记忆这一块。它不把多人对话拆成多个独立单人记忆，而是为共享的多方对话保留有向交互关系，并在检索时按参与者角色过滤。相关工作的对比应按同输入、同目标、同监督来读，不能把图文基准的分数直接当成语音基准的胜负。
为什么多方语音记忆比双人文本更难？
难点先来自身份。同一个人在不同会话声音有变化，录音条件也不同，若没有花名册与人数先验，系统需要在线建档、更新档案，并在档案碎裂时合并。论文用声纹向量做匹配，用阈值决定新建还是归属，用高置信更新平滑档案，用会话后合并减少碎片。
难点再来自关系。同样一句话，说给不同人听含义与责任不同。举例是教学例子：莉莉先对大卫说幻灯片周一交，后来改口说周四交。若只记结论周四，会丢掉谁改的、对谁说的、哪个版本当前有效。论文因此显式存说话边与收话边，并在抽取事实时同时记录说话人、收话人与时间。
难点最后来自检索。证据可能分散在不同会话、不同记忆层与不同模态，固定 1 次检索难以补齐。论文把检索做成序列决策，每轮根据已保留证据与动作历史决定下一轮去哪一层、用什么工具、改写成什么查询，以及是否加说话人与收话人过滤，最多 3 轮或证据充足即停。
VoxPolyMem 的全景：三段流水线如何衔接？
先沿一个样本走完全程。假设新来一个多方语音会话，系统先对每轮音频提声纹并做增量身份匹配，得到匿名说话人编号。接着把文本、图像描述与语音转写送入交互记忆，保留消息节点与说话收话边。然后用大语言模型看当前轮与至多前 3 轮，把匿名编号关联到姓名别名，同时抽出自包含事实、人物属性、收话人与时间引用，写入事实记忆与人物画像。
回答时流程反过来。语音查询先转写为文本，同时用声纹对照画像认出提问者。检索智能体从空证据出发，每轮选择记忆层、工具、重写查询与过滤条件，经融合去重与上下文选择更新保留证据，再由模型判断缺什么。若证据够或预算用完则作答，否则继续下一轮。训练时用标注支持轮提供按轮奖励，推理时不用标注。
下图是方法总览，左侧是多模态输入与身份，中间是交互感知记忆，右侧是智能体检索与策略优化。读图时注意语义嵌入与声纹嵌入是两条独立通路，前者管内容检索，后者管认人，不要混为一条向量。
看图路径： 1. 先沿左到中看文本图像与音频如何分两路进入嵌入与声纹记忆；2. 再看中部交互图与事实画像提取的箭头方向；3. 最后看右上检索循环与右下按轮奖励的训练闭环
论文图 2。原论文 Figure 2:：“VoxPolyMem identifies recurring speakers, constructs interaction memory, facts, and participant profiles, and adaptively retrieves evidence across memory layers and modalities.”。
该图左板显示文本图像走内容嵌入、音频走语音特征与匹配加滑动平均更新；中板显示大语言模型从交互记忆抽事实与画像；右上显示语音查询经语音识别与声纹匹配进入选层选工具循环，右下显示每轮采样多个动作并按证据增益更新策略。理解这张图后，后续公式只是把匹配、更新与奖励写成可计算的形式。
如何在线认出跨会话的说话人？
第一步是编码。对第 i 轮音频，先用 ECAPA-TDNN 编码器提向量再做二范数归一化，内积即余弦相似度。维护的语音记忆是若干匿名编号与归一化声纹的集合，初始为空，第一轮直接建档。后续每轮与库中所有向量比相似度，取最相似者及其分数。若分数达到匹配阈值则归属，否则新建编号。该设计不需要预先知道人数，非音频轮不改动语音记忆。
\[\mathbf{e}_{i}=\operatorname{norm}\!\left(E_{\mathrm{spk}}(x_{i}^{\mathrm{aud}})\right),\quad k^{*}=\underset{k:\,(k,\mathbf{v}_{k})\in\mathcal{V}}{\arg\max}\;\mathbf{e}_{i}^{\top}\mathbf{v}_{k},\qquad s_{i}=\mathbf{e}_{i}^{\top}\mathbf{v}_{k^{*}}.\]上式中符号含义是原文明确给出的：e 为当前轮归一化声纹，V 为已存档案集合，k 星为最相似档案，s 为该相似度分数。计算目标是在无花名册条件下做最近邻归属，新人则开新档。
第二步是置信门控更新。只有分数达到更高的更新阈值才用指数滑动平均更新档案，否则只归属不更新，避免不确定匹配污染档案。阈值原文给出匹配 0.35、更新 0.40，更新权重 0.05。
\[\mathbf{v}_{k^{*}}\leftarrow\operatorname{norm}\!\left((1-\alpha)\mathbf{v}_{k^{*}}+\alpha\mathbf{e}_{i}\right).\]上式把旧档案与当前观测加权平均后再归一化，目标是容忍同人声学变化而不强化错误匹配。
第三步是会话后合并。同一人可能因变化被拆成多个临时编号，论文在每会话后按跨组余弦相似度、组大小比例、互为最优、组内聚合度与会话重叠等保守条件合并，并保留底层声纹向量。附录还区分多轮组用中位数、单轮点用最近 5 条均值等细节。
声纹嵌入 × 匿名说话人标识： 声纹嵌入负责把每轮语音转成可比的向量表示，用余弦相似度度量声音接近程度；匿名说话人标识负责在没有花名册时为声音建档并跨会话复用。两者搭配的理由是语音内容转写后会丢失是谁说的线索，必须先有声学档案才能把后文的事实挂到人身上，组合后新增的作用是支持无预设人数的在线身份累积与事后合并。
三层记忆存什么，交互边怎么写？
交互记忆是源证据层。每条消息保留文本、原始多模态附件、时间戳与会话位置，文本、图像描述与语音转写支持语义抽取，内容检索用图像文本嵌入，与声纹嵌入分开。论文把它写成有向图，节点是参与者与消息，边是说话与收话。
\[\mathcal{E}=\bigcup_{i}\left(\left\{\mathrm{speaker}_{i}\xrightarrow{\mathrm{speaks}}u_{i}\right\}\cup\left\{u_{i}\xrightarrow{\mathrm{addresses}}p\;\middle|\;p\in\mathcal{A}_{i}\right\}\right).\]上式中 speaker 为说话人，u 为消息，A 为收话集合，未知收话人不建参与者边。计算目标是把谁对谁说显式存下来，供后文按人过滤与归因。
事实记忆与人物画像是抽象层。大语言模型看当前轮加至多前 3 轮，联合完成匿名编号到姓名别名的关联、事实与属性抽取、收话人与时间引用解析。事实存内容、说话人、收话人与时间，图像相关事实还留图像标识；画像存姓名、别名、关联的声纹集合与背景偏好。每条事实与画像保留指向源轮的引用编号，用于奖励计算与溯源。
交互记忆 × 事实记忆： 交互记忆负责保留原始多模态消息节点与说话、收话有向边，是可溯源的源证据；事实记忆负责把局部窗口内的对话提炼为自包含陈述并记录说话人、收话人与时间。搭配理由是只存原文难检索，只存结论难溯源，组合后新增的作用是让检索既能按人过滤又能回到原轮验证。
人物画像 × 声纹记忆： 人物画像负责组织姓名、别名、背景与偏好等围绕人的长期属性；声纹记忆负责保存该人关联的多个匿名标识对应的语音向量。搭配理由是文本名字与声音需要双向对齐才能回答向谁个性化作答，组合后新增的作用是语音查询可先认出提问者，再按提问者身份约束检索。
检索智能体每轮决定什么？
状态包括查询文本、提问者身份、已保留证据、动作历史与剩余预算。动作包括选层、选工具、重写查询与可选的说话人收话人过滤。层在交互、事实与画像三者中选，工具按层提供文本到文本的向量或词频检索、文本到图像经描述检索、图像到图像经图像嵌入检索。检索后做倒数排序融合、去重与上下文选择，最多保留 15 条记录。
控制循环由大语言模型判断缺失信息：若证据不足且未用完 3 轮则继续，否则作答。语音查询的提问者通过画像声纹匹配识别，未匹配则记未知。过滤器可来自动作参数或提问者身份解析，空过滤不加约束，自动补入的身份条件不计入策略损失。最终上下文限制是在融合去重选择之后执行，不是每路工具各取 15 条。
该设计把重写与选路解耦，允许即使查询不变也换层补证据。消融显示单轮检索的下降大于去掉重写但保留多轮，说明迭代本身比改写措辞更关键。
查询重写 × 分层工具选择： 查询重写负责根据已保留证据补上缺失的信息缺口，把原问改成更易命中的检索串；分层工具选择负责决定去交互层、事实层还是画像层，以及用向量、BM25、文图或图图检索。搭配理由是证据跨层跨模态且需求随轮变化，固定一路检索会漏，组合后新增的作用是每轮按状态换路并保留互补证据。
EG-GRPO 如何给每一轮记功？
训练只优化检索策略，回答模型固定。每个状态下旧策略采样 8 个候选动作，它们共享动作前上下文但不共享检索结果，构成一个分组。每个候选经融合去重后保留至多 15 条记忆，映射到源标识集合。设标注支持集非空，历史已保留集合初始为空，新获支持标识为交集减去历史。每个源标识的排名取其关联记忆的最早排名，同一标识只计 1 次。
奖励由覆盖项与排序项加权组成，分母用问题级固定尺度归一化。优势在当前状态组内标准化。原文明确指出排序项不是标准归一化折损累计增益，因为多个支持标识可共享同一记忆排名，值不一定被 1 上界约束。空保留上下文得零分，训练要求支持轮标注非空。
\[\displaystyle N_{i}\]上式中 N 为排序加权的新证据增益，Z 为固定尺度，p 为最早记忆排名。计算目标是只奖本轮新保留且靠前的支持证据，已保留的不再给分，从而鼓励跨层跨模态互补。
分支扩展规则是只有未覆盖完且预算未用完的后继才继续独立采样，覆盖完成或预算耗尽即停。历史覆盖本身不停分支，完成动作仍留在当前组。所有组共享策略经裁剪与散度正则更新，只更新生成的层、工具、查询与过滤词元，输入、检索与回答词元不计损失。
\[\mathcal{J}_{\mathrm{GRPO}}(\theta)=\mathbb{E}\Bigl[\tfrac{1}{K}\sum_{i=1}^{K}\tfrac{1}{|a_{i}|}\sum_{n=1}^{|a_{i}|}\bigl\{\min\!\bigl[w_{i,n}\widehat{A}_{i},\,\operatorname{clip}(w_{i,n},1-\epsilon,1+\epsilon)\widehat{A}_{i}\bigr]-\beta\mathrm{KL}_{i,n}\bigr\}\Bigr].\]上式为分组相对策略优化目标，w 为新旧策略同状态同前缀概率比，散度项对照固定参考策略，系数控制裁剪与正则。原文未报告具体裁剪与正则系数值与优化器细节，这是复现时需要补看代码的具体缺项。
覆盖增益 × 排序增益： 覆盖增益负责奖励本轮新拿到多少标注支持标识，历史已保留的不再重复计分；排序增益负责奖励这些新证据在保留上下文中的靠前程度。搭配理由是只奖覆盖会堆冗余，只奖排序会忽视召回，组合后新增的作用是在固定预算内鼓励又新又靠前的互补取证。
用什么数据、怎么切分、怎么打分？
评测用 3 个基准。主基准是新建的多方语音基准，含电话营销、会议、车载与家庭等 18 个场景，每个场景 8 到 12 个会话，共 176 会话与 18.9 小时合成语音。公开基准保留原生文本与视觉输入，另有两个图文记忆基准用于检验通用性。训练检索策略约用 900 问答，来自两个公开集与新建集的小部分，标注支持轮只在训练时用于奖励与停止，推理时不可见。
下图是新建基准的构造流程，分为场景与会话脚本设计、多方语音对话生成、问答生成与验证 3 段。左列先定主题人设与会话规划，再建跨会话与会话内事件锚点；中列按锚点生成对话并为每人固定参考音合成；右列按锚点生成 4 类问答并做一致性校验。
看图路径： 1. 先从左列 1 到 4 看场景主题、人设关系、会话规划与记忆锚点如何逐级细化；2. 再看中列多方对话与音频合成如何把跨会话更新落到具体轮次；3. 最后看右列四类问答样本数如何对应记忆演化与归因评测
论文图 1。原论文 Figure 1:：“Construction of VoxPolyBench. Scenario plans and event anchors guide multi-party dialogue and speech generation, followed by QA construction and validation.”。
该图左上显示团队展示主题与 4 人角色关系，左下显示跨会话期限从周一更新到周四的锚点，中间显示同一说话人对同一收话人的更新对话，右侧显示事实检索、记忆演化、说话人角色归因与个性化记忆 4 类题量。读图时把红色更新箭头理解为跨会话事实演化，把说话人到收话人箭头理解为归因评测的依据。
下表整理新建基准的规模与任务构成，数值与单位保留原文写法。任务分组中时序推理归入演化冲突，图文集的 9 个细任务按问答数聚为 3 维，总分按测试问数加权，跨基准平均再按测试总数加权。
| 条件 | 指标 | 规模 | 任务量 | 备注 |
|---|---|---|---|---|
| 18 scenarios | sessions | 176 sessions | 1527 QA pairs | telemarketing meetings in-car household |
| 18 case histories | dialogue audio | 18.9 hours | 9599 turns | synthesized speech |
表前已说明比较问题是新建基准是否同时覆盖规模与 4 类记忆任务，公平条件是任务量按附录分类口径统计。表后需要强调合成语音经大模型转写一致性检查，语料级词错率为 2.14%，该值度量转写与合成源文本的一致而非人工核验的合成错误率，转写用独立识别且不给参考文本与人名提示。所有方法在新建集上用同一语音转写建语义记忆，被测方法自动做说话人识别而基线给真值标签，回答模型统一，评委由两个托管模型独立打分后平均。
| 评测条件 | 打分 | 上下文 | 基线处理 | 公平性 |
|---|---|---|---|---|
| VoxPolyBench test | LLM judge average | k=15 records | baselines get ground-truth speaker labels | same ASR transcripts |
| Mem-Gallery test | LLM judge average | k=15 records | native text visual inputs | shared questions rubric |
| H2HMem-Multi test | LLM judge average | k=15 records | native text visual inputs | no supporting annotations |
上表为实验条件的整理而非结果表，不能用来证明优劣。它说明新建集对被测方法更严，因为基线有人标签而被测方法要自己认人；若仍领先，则增益更可能来自记忆结构与检索而非标签红利。
主结果：在什么条件下比哪些基线高多少？
要回答的主问题是多方语音与图文记忆上的总体作答质量。比较对象包括 3 类文本记忆基线与 7 个多模态检索记忆基线，指标方向是分数越高越好，召回为标注支持轮在最终上下文中的覆盖率。聚合先按测试问数在基准内加权，再按测试总数跨基准加权，差值在展示舍入前计算。
| 条件 | 指标 | 基线 | 本方法 | 比较对象 |
|---|---|---|---|---|
| VoxPolyBench Aver | Score | strongest baseline gap 23.6 points | 85.0 | strongest evaluated baseline |
| Mem-Gallery Aver | Score | strongest baseline gap 11.8 points | 89.6 | strongest external baselines |
| H2HMem-Multi Aver | Score | strongest baseline gap 8.4 points | 74.4 | strongest external baselines |
| Average weighted | Score | 68.1 strongest external | 86.6 | VoxPolyMem vs strongest external |
| VoxPolyBench w/o RL | Score | 84.4 weighted average | 84.0 VoxPolyBench 86.3 Mem-Gallery 72.1 H2HMem-Multi | already exceeds external baselines |
表前已交代测什么、与谁比、条件是否一致与指标方向，表内数字与单位保留原文写法。表后解释主要收益与代价。论文报告被测方法在 3 个基准全面领先，新建集个性化与交互归因分别达 76.1 与 87.5，检索推理与演化冲突也领先，支持交互上下文不只服务归因题。未用强化学习的版本已超所有外部基线，加权平均 84.4，说明结构与多轮检索本身有效，策略优化再带来小幅整体提升。
未胜出项与边界也要读。基线在部分子任务仍有局部高分，例如个别图文基线在知识管理子集并不弱，但总体平均仍落后。人类抽查显示自动打分与人工均值差在 1.8 分以内，但原文明确指出均值接近不代表条目级一致，不能把自动指标当成人评。不同指标的差值不能混放，百分点与相对百分比含义不同。
拿掉哪块掉多少，检索轮数与分数如何权衡？
消融以未用强化学习版本为基座，考察记忆构造与检索组件。问题是抽象层与交互边各自贡献多大，迭代与重写哪个更关键，奖励设计如何影响证据获取与轮数。指标仍是分数与召回，方向越高越好，轮数越少越好，公平条件是固定记忆、工具与推理预算，只换奖励与信用分配。
| 对比项 | VoxPolyBench 分数 | Mem-Gallery 分数 | H2HMem-Multi 分数 | 平均检索轮数 |
|---|---|---|---|---|
| w/o RL 基线 | 84.0 | 86.3 | 72.1 | 1.4–1.7 |
| 去层级记忆后 | — | — | 63.6 | — |
| 去交互边后 | 78.6 | — | — | — |
| MoT-GRPO 对照 | — | 87.1 | — | 1.4–1.8 |
| EG-GRPO 本方法 | — | 89.6 | 74.4 | 1.2–1.3 |
表后解释代价与反例。去掉事实与画像后只能检索原始交互记录，多基准下降，在图文多方集从 72.1 到 63.6 最多，支持抽象层帮助分散信息访问。去掉交互边但保留说话人身份时新建集从 84.0 到 78.6 最多，支持显式关系帮助区分不同人的证据。单轮检索下降大于保留多轮但不重写，说明迭代补证据更关键。
检索策略对比显示终端答案奖励反而在 3 基准降分，终端覆盖奖励只提召回不稳定提分，树形多轮基线在 2 基准同时改善，而按轮新证据奖励在 3 基准分数与 2 基准召回领先，且平均轮数更少。在图文集上相对多轮基线从 87.1 到 89.6、召回从 91.5 到 93.6。限制是轮数少不等于延迟低，原文未测量每轮检索耗时与总延迟，不能承诺更快。
哪些结论还不能下，缺了哪项验证？
论文直接报告的是合成语音上的结果，显示声纹跟踪在新建集与两个真实录音集的匿名跟踪准确率分别为 97.7%、95.0% 与 87.9%，但这些跟踪实验用参考切分边界且只隔离身份跟踪，不是端到端 diarization。伦理与局限部分明确指出合成对话与合成语音不能证明跨真实说话人、口音与录音条件的稳健性。
未验证的推测包括真实车载与会议噪声下的身份碎裂程度、画像属性误关联率，以及检索轮数减少是否转化为实际延迟下降。相关性不等于因果，高覆盖不一定带来高分已有终端覆盖基线的反例支持。声纹、身份链接与画像可能含敏感信息，真实部署需要知情同意、访问限制、保留期限与更正删除机制，基准分数不能当作监控或高风险身份决策的授权。
缺失证据不是技术错误，但复述时要用词区分。直接报告用报告或显示，有消融支持的用支持，未测的用可能或待验证。
要复现，先准备什么，按什么顺序跑？
先确认资源状态。本次收到的 3 个资源均为可用，演示页可达，但复现仍应以附录的构造、实现与评测协议为准，并注意托管模型版本与采样波动会影响可复现性。
数据侧按 3 阶段重走。先检查场景主题、人设与事件锚点，跨会话锚点管事实持续更新冲突，会话内锚点管局部交互，人工审锚点后再生成对话。每人固定参考音合成，电话号码与字母数字标识按逐字发音渲染，合成后用时长容差与语音识别筛查相似度低于 0.85、号码标识错与疑似重复，问题样本定向重合成与人工抽听。问答由事件锚点与对话生成，标注支持轮，人工加大模型核事件一致、说话收话 assignment、问题清晰与证据充分，不支持或歧义的删除。
模型侧关键超参数是匹配 0.35、更新 0.40、滑动平均 0.05，上下文窗口为当前加至多前 3 轮，最终保留 15 条，检索最多 3 轮，训练采样每状态 8 候选。回答模型固定，训练约 900 问答一轮，8B 检索策略更新。评测用同一转写、同一回答模型、同一问题与量表，两个评委独立打分后平均，召回在去重截断后按源轮标识计，量表取值为 0, 0.25, 0.5, 0.75, or 1。
上述配置项仅为文字整理，不另立 Markdown 表，避免产生无绑定的孤表。其中原文未给出裁剪、散度与覆盖排序权重的具体值，复现需先跑通演示代码再补这些超参数，评测聚合与权重以附录为准。
何时值得尝试这个方案？
当任务同时满足多方、多会话与语音输入，且问题依赖谁对谁说与偏好演化时，这个方案值得尝试。它的可复述动作是先用声纹建档认人，再用有向交互图存关系，然后用事实与画像做抽象，最后让智能体按缺口换层换工具取证，并用只奖新证据的按轮奖励训练。
若只有单人单会话或已有准确说话人标签，交互图与声纹的收益会变小，简单事实记忆加单轮检索可能已够。若是真实噪声与重叠语音场景，应先补端到端切分与身份误关联测量，再谈个性化作答。下一步验证应是在真实长对话录音上重做问答生成与验证，并报告延迟、成本与误判率，而不仅是分数与召回。
📎 论文与评分元数据
排名：前25% | 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