标签：#文本到语音 | #流匹配 | #后训练 | #语音
评分：6.7/10 | 创新 1.4/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Qiaolin Wang：机构信息未在 arXiv HTML 中可靠披露
- Pedro Sandoval-Segura：机构信息未在 arXiv HTML 中可靠披露
- Anunaya Joshi：机构信息未在 arXiv HTML 中可靠披露
- Edvardas Jurkonis：机构信息未在 arXiv HTML 中可靠披露
- Jake Downie：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
连续自回归流匹配（Autoregressive Flow Matching，AR-FM）文本到语音（Text-to-Speech，TTS）需按内联非言语发声（Non-Verbal Vocalization，NVV）标签生成笑、叹息等事件，但稀有标签监督稀缺导致漏发与混淆。NVAlign先在NVV标注语料上分别监督微调TTS与基于Qwen3-Omni-30B的NVV感知自动语音识别（NV-Aware ASR，NV-ASR）模型，再冻结NV-ASR并以目标标签概率为可微奖励。生成时无梯度采样声学补丁序列，再经两步梯度代理回传奖励梯度并联合更新自回归骨干与流匹配头，同时以说话人一致性、相似性、预测平均意见分与信号惩罚及参考速度正则约束漂移。相对流匹配似然比与偏好方法，该机制避免随机微分方程似然估计，直接优化标签似然并保留连续采样可微性。在100文本独立听感集上VoxCPM2人工准确率由43.2%升至47.6%，dots.tts由63.2%升至65.4%，英语生产系统由39.8%升至54.0%；NVV-SuperBench人工子集上VoxCPM2由27.4%升至34.9%，生产系统由33.7%升至53.7%，但dots.tts由57.1%降至54.4%。结论限于离散单标签事件与冻结评测器覆盖标签集，重叠或连续发声、韵律退化及训练推理成本尚未验证。
🔗 开源与复现资源
- 第三方资源：https://github.com/yifan123/flow_grpo — 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
要解决的语音问题是什么：标签写了，声音没跟上怎么办？
输入是这篇论文的标题、摘要、正文与官方原图，目标是让刚进入语音合成的研究生能核对原文并复述 NVAlign 的做法。必须保留的信息包括任务定义、模型结构、奖励与惩罚的计算方式、训练与评估条件、主结果与反例。本文输出按学习依赖展开，不做超出证据的效果承诺。
现代文语转换系统已经能生成自然语音，也支持在文本里直接写[laughs] 这类非言语发声标记。白话说，非言语发声就是笑、叹息、抽气、咳嗽等没有词义但影响理解的声音。内联标签就是把这些事件写在句子对应位置，让模型在读到那里时发出相应声音。论文指出的问题是，写了标签不等于发出正确声音，尤其是不常见的声音，因为带标注的多样化样本稀缺，监督微调后仍会出现漏发或混淆。
非言语发声 × 内联标签： 非言语发声指笑、叹气、抽气、咳嗽等不承载字面词汇但改变听感的事件，内联标签指把[laughs] 这类标记直接写进待合成文本对应位置的控制方式；前者是声学目标，后者是用户接口，NVAlign 要解决的就是标签写了但模型漏发或发错的问题。
对初学者而言，要区分两类错误。第一类是漏发，标签要求笑但生成的是纯朗读。第二类是错发，标签要求叹气但生成了类似咳嗽的声音。论文把改进目标定为标签跟随准确率，也就是目标声音是否在标记位置出现且被听辨为正确类别，同时要求不明显损害说话人相似度与整体质量。后文所有奖励、惩罚与评估都围绕这个取舍展开。
已有路线如何处理非言语与奖励：选样、偏好还是直接求梯度？
同输入同目标的工作包括用带标注非言语语料做监督训练，以及用基准测试生成与感知质量。论文提到的一条相近路线是用音频语言模型排序做拒绝采样微调与锚定流偏好优化。NVAlign 与它的区别在监督来源与使用方式，NVAlign 用冻结非言语识别模型的目标标签概率作可微奖励，并把梯度反传过语音生成过程，而不是用评估器挑选或配对语料再训练。
在奖励与偏好优化侧，论文梳理了奖励加权流匹配、用因果价值模型梯度更新生成器、对流模型随机转移做似然比更新、以及用偏好与拒绝语音对微调等做法。图像扩散与流匹配中已有把可微奖励反传过生成过程的做法，语音中也有经蒸馏扩散模型微分识别与说话人目标，以及对编解码 token 做松弛微分的做法。NVAlign 的定位是把直接梯度语音优化扩展到连续自回归流匹配架构的非言语标签跟随。
Flow-GRPO × 直接梯度优化： Flow-GRPO 是对连续流采样用随机微分方程与似然比做强化式更新，基线实现中只更新流头并加 KL 约束，直接梯度优化则是把可微奖励对生成波形的导数经解码器与流头反传到参数；前者不要求奖励可微但依赖采样似然估计，后者要求奖励与生成链路可微但梯度方向更直接，论文把两者放在同一监督起点上对比标签跟随效果。
理解这组对照时不要把类别差异当同条件胜负。选样方法比较的是数据利用，偏好方法比较的是成对偏好建模，似然比方法比较的是不可微奖励下的策略更新，直接梯度比较的是可微奖励下的端到端导数。只有当初始化检查点、奖励定义与更新范围一致时，对比才说明优化方式本身的差异，论文在 VoxCPM2 与 dots.tts 上让 Flow-GRPO 与 NVAlign 从同一监督微调检查点出发，并使用相同的非言语奖励与保真惩罚，正是为了控制这一条件。
为什么连续自回归流匹配需要专门的后训练做法？
论文研究的架构是连续自回归流匹配文语转换。白话说，它分两段工作。自回归 Transformer 主干读带标签文本、说话人提示与之前已生成的声学块，输出当前块的条件向量。流头是一个扩散 Transformer，在加噪块状态与流时间上预测速度，逐步把噪声变成下一块声学块，再由冻结音频解码器变成波形。训练时用流匹配损失拟合加噪路径的时间导数，并保留各模型的辅助损失如停止预测损失。
这类连续采样给后训练带来特殊性。离散 token 模型有 token 概率，可做组相对策略优化这类似然比方法。连续自回归流匹配没有这种离散似然，需要先对连续采样做随机微分方程改造才能用 Flow-GRPO，或者改用奖励加权流损失与偏好目标。论文提出的核心问题是，冻结的非言语识别模型能否提供有效的奖励梯度来改进标签跟随。这是一个可验证的问题，答案取决于奖励是否可微、梯度能否穿过流采样器、以及更新是否破坏原有语音能力。
NVAlign 全景：先监督初始化，再冻结评估器做直接梯度后训练
NVAlign 分 2 个阶段。第一阶段是监督初始化，对文语转换模型与非言语识别模型在非言语标注语音上微调。第二阶段是后训练，冻结非言语识别模型作奖励模型，冻结说话人与质量评估模型与音频解码器，只用低秩适配更新自回归主干与流头。图注写明可微非言语奖励与保真惩罚指导主干与流头的联合低秩适配，解码器与评估器保持冻结，参考速度正则未在图中画出。
沿一个样本走一遍有助于建立整体依赖。输入是一段带标签文本与说话人提示，模型逐块生成声学块并解码为波形。生成的波形连同目标文本送入冻结的非言语识别模型，在教师强制下对标签位置打分，同时送入冻结的保真模型评估说话人与质量。得分组合成损失后，梯度经波形、解码器、两步流头评估与条件向量回到主干与流头参数。这种先无梯度生成整段序列、再重算条件并用代理连接做反传的安排，是为了避开对完整采样轨迹求梯度的开销。
下面导读官方原图，重点看生成主路径与评估回路如何闭合，以及哪些部件更新、哪些部件冻结。
看图路径： 1. 先沿底部文本加标签与历史声学块到连续自回归 Transformer 再到流头与冻结解码器的主路径看生成方向；2. 再看顶部生成语音分叉到冻结 NV-ASR 与冻结保真模型再汇入奖励 G 与损失的评估方向；3. 对照右下两步反传框中采样路径、速度箭头与梯度虚线的走向确认梯度只经两处流头评估返回；4. 注意火焰标记在主干与流头而雪花标记在解码器与评估器以区分更新与冻结部件
论文图 1。原论文 Figure 1:：“Overview of NVAlign post-training. Differentiable NVV rewards and fidelity penalties guide joint LoRA adaptation of the autoregressive backbone and flow head, while the decoder…”。
该图左侧是生成侧，底部带标签文本与历史声学块进入连续自回归 Transformer，向上经共享权重的扩散流头产生声学块，再经冻结音频解码器得到语音波形。顶部是评估侧，生成语音同时进入冻结非言语识别模型与冻结保真模型，汇入奖励 G 与损失。右下框放大两步反传，用采样路径、速度与梯度虚线表示前向采样 1 次、反向只经两处流头评估。阅读时应确认火焰标记只出现在主干与流头，雪花标记出现在解码器与评估器，这与正文只更新低秩适配器、投影与流头的说明一致。
奖励与约束如何计算：标签概率取最小，质量不足才惩罚
先讲奖励。冻结的非言语识别模型在教师强制下评估生成波形，也就是给定音频与目标文本的前文，逐个预测目标 token 的概率。对第 r 个标签占据的 token 位置集合，奖励取该集合内最小的标签 token 概率，再对一句中的多个标签求和。多 token 标签用最小值要求其中每个 token 概率都高，多标签求和支持一句中有多次非言语事件。这个设计直接对应漏发与错发，漏发时标签 token 概率低，求和项小，错发时也难以在正确标签上得高分。
\[R_{\mathrm{NVV}}(a,y)=\sum_{r=1}^{K(y)}\min_{\ell\in S_{r}}p_{\phi}(y_{\ell}\mid y_{<\ell},a).\]再讲保真惩罚。冻结的说话人模型提取生成语音的说话人嵌入，与该说话人监督微调生成的均值嵌入算一致性，与说话人提示嵌入算相似度，冻结的质量模型预测平均意见分。当这三项低于各自下限时按权重惩罚，另有信号项约束波形峰值过大与均方根电平过低。原文用截断形式只在低于下限时惩罚，高于下限不奖励，这是一种下限约束而非越高越好的目标。电平项用监督微调同文本中位电平作参照，避免后训练把音量推得过低。
连续自回归流匹配 × 离散 token 语音模型： 连续自回归流匹配用自回归 Transformer 根据文本与历史声学块产生连续条件向量，再由流头预测速度场生成下一块连续声学块，离散 token 语音模型则输出离散语音单元的概率分布；前者没有现成的 token 似然比可用，后者可直接用 GRPO 类方法做策略优化，这决定了 NVAlign 必须走可微奖励直接求梯度的路线。
NV-ASR 奖励 × 保真惩罚： NV-ASR 奖励是冻结的非言语识别模型对生成波形在目标标签位置给出的概率，负责把声音往标签靠，保真惩罚是说话人一致性、质量分与信号电平的下限约束，负责防止为得分而牺牲音色与质量；两者相加才构成 NVAlign 的优化目标，缺一端就会出现标签分高但听感差的漂移。
最后讲参考速度正则。它在采样状态与当前条件向量下，惩罚当前流头速度偏离监督微调流头参考速度的均方误差，并对参考速度停梯度。白话说，它把流场锚定在监督模型附近，允许为标签做调整，但不允许流场整体漂移。消融显示拿掉它后奖励更高但听感评分下降，说明标签似然与感知质量并不完全一致，这正是需要该正则的证据。
\[P_{\mathrm{vel}}=\frac{\lambda_{v}}{N}\sum_{n=1}^{N}\sum_{s\in\{k,j\}}\big\|v_{n,s}-\operatorname{sg}(v^{\mathrm{ref}}_{n,s})\big\|_{\mathrm{mse}}^{2}.\]梯度如何穿过流采样器：无梯度生成，两步代理回传
后训练时每个声学块先无梯度生成完整块序列，再重算条件向量并用两步梯度代理代替对完整轨迹的反传。对每个块从采样网格选 2 个流时间，同一句中所有块共用同一对时间。第 1 次流头评估在较早时间估计中间状态，并用直通隐变量连接器把估计与采样状态相连。连接器前向值等于采样状态，反向梯度走估计分支，这用停梯度实现。第二次流头评估用中间状态估计生成块，再用同样的连接器连到实际生成块。冻结解码器把块序列映射为波形后计算奖励与惩罚，梯度经冻结评估器与解码器回到 2 次流头评估，并经条件向量回到自回归主干。
两步梯度代理 × 参考速度正则： 两步梯度代理是用 2 个流时间点上的流头评估代替对整条采样轨迹求梯度，以可承受的计算量把奖励梯度传回模型，参考速度正则是在这两个采样状态上要求当前流头速度不远离监督微调模型的参考速度；前者解决梯度可算的问题，后者解决更新不跑偏的问题。
这种做法的计算含义是，前向仍是多步采样保证生成质量，反向只保留两处可微连接以节省显存与计算。对初学者要分清原始目标、近似与停梯度。原始目标是提高生成波形上的奖励减惩罚，近似是用两步估计代替完整轨迹的梯度，停梯度用在连接器的采样分支与参考速度上，表示这些量只作数值锚点而不提供梯度。原文未给出完整轨迹梯度的对比，因此不要猜测两步代理与全轨迹梯度的数值差距，只能按论文报告的最终标签与质量结果理解其充分性。
训练与更新范围是什么：谁冻结、谁更新、损失如何组合？
监督初始化阶段，非言语识别模型基于大语音语言模型学习完整转录，损失是对标注数据上逐 token 负对数似然求期望。文语转换的流匹配损失是流头预测速度与加噪路径时间导数的均方误差，再加各模型自带的辅助损失。期望取自录音、声学块、流时间与噪声，误差对隐变量条目平均。这些是后训练的起点，论文强调后训练主要强化与重组基座能力，因此监督起点的覆盖度很重要。
\[\mathcal{L}_{\mathrm{ASR}}(\phi)=-\mathrm{E}_{(a,y)\sim\mathcal{D}}\sum_{\ell=1}^{L}\log p_{\phi}(y_{\ell}\mid y_{<\ell},a).\]后训练阶段每个批次组合单句得分。单句得分等于非言语奖励减保真惩罚减速度惩罚，批次损失是对目标奖励上限与当前得分之差加权平均，权重是分离的 LeapAlign 权重，目标上限取该句标签数。优化的是自回归主干、低秩适配器、映射到流头特征空间的投影与流头，解码器与所有评估器冻结。VoxCPM2 与 dots.tts 的低秩秩数分别为主干 16、流头输入投影 32、流头 64，缩放系数为秩的 2 倍。保真权重与下限、速度权重与流网格步数在实验条件节交代，这里只强调更新范围决定了梯度路径必须经条件向量同时影响主干与流头，而 Flow-GRPO 基线只更新流头，这是两者结构差异之一。
数据、模型与评估条件如何设置：测什么、和谁比、是否公平？
数据方面，公开部分聚合 6 个公共非言语数据集共 834.5 小时语音，统一为 39 标签库存并去除基准文本与说话人重叠，用于微调 VoxCPM2、dots.tts 与基于大模型的非言语识别模型。其中英语仅 18.9 小时，因此另采专有英语非言语数据集做生产系统的单独研究，配单独的识别模型与内部训练配置。评估用 NVV-SuperBench，只保留各系统支持标签的文本。Gemini 2.5 Pro 用官方基准提示对非言语准确率与感知效果打 0 到 5 分，分数只在各比较组内可比。
模型与基线方面，每种架构内 Flow-GRPO 与 NVAlign 从同一监督微调检查点出发，公开模型两者都用相同的非言语奖励与保真惩罚。Flow-GRPO 只更新流头并加散度正则，NVAlign 联合更新流头与自回归主干并用参考速度正则。每句从 10 步流网格采样 1 对时间并对所有块共用。保真下限中说话人一致性为 0.75，相似度为 0.65，质量下限取监督生成中位分低 0.1，权重在原文有明确数值，复现时应照抄而不应按直觉改大改小。
评估协议方面，为对照自动分与人评，覆盖中英文全部基准标签的单标签子集由 3 名盲评打分，中文 147 句、英文 95 句并按标签均衡。另有每语言 100 句听音集评估单标签与组合标签，中文覆盖全部 39 标签，目标声音在标记位置的准确率要求 3 名评分者一致同意。自然度用 1 到 5 平均意见分，保真用说话人余弦相似度与质量估计，并同时报告未被优化的 DNSMOS 与人评自然度。中文用识别模型测字错率，英文用预训练大语音模型测词错率，参考文本不含非言语标签。自举法给出人评准确率差值的配对置信区间，用于判断增益是否排除零。
主结果：人评标签跟随是否提升，代价在哪里？
比较问题是，在同一监督起点与同一奖励定义下，直接梯度后训练能否在人评标签跟随上超过监督微调与 Flow-GRPO，同时不明显损害自然度。公平条件是同架构同起点，指标方向是人评准确率、Whisper 标签恢复与事件检测率越高越好，自然度越高越好，字词错率越低越好。下表整理独立听音集上 3 套系统的人评准确率，数值来自正文连续报告句，单位为百分比，比较对象是可实际运行的监督微调与 NVAlign。
| 系统 | 语言 | 指标 | 监督微调 | 本方法 NVAlign |
|---|---|---|---|---|
| VoxCPM2 | 中文 | 听音集人评准确率 | 43.2% | 47.6% |
| dots.tts | 中文 | 听音集人评准确率 | 63.2% | 65.4% |
| Production TTS | 英文 | 听音集人评准确率 | 39.8% | 54.0% |
表后解释需要同时看收益与反例。论文报告 NVAlign 在 3 套系统的独立听音集上都高于监督微调，VoxCPM2 从 43.2% 到 47.6%，dots.tts 从 63.2% 到 65.4%，英语生产系统从 39.8% 到 54.0%。在基准人评子集上 VoxCPM2 比监督微调高 7.5 个百分点、比 Flow-GRPO 高 15.8 个百分点，而 dots.tts 比监督微调低 2.7 个百分点，这是一个未胜出项，说明增益不是在所有划分上一致。
Whisper 与事件检测率随 NVAlign 在 3 套系统上提高，但自举置信区间只在部分对比中排除零，包括英语两组对监督微调的增益、中文 VoxCPM2 对 Flow-GRPO 的两组增益与英语 100 句对 Flow-GRPO 的增益，其余对比区间包含零，因此不能把每组数值差异都读作显著改进。质量侧因相似度与质量分是训练目标，需看未优化指标，人评自然度与监督微调差距在 0.1 以内，英语基准中人评标签跟随上升而 Gemini 感知效果下降，说明标签存在、表达质量与语音质量不必同向变化。
约束是否必要：拿掉速度正则与保真项会发生什么？
消融要回答的不是奖励能否上升，而是奖励上升是否等于听感变好，以及不同约束各管什么属性。实验在 100 句 held-out VoxCPM2 文本上做累积去除，并对比只更新流头的 NVAlign 与 Flow-GRPO。指标方向是每标签平均非言语奖励越高越好，Gemini 准确率与感知效果越高越好，相似度与质量分越高越好。下表聚焦论文明确用连续原句报告的一组对照，单位按原文裸数值保留，不擅自添加百分号。
| 条件 | 指标组 | NVV 奖励 | Gemini 准确率 | Gemini 感知效果 |
|---|---|---|---|---|
| NVAlign 完整 | 奖励与听感 | 0.468 | 3.54 | 3.34 |
| 去掉速度正则 | 奖励与听感 | 0.488 | 2.88 | 1.94 |
表后解释应抓住反直觉点。去掉速度正则后奖励从 0.468 升到 0.488，但 Gemini 准确率（%）与感知效果从 3.54/3.34 降到 2.88/1.94，说明更大的目标标签似然不必然对应更好的感知输出。继续去掉质量项后预测质量分从 3.39 降到 3.01，去掉峰值与电平项后两者都下降，去掉说话人项后相似度从 0.796 降到 0.360，这些是不同约束各自控制的属性。只更新流头的 NVAlign 奖励仍达 0.441，高于 Flow-GRPO 的 0.392 与监督微调的 0.397，允许联合更新主干与流头后奖励与 Gemini 评分进一步提高，这支持联合适配的必要性。阅读时不要把自动奖励当人评，也不要把单项约束的下降推广为去掉后必然崩溃，原文只报告了该消融配置下的实测变化。
边界与未验证之处：奖励稀缺、离散假设与伦理说明
论文在讨论中明确动机与限制同源。研究动机是少见非言语监督稀疏，但同样的稀缺也会限制后训练用的识别奖励。优化学习到的奖励可能利用识别捷径，或损害韵律等标签似然未刻画的属性，保真惩罚与参考速度正则能约束漂移，但多目标的梯度平衡本身成为优化问题的一部分。当前形式假设离散非言语事件，连续或重叠发声不在范围内。
还有 3 类未测量或未报告的边界。第一，误判率、延迟与训练成本未作为主要指标承诺改进，总体趋势不等于每组每步成立。第二，Gemini 分数只在各比较组内可比，跨组比较分数高低没有意义。第三，人评听音通过外部平台进行，论文声明未获得机构伦理批准、豁免或弃权，复述时应保留该合规说明而不做价值判断。对初学者而言，缺失证据不是技术错误，相关性也不是因果，看到奖励与听感背离时应先检查约束与评估条件，而不是认定奖励无用或方法无效。
复现先做什么：起点、冻结关系与超参数如何摆正？
何时值得尝试 NVAlign，是当模型已具备基本朗读与说话人能力、主要短板是特定标签漏发或混淆，且能训练或获得一个对目标标签敏感的非言语识别模型时。如果识别模型本身对少见标签不准，直接优化它的概率容易放大捷径，此时应先补标注与识别评估，而不是加大奖励权重。
复现的第一步是重建监督起点。用统一标签库存微调文语转换与识别模型，并去除基准文本与说话人重叠，避免评估泄漏。每种架构内让所有后训练方法从同一监督检查点出发，并固定相同的奖励与惩罚定义，再对比直接梯度与 Flow-GRPO。第二步是摆正冻结与更新。冻结音频解码器与所有评估器，只更新主干与流头的低秩适配器及流头输入投影，Flow-GRPO 基线按原文只更新流头，不要自行扩大为联合更新，否则比较条件改变。
第三步是照抄约束。说话人一致性下限 0.75、相似度下限 0.65、质量下限取监督中位低 0.1，权重与速度权重按原文设置，流时间对从 10 步网格采样并对全句块共用。
下表整理论文明确报告的副作用与守卫指标，提醒复现时必须同步记录的代价，数值单位按原文点数保留。
| 系统与划分 | 指标 | 监督微调参照 | NVAlign 变化 | 守卫结论 |
|---|---|---|---|---|
| VoxCPM2 中文 | 字错率 | 基线 | 上升 1.26 点 | 需同步记录可懂度代价 |
| dots.tts 中文 | 字错率 | 基线 | 上升 0.13 点 | 需同步记录可懂度代价 |
| 英文听音集 | 词错率 | 基线 | 上升 0.07 点 | 需同步记录可懂度代价 |
| 英文基准集 | 词错率 | 基线 | 上升 1.33 点 | 需同步记录可懂度代价 |
| 3 套系统 | 人评自然度 | 基线 | 与监督差距在 0.1 以内 | 自然度未见大漂移但仍需人评 |
表后解释要区分可懂度与自然度。相对监督微调，中文 VoxCPM2 与 dots.tts 字错率分别上升 1.26 与 0.13 点，英文词错率在听音集上升 0.07、在基准集上升 1.33，人评自然度与监督差距在 0.1 以内。因为相似度与质量分是训练目标，复现必须同时报告未优化的 DNSMOS 与人评自然度，并用参考文本不含标签的方式测字词错率，否则容易把奖励提升误读为全面变好。还需补的验证包括对少见标签的分标签统计、不同说话人提示下的稳定性，以及训练与推理开销的实测，原文未给出这些就不要承诺。
收束：用一句话复述方法，用两组数字记住证据与代价
复述方法是，NVAlign 先监督微调文语转换与非言语识别模型，再冻结识别与保真评估器，把目标标签概率作奖励、把说话人与质量下限作惩罚，经两步流梯度代理联合更新主干与流头，并用参考速度锚定流场。记住证据时用两组数字。第一组是独立听音集人评准确率从 43.2% 到 47.6%、63.2% 到 65.4%、39.8% 到 54.0% 的提升，以及 VoxCPM2 基准人评子集对监督与 Flow-GRPO 的 7.5 与 15.8 个百分点优势，但 dots.tts 在该子集低 2.7 个百分点且部分对比置信区间包含零。第二组是去掉速度正则后奖励升而听感降的背离，以及字词错率的小幅上升与自然度差距在 0.1 以内的守卫结果。
资源状态方面，本次收到的第三方资源链接当前可用，状态码为 200，对应 Flow-GRPO 代码仓库，可用于理解基线实现，但 NVAlign 本身的权重与完整训练代码以原文声明为准，不要从模型名推定未报告的实现细节。学习建议是，先沿单样本走通输入到表示到组件到目标到输出，再对照公式理解最小值、求和、截断惩罚与停梯度的含义，最后用复现清单核对数据集、基线、阶段、指标、单位与聚合对象，数值相同不等于同一指标，百分点与相对百分比不可混用。
📎 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