英文题目：Audio Tokens as a Budgeted Resource: Marginal-Utility Allocation for Scalable Audio Representations
标签：#音频编码 | #动态计算与早退 | #向量量化 | #严格因果 | #语音
评分：7.0/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 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
- Mingyu Zhao：Tsinghua Shenzhen International Graduate School, Tsinghua University
- Jinchao Zhang：Tencent
- Zhiyong Wu：Tsinghua Shenzhen International Graduate School, Tsinghua University
📌 核心摘要
输入为48 kHz波形经冻结因果编码器得到的潜帧序列，输出为每帧可变残差向量量化深度的可解码比特流，难点在于流式决策不可逆而真实开销包含索引与边信息。先由效用预测器以潜帧序列为输入估计每层不接触目标码率的边际增益并输出增益图，再由在线分配器接收该增益图结合对偶价格与令牌桶计算候选深度并更新价格与桶状态以跨帧传递，最后由精确守卫接收候选深度核对序列化前缀预算并预留下一帧最小深度以输出逐前缀可行的可解码比特流。相对固定深度基线与仅优化平均码率的自适应编码器，该工作把预算执行从话语级收紧为逐前缀硬约束并保持与固定深度序列化预算对齐。离线话语级分配在语音上降低对数短时傅里叶变换（Log-STFT）失真4.39%，20名听众的主观评测（Mean Opinion Score Under Hidden Reference and Anchor，MUSHRA）语音项提升3.52分。在2620个LibriSpeech test-clean话语评测下，UniAdapt dynamic的PESQ为2.042566，低于Official EnCodec的PESQ 2.747038。其适用边界限于同一冻结骨干内的分配改进，音乐与环境声主观增益不显著且外部编解码器仍保持更高绝对重建质量，跨架构与下游任务外推尚未验证。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，输出是什么，为什么固定深度会浪费预算？
本文输入是待编码的音频波形，输出是在给定序列化比特预算下每帧应开启的残差向量量化层数，以及用这些动态前缀重建的波形。残差向量量化先用白话说就是一层层打补丁：第一层给出粗略近似，第二层量化第一层的残差，第三层再量化剩余残差，以此类推，英文为 Residual Vector Quantization，缩写为 RVQ。固定深度编码指无论语音过渡还是平稳段都开同样多层，例如目标深度 D 为 4 时每帧都传 4 个码字索引。
论文要解决的矛盾是细化价值随时间变化：在音素跳变或瞬态附近多一层可能明显降低失真，在平稳区多一层几乎冗余，但固定深度把容量平均分配。输出必须满足可核对的约束：动态序列的真实序列化大小不大于同语句同深度固定编码的序列化大小，且流式下每个前缀都要满足对应前缀预算。默认从原文独立写作，本文事实只来自论文正文证据，不继承其他解读。
当前没有完成 HTTPS 状态验证的开源资源证据，因此不得声称代码模型数据已公开，只能按论文附录的配置与检查步骤讨论复现。
同输入同目标的相关路线如何划分，本文与它们是什么关系？
第一条路线是神经音频编解码与自适应分词。SoundStream、EnCodec、DAC 建立了分层残差量化架构，UniStream 提供本文使用的冻结因果 48 kHz 通用 RVQ 层级，但不决定容量如何随时间变化。可变速率与内容自适应编解码放宽均匀分配，而与本文最接近的 BAMU 已在冻结语音编解码上做过与码率无关的边际效用预测和整句精确容器预算执行，但其预测器非因果且只约束整句最终大小，不约束每个中间前缀。第二条路线是语义感知表征。
SpeechTokenizer、RepCodec、DualCodec、SPG-Codec 分别在训练期引入语义组织或语义先验，SPG-Codec 还指出冻结语义先验的收益与码率强相关。本文不同之处是编解码器与 RVQ 层级全程冻结，语义只用来定义多传一层已有细化的边际价值，且语义分支仅限语音与整句离线分配。第三条路线是因果与精确预算分配。流式下决策不可逆，真实传输代价包括激活码索引、深度图、专家边信息、包头、游程编码与字节对齐填充，因此整句预算不能保证前缀可行。
本文的定位是把效用预测与预算执行分离：在同一冻结层级上做因果声学效用预测与逐前缀精确预算执行，另用离线语音分支研究目标相关的声学语义分配。
预算约束到底怎么写，什么算超预算？
论文把问题写成带切换惩罚的约束最大化。每个时刻 t 选择深度 dt，取值 1 到 K，K 为 8。效用项是对所选深度的累积效用，减去深度切换指示函数的惩罚，约束是每个前缀 tau 的真实序列化大小不超过匹配固定深度的前缀预算。真实序列化大小包括激活索引、深度与专家图的游程编码载荷、包头与字节对齐，匹配固定深度与动态前缀使用相同的专家图与包头格式，因此比较时公共边带代价相同。
关键细节是预算不是名义码率或平均深度，而是把候选前缀真正序列化后得到的比特数。在因果设置下还要求提交前检查下 1 帧仍能以最小深度 d 等于 1 传输，这保证不会因当前花太多而导致下 1 帧无可行动作。离线设置只要求最终容器不超过预算，允许看到整句后再优化，因此约束更弱。评价时目标速率来自同语句匹配固定深度参考的实际容器码率，控制器本身不接收目标码率输入。
沿一个样本走完全流程：从波形到动态比特流再到波形
先看整体分工导读：编码器与码本解码器全程冻结，只训练轻量效用控制器；分配器根据效用与预算选深度；序列化器与解码器负责可解码性。下面结合官方框架图理解 4 个阶段与因果细节，重点是效用与预算分离以及前缀可行守卫的位置。
看图路径： 1. 先沿波形到冻结编码器再到因果控制器的主路径确认信息流向；2. 再看声学头与语义头在何处汇合为联合效用并注意离线标注；3. 接着看因果分配器中对偶价格与精确守卫如何共同决定提交深度；4. 最后看下半部分因果示意中不可行候选被拒绝后如何选可行深度
论文图 1。原论文 Figure 1：上半图展示冻结因果编码器、效用控制器、预算条件分配器、精确前缀可行守卫、RVQ 前缀掩码与序列化路径；下半图展示逐帧拒绝不可行候选，并使累积序列化比特不超过前缀预算。作者在摘要与原图注中将这一方法称为 UniAdapt，图中模块标签使用具体功能名称。
上图面板 a 显示 4 步主路径。第一步冻结因果编码器把 48 kHz 单声道波形变成每秒 150 帧的潜变量帧。第二步与码率无关的因果控制器只看历史潜变量，输出每帧每层的声学边际效用，另有仅用于语音离线的语义头。第三步预算条件分配器在对偶价格、令牌桶与切换控制下打分，再经精确前缀可行守卫检查序列化前缀代价与下 1 帧最小深度可行性，最后提交深度 dt。
第 4 步对缓冲潜变量做全 RVQ 求值再按所选前缀掩膜，只保留前 dt 层向量，序列化激活索引加深度与专家图后送冻结因果解码器重建波形。面板 b 强调因果不可逆：t 等于 3 的候选若超过前缀预算则被拒绝并掩膜另选可行深度，右侧累积前缀比特示意要求动态曲线始终不高于固定深度前缀预算曲线，做到零前缀违规。报告的真实主干路径用全 RVQ 求值加掩膜，因此运行时结论不依赖计算上的提前退出。
效用如何定义，分配分数与约束如何计算？
先定义声学边际效用。记残差为 rt,k，量化空间维度为 Cq，则第 k 层的声学失真为残差能量归一化，第 k 层的边际增益为相邻层失真下降的非负部分。语义边际效用只用于语音：用冻结 HuBERT 第 9 层隐状态比较原波形与均匀深度 k 重建的余弦距离，先在 HuBERT 帧网格上差分并截断负增益，再线性插值到编解码帧网格，第一层语义效用置零。控制器是因果卷积主干加每帧独立的 1 乘 1 头，经 softplus 保证非负，不输入目标码率。联合效用把声学与语义分支分别做整句归一化再按权重合并，权重贝塔为 0.25，第一层效用置零但其码字仍必须传输。
残差向量量化 × 边际效用： 残差向量量化负责提供同一套冻结码本下的分层细化表示，每多开一层就是一组可传输的码字索引；边际效用负责回答在当前帧当前层多开这一层能减少多少失真。两者搭配的原因是固定深度对所有帧一视同仁，而实际音频的细化价值随时间变化，组合后分配器才能把有限的序列化比特花在效用最高的帧层细化上。
声学效用 × 语义效用： 声学效用量的是投影后残差能量下降，目标是波形与谱失真更小；语义效用量的是 HuBERT 余弦距离下降，目标是语音内容表示更接近原文。两者搭配的原因是论文测得二者总体相关仅 0.42 且深层接近零或略负，说明同一层细化对两类目标价值不同，组合时需要分别建模再按权重合并，而不是用一个效用代替另一个。
对偶价格 × 精确前缀可行守卫： 对偶价格负责用软代价引导平均码率趋向目标，每帧根据超支或节余上下调整；精确前缀可行守卫负责在提交前用真实序列化载荷检查当前前缀和下一帧最小深度是否都不超预算。两者搭配的原因是软控制只能调趋势不能保证每个前缀可解码，组合后由软控制提高预算利用率，由硬守卫保证不可逆的因果提交永不违反已匹配固定深度的序列化预算。
令牌桶 × 驻留与切换惩罚： 令牌桶负责限制短期速率波动，超前花费过多则后续帧只能选浅深度；驻留与切换惩罚负责限制深度轨迹频繁跳变，因为跳变会增加深度图边信息并可能引入不稳定。两者搭配的原因是只控平均码率仍可能产生大量切换边带开销，组合后在效用、对偶代价之外再对时间连续性做约束，用重建增益换取轨迹稳定性。
离线分配 × 因果在线分配： 离线分配负责在看到整句效用后做全序列拉格朗日维特比搜索，只需满足最终容器预算；因果在线分配负责在只看到历史潜变量和分配器状态时逐帧不可逆提交，且每个前缀都要满足对应前缀预算并为下一帧预留最小深度。两者搭配的意义是前者给出效用信号在理想条件下的上限参考，后者才是可部署的流式策略，论文用二者差距说明在线分配本身是除效用建模外的另一主要改进来源。
约束目标的形式如下，符号含义是 dt 为帧深度，Ut 为所选效用，柔切换惩罚系数为柔，Ractual 为真实序列化前缀大小，B 为匹配预算。
\[\max_{\{d_{t}\}}\sum_{t=1}^{T}U_{t}(d_{t})-\rho\sum_{t=2}^{T}\mathbf{1}[d_{t}\neq d_{t-1}]\quad\mathrm{s.t.}\quad R_{\mathrm{actual}}(d_{1:\tau},e_{1:\tau})\leq B_{\tau},\ \forall\tau.\]声学目标的逐层计算目标是残差能量下降取非负，符号中 rt,k 为第 k 层后剩余残差。
\[D^{\mathrm{ac}}_{t,k}=\frac{1}{C_{q}}\|r_{t,k}\|_{2}^{2},\qquad\Delta^{\mathrm{ac}}_{t,k}=\left[D^{\mathrm{ac}}_{t,k-1}-D^{\mathrm{ac}}_{t,k}\right]_{+},\quad k=1,\ldots,K.\]控制器预测形式是 ht 为只依赖历史的主干状态，go 为声学或语义头，输出经 softplus 为非负。
\[h_{t}=f_{\theta}(z_{\leq t}),\qquad\hat{\Delta}^{o}_{t,k}=\operatorname{softplus}(g_{o}(h_{t})_{k}),\quad o\in\{\mathrm{ac},\mathrm{sem}\},\]联合效用的归一化与合并形式中 so 为整句均值，贝塔为 0.25，注意该归一化只用于离线。
\[\Delta^{\mathrm{joint}}_{t,k}=\bar{\Delta}^{\mathrm{ac}}_{t,k}+\beta\bar{\Delta}^{\mathrm{sem}}_{t,k},\qquad\beta=0.25.\]在线候选打分形式是效用减对偶价格乘码索引代价再减切换惩罚，ct 取 10 乘 d 作为码索引代价的在线代理。
\[S_{t}(d)=U_{t}(d)-\lambda_{t}c_{t}(d)-\rho\,\mathbf{1}[d\neq d_{t-1}],\]精确守卫比较的是码加深度载荷，因为包头与专家图在两侧相同而不影响不等式，但报告的总码率仍包含全部边带与填充。守卫维护激活码计数、已完成深度游程比特、当前深度与游程长度的增量状态，不必每帧物化全部候选比特流。
冻结了什么，训练了什么，监督从哪里来？
冻结对象是 UniStream 编解码器的编码器、量化输入投影、码本、路由模块与解码器，以及 HuBERT 教师。HuBERT 只在离线生成语义标签与评估语义失真时出现，不参与分词提取与部署推理。训练对象是效用控制器：先训练声学控制器，再从声学检查点初始化并冻结共享因果主干、声学头与语音概率头，只优化语义头。损失是对非负边际标签的掩膜 Smooth-L1 回归，覆盖非填充位置的全部 K 层输出，无对数目标变换。
声学标签来自投影量化空间的残差能量下降，语义标签来自均匀深度重建在 HuBERT 空间的余弦距离下降。语音概率头在报告配置中损失权重为零且输出不用。优化器为 AdamW，学习率为 3 乘 10 的负 4 次方，梯度范数裁剪为 1.0。论文未报告控制器之外的编解码器微调，因此不能把重建改善归因于码本变好，只能归因于在同一冻结层级上选了不同的帧层前缀。语义回归损失权重为 20，这是训练权重，与分配权重贝塔 0.25 是不同概念，不可混淆。
数据、码率、评估与统计口径如何对齐？
编解码器为冻结 48 kHz 因果 UniStream，8 层 RVQ，每码本 1024 表项故每激活索引 10 比特，潜帧率 150 Hz，可逆 Top-1 共享专家模式每 500 毫秒块共享一个专家分配并显式序列化。目标深度 D 取 2、3、4、6，对应固定容器约 3.1、4.6、6.1、9.1 kbps，所有 UniAdapt 码率都从实际序列化容器测量，含激活索引、深度与专家游程编码、包头与字节填充。语音声学控制器用 5000 条 LibriSpeech train-clean-100，三域控制器用 3000 条且三域各 1000 条并裁剪至多 450 潜帧，语义头用 1000 条语音。三域离线评估用 200 条 LibriSpeech test-clean、50 条 MUSDB18-HQ 测试与 50 条 FSD50K 测试，在线与流式用同 200 条语音在 4 个速率下评估。重建用多分辨率 Log-STFT 距离，语音另用 PESQ 与 STOI。
下游探针用 5 个独立种子，配对 95% 学生 t 区间描述种子变异；冻结外部 ASR 用按说话人聚类的 10,000 次自助，外部编解码比较用按语句配对的 10,000 次自助，MUSHRA 以听众为配对单元。除非声明，区间为逐点且未校正多重比较。下面的流式分块表说明输入块与潜帧数的对应关系，评估时分配状态跨块保留，专家量化需缓冲 75 帧。
该表回答分块评估是否在相同潜帧率下比较不同延迟配置，条件是同一冻结编解码与同一分配规则，指标方向是潜帧数为输入块的确定映射。
| Input chunk | 100 ms | 200 ms | 500 ms |
|---|---|---|---|
| Latent frames | 15 | 30 | 75 |
该表后需要说明分块只是输入切分方式，分配仍按每潜帧进行。15、30、75 帧分别对应 100、200、500 毫秒，更大块减少重复上下文处理，实测实时率更低，但 500 毫秒块带来约 500 毫秒专家缓冲的启动代价。分块与整句因果执行在测试条件下产生相同的码索引、专家图与深度图，解码波形在数值容差内一致。
该表回答效用控制器训练用了多少样本与多少步，公平条件是共享同一冻结主干与同一标签生成流程，比较的是三域与语音专用配置的数据构成差异。
| Controller | Examples | Batch size | Steps |
|---|---|---|---|
| Speech acoustic | 5,000 | 32 | 10,000 |
| Three-domain acoustic | 3,000 | 16 | 10,000 |
| Speech semantic head | 1,000 | 32 | 5,000 |
该表后需要说明语义头训练从语音声学检查点初始化且只更新语义头，步数为 5000 而声学为 10000，三域声学用更小批量 16。数据采样种子与下游探针训练种子是不同概念，不能混为一谈。正式在线实验用语音声学步数 10000 检查点，语义感知用语义头步数 5000 检查点，三域重建用平衡声学步数 10000 检查点，共享冻结主干步数 200000 检查点。
主结果：在不超预算下哪些指标变好，代价是什么？
本节按问题组织：整句离线能否在同预算下降低失真，因果在线能否在逐前缀预算下保持增益，人耳是否听得出，冻结 Token 是否有下游价值。比较必须保留原文实际可运行策略，隐式最优与预言效用另行标明。下面的汇总表把论文连续正文中实际出现的数字放在同一比较框架下，基线均为匹配固定深度，动态均为可运行的已学习分配，指标方向在表头与段落中交代。
| 设置 | 基线 | 动态策略 | 指标变化 | 预算与实时说明 |
|---|---|---|---|---|
| 整句离线三域 | 匹配固定深度 | 三域声学控制器离线分配 | Log-STFT 降低 1.07–4.39% | 不超匹配序列化预算 |
| 因果在线语音 | 匹配固定深度 | 语音声学控制器因果分配 | D 等于 2、4、6 改善，D 等于 3 增加 0.55% | 800 次评估零违规 |
| 整句离线主观 | 固定 D 等于 4 | 动态 D 等于 4 | 语音提高 3.52 分 | 听众为配对单元 |
| 流式波形路径 | 同配置因果 | CPU 分配器加全 RVQ 求值 | 平均实时率 0.491–0.655 | 快于实时 |
该表后需要解释主要收益与具体代价。整句离线在三域四速率下全部改善，语音改善幅度大于音乐与环境，支持内容自适应分配的价值，但这是约束最弱的离线参考，不能当作流式收益。因果在线在 3 个速率改善而 D 等于 3 恶化 0.55%，4 个点都用更少比特且零前缀违规，说明硬守卫有效但在线约束带来损失。20 人 MUSHRA 用离线重建而非因果流式分配，语音提高 3.52 分且区间不含零，音乐环境与总体区间含零，因此只支持语音主观增益。
流式平均实时率低于 1，但计时含在线预算会计而不含最终字节打包与容器解析，且 500 毫秒块的估计启动延迟为 735.9 到 745.2 毫秒，边信息占容器 1.89 到 6.25%，不能把实时率等同于系统端到端延迟。
下面的第二张汇总表回答目标相关分配与外部定位问题，条件是同一冻结主干，指标方向是语义失真越低越好而 Log-STFT 升高为声学代价。
| 任务 | 指标 | Fixed 条件 | Dynamic 条件 | 差异说明 |
|---|---|---|---|---|
| 语音语义分配 | HuBERT 失真 | 归一化声学参考 | 学习联合分配 | 降低 13.47%，Log-STFT 代价 0.61% |
| 同主干重建 | PESQ 与 STOI | 固定 D 等于 4 | 动态 D 等于 4 | 动态更好但码率略低 |
| 环境分类 | 宏平均精度 | 固定 Token | 动态 Token | 提高 0.001633，区间不含零，比特少 1.381% |
| 音乐与检索 | 主指标 | 固定 Token | 动态 Token | 点估计为正但区间含零 |
该表后需要说明未胜出项与边界。语义联合在 D 等于 4 降低 HuBERT 失真 13.47% 但付出 0.61% 声学代价，且仅限语音整句，流式仍只用声学效用。与官方 EnCodec 在 2620 条测试上的比较显示动态优于同冻结主干固定编码，但 EnCodec 绝对重建质量更高，系统在架构采样率训练目标与容器上不同，只能算背景定位而非架构对照。FSD50K 宏平均精度在 5 种子全胜而微平均区间含零，MTG 与 Clotho 主指标区间含零故报告为无显著差异，不建立等效或非劣效。冻结外部 ASR 中联合条件 WER 点估计相对降低 6.11% 但说话人聚类自助区间含零，只能算有利趋势而非结论性改善。
拿掉平滑、换掉效用、换掉精确守卫会发生什么？
论文在 D 等于 4 的同 200 条测试上固定分配器而改变控制或效用输入。完整在线配置为转移惩罚 1.0、迟滞 0.20、驻留阈值 5 帧、对偶步长 0.002、桶时长 0.5 秒、空桶初始化与精确前缀守卫。联合关闭转移惩罚迟滞与驻留时切换从每秒 9.10 次升至 37.05 次，只关转移惩罚升至 18.93 次，说明切换控制主要管轨迹时间复杂度与边信息。把驻留从 5 降到 1 时 Log-STFT 从降低 0.906% 变为降低 1.206%，切换从 9.10 升至 9.70，开发集 500 条也呈现同样质量稳定性权衡，因此保留的 m 等于 5 配置不是重建最优点而是锁定配置。
无对偶更新时比特少用 17.21% 但几乎无重建增益，说明在给定初始化下自适应对偶价格重要；在精确守卫上再加 3 比特每帧的估计深度代价会导致大幅欠用预算且重建变差，因此最终在线用零估计深度代价而靠精确深度游程会计。效用信息对照固定分配器与 m 等于 1：学习声学效用改善 1.21%，打乱帧层效用数组后恶化约 1.75 到 1.80%，均匀效用回到固定深度行为，预言潜效用改善 1.39%。
这支持效用需对准对应帧层而非仅引入深度变化，但打乱同时破坏时间与层对应，不能单独归因于时间对齐。精确与近似预算机制比较中，近似方案关守卫加 3 比特深度代价用 m 等于 1，在 800 次评估无最终超预算但少用 6.50 到 12.81% 比特且在 D 等于 2、3、4 无正重建点估计增益。零最终违规不等于每前缀可行，硬保证来自可行集约束而非有限样本无违规。
哪些结论有边界，哪些量没有被测量？
第一，离线 95.4 到 97.1% 的预言增益捕获与在线 21.05% 的捕获不可直接比较，前者从均值失真比计算，后者为语句级增益比均值，且控制器评估协议、分配约束与聚合方式都不同。在线预言与离线预言差距大，但二者在前视、前缀约束、切换处理与优化策略上都不同，不能分离出纯因果代价，也不能作为在线质量上界。第二，MUSHRA 只评估整句离线重建，听众级推断以所选条目为条件，音乐环境与总体结论不显著，环境点估计甚至偏向固定编码，因此不支持三域通用主观改善。
第三，下游探针多在动态多速率 Token 上训练，固定 Token 评估存在条件偏移；说话人 EER 在 D 等于 3、4、6 改善而 D 等于 2 不确定，最小检测代价不均匀改善；CTC 贪心词错率近 1，只能算轻量跨速率表征诊断。第四，语义分支仅限语音整句，相关性 0.42 为汇聚统计且含层间变异，深层层内相关近零或略负，不能理解为逐层强一致或语义解耦。第五，运行时只测实现与 A100 硬件，不含网络传输与最终打包解析，不能推广为 CPU 普遍更优。
缺失证据不是技术错误，相关性不是因果，未测量误判率与传输延迟时不应承诺这些量改善。
要复现应先固定什么，再跑什么检查？
先固定冻结主干与可逆工作模式：48 kHz、150 Hz 潜帧、8 层 RVQ、每码本 1024 表项、Top-1 块共享专家每块 75 帧即 500 毫秒、包头 256 比特、深度与专家游程编码加三载荷独立字节对齐。控制器输入为编码器潜变量而声学标签在投影量化空间计算，目标码率不输入预测器，联合归一化只用于离线且贝塔等于 0 时指归一化声学参考而非主 raw 声学系统。在线超参数按附录锁定值设置，初始对偶价格随目标深度分别为 0.20、0.10、0.08、0.02，桶空初始化，码索引代价 10 乘 d 为速率代理，估计深度边带为零而真实边带仍计入序列化比较。
复现顺序建议先跑分块等价检查：编码器 5 条在三块大小下潜变量零差，控制器在容差内一致，分配深度轨迹一致，解码器最大波形绝对差约 2.94 乘 10 的负 6 次方；再跑 50 乘 4 乘 3 共 600 条件零预算违规与码索引专家图深度图序列化大小精确一致；最后在 200 条语音上复现因果四速率与离线三域趋势。随机种子要区分标签采样、子集采样与探针训练种子，正式在线用语音声学步数 10000，三域用平衡声学步数 10000，语义头用步数 5000。没有像素证据时不得猜模块颜色坐标，只能引用图注与正文归因。
何时值得尝试这种分配，还需补哪项验证？
当系统已有一个冻结 RVQ 层级且需要在多个预算下复用同一套码本解码器，同时真实代价含深度图与填充等边带时，值得尝试把效用预测与预算执行分离的做法：先学与码率无关的帧层边际效用，再在分配时才引入预算。语音流式应先用声学效用加精确前缀守卫，语义加权只在语音离线任务中按需试验，因为二者价值相关有限且深层分歧大。若目标是绝对重建最优，应先换更强主干而非只调分配，因为 EnCodec 在同等量级码率下 PESQ 与 STOI 仍更高。
还需补的验证包括更大规模听众与条目下的音乐环境主观检验、未见速率与跨域泛化、传输打包后的真实延迟与丢包行为，以及下游显著性在更多种子与校正多重比较下的稳定性。总体判断是论文报告支持显式序列化预算下的内容自适应分配，但不支持重建最优或通用下游改善的更强主张。
📎 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