标签：#音频检索 | #评测协议 | #鲁棒性 | #数据集
评分：7.8/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.7/1 | 影响力 0.9/1.5 | 开源 1.5/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Jae Min Woo：机构信息未在 arXiv HTML 中可靠披露
- Kyongmin Kong：机构信息未在 arXiv HTML 中可靠披露
- Bogyung Jeong：机构信息未在 arXiv HTML 中可靠披露
- Minjeong Kim：Sogang University
- HaeJun Yoo：机构信息未在 arXiv HTML 中可靠披露
- Du-Seong Chang：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
文本到音频检索以自然语言查询对候选池中音频排序，同一意图的命令、疑问、间接、关键词与陈述改写可使同一目标大幅掉榜，而聚合召回难以察觉其实例级失败。所提标题偏移音频检索协议先以源标题为输入，用大模型改写为五种意图保持形式并固定目标音频，输出配对查询以锁定同一检索目标。再以该配对查询为输入，在固定候选池中对源查询与改写查询分别检索并输出两份排序，接着以改写秩减去源秩定义秩降来度量同一目标的保持程度。最后以配对排序与联合嵌入为输入，计算文本位移、目标对齐损失与目标边界余量退化并输出三种诊断信号，再以其与秩降的线性关联诊断失败来源。相对已有鲁棒化训练与宏观评测，该协议不追求平均性能提升，而是诊断目标相对最强非目标竞争者的分数优势如何被改写侵蚀。在四数据集联合协议下，目标边界余量退化的Pearson为0.615，高于文本位移的Pearson 0.084。该结论在意图导向与鲁棒化检索器上依然成立，但其适用边界受限于标题锚定的生成式改写、固定候选池与双塔余弦检索，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://github.com/sogang-isds/CORA — 链接可访问（HTTP 200）
数据相关资源：https://github.com/sogang-isds/CORA — 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，目标是什么，本文要保留什么？
本文的输入是文本到音频检索中的查询表达，研究目标是判断同一检索意图换一种说法后目标音频是否还找得到。读者需要先建立的基本动作是：给定一条基准描述和一段目标音频，系统把文本和音频分别编码成向量，用余弦相似度排序候选音频。输出是目标音频的名次。必须保留的信息包括目标音频固定、候选池固定、只改变查询形式。
本文的解读目标是让研究生能复述从一条样本走完全流程的方法：如何生成 5 种改写，如何计算配对秩降，如何计算文本位移、目标对齐损失和边界余量退化，以及在什么实验条件下比较它们与秩降的关联。本文不做营销式判断，只讲原文实际给出的构造、计算和数字。代码与数据集当前可用，地址为官方仓库链接，本文写作时资源状态显示可达。
后续各节按学习依赖展开，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、反证与复现。
已有路线解决了什么，还缺哪一块诊断？
第一条路线是对比语言音频预训练。原文把 CLAP 类方法归为用对比损失学习联合嵌入空间的主流做法，后续有扩大数据与模型、补组合推理、细粒度对应、掩码建模和时序对比等工作。这条路线解决了跨模态对齐的基本表示问题，但原文指出它没有回答同一语义意图换说法后检索为何退化。第二条路线是查询鲁棒性。
文本检索中已有研究显示保持语义的改写会带来明显效果下降，音频侧有研究指出真实用户查询很短而评测用描述很长，也有 RobustCLAP 用多视角对比微调和 OEA 用用户意图查询与难负例评测来改进。这条路线解决了整体加固或宏观评测，但多停留在平均指标。第三条路线是对比几何与难负例。原文回顾难负例挖掘、神经坍缩、模态间隙等工作，说明嵌入几何是可研究的对象。
本文的差异是把难负例从训练采样改为推理时诊断探针：固定目标，看改写向量是否朝向目标、是否远离目标与难负例之间的判定边界。同输入、同目标、同运行阶段的对照是：同样做文本到音频检索，RobustCLAP 侧重训练加固，OEA 侧重意图查询评测，而 CORA 侧重实例级配对跟踪与方向几何解释，不提出新训练目标或新结构。
为什么平均召回看不到同目标掉名次？
假设一条基准描述原来把目标排在第 6 名，改写成礼貌间接请求后排到第 100 名。如果只看前 5 名召回，2 次都是未命中，平均数记为同样的失败，丢失了恶化 94 名的信息。如果原来排第 3 名，改写后排第 5 名，召回仍算命中，也看不到下滑。教学例子仅为说明阈值效应，不代表原文数据。原文因此提出配对视角：每次只换查询，不换目标和候选池，直接记录同一目标的名次差。
正值表示改写后更靠后，负值表示改写后更靠前，平均后得到平均秩降。这种设计把问题从系统平均命中率转为目标保持能力，也为后文比较文本走多远与边界丢多少提供了同一标尺。
文本到音频检索 × 改写后秩降： 文本到音频检索负责把查询编码与音频编码比对排序，改写后秩降负责固定同一目标比较改写前后名次；二者搭配的原因是总体召回只看集合命中而看不到同一目标被挤到何处，组合后新增的作用是把鲁棒性问题从平均性能转为实例级保持能力。
CORA 协议把一次评测固定住哪些东西？
CORA 的全称是标题给出的面向音频的描述偏移检索协议。它的全景动作可以沿一条样本走一遍：取一条基准描述作为源查询，固定其对应的目标音频和所在数据集候选池；用生成流程把源描述改写为命令、问句、间接、关键词和陈述 5 种形式，每种保持原声学内容；用检索器的文本编码器直接编码源查询和改写查询，不做额外改写或预处理；分别计算目标在 2 次排序中的名次并相减。
再从文本与音频嵌入计算 3 类诊断信号。5 种形式覆盖直接指令、是否问句、礼貌迂回、压缩关键词和客观陈述，附录给出定义与示例。协议的关键约束是源查询、目标音频、候选池三者锚定，只有查询形式变化，因此名次变化可归因到表达变化与模型响应的交互，而不是换目标或换库带来的差异。主实验只用测试集并剔除缺形式的条目，最终形成跨 4 个数据集与 4 个 CLAP 检索器的配对集合。
秩降、位移与边界余量具体怎么算？
先走完符号与计算目标。记源查询文本嵌入与改写查询文本嵌入为两个向量，目标音频嵌入为另一个向量，检索分数用余弦相似度。秩降的计算目标是同一目标 2 次名次之差，平均秩降是全部配对的均值。文本位移的计算目标是改写查询偏离源查询的程度，用一减去两者余弦得到。目标余量的计算目标是查询给目标的分数减去给硬负例的分数，硬负例定义为除目标外得分最高的非目标音频。
边界余量退化是源查询余量减去改写查询余量，可分解为目标对齐损失与难负例拉动之和，前者是目标相似度下降，后者是难负例竞争力上升。原文使用每个查询各自最强竞争者的动态定义，并用附录验证它比固定竞争者与秩降关联更强。
\[\mathrm{RD}(p)=\mathrm{rank}_{\mathrm{cora}}(p)-\mathrm{rank}_{\mathrm{src}}(p).\]\[\mathrm{MeanRD}=\frac{1}{|\mathcal{P}|}\sum_{p\in\mathcal{P}}\mathrm{RD}(p).\]\[\Delta_{\mathrm{move}}=1-\cos(q_{\mathrm{cora}},q_{\mathrm{src}}).\]\[M(q,h)=\cos(q,a_{\mathrm{tgt}})-\cos(q,h).\]\[\mathrm{TBMD}=M(q_{\mathrm{src}},h_{\mathrm{src}})-M(q_{\mathrm{cora}},h_{\mathrm{cora}}).\]目标对齐损失 × 目标边界余量退化： 目标对齐损失分工是度量改写后查询与目标音频余弦相似度的下降，目标边界余量退化分工是度量目标相对最强非目标竞争者的分差缩小；搭配理由是只看目标会忽略竞争者变强，只看分差又说不清来源，组合后新增的作用是把退化分解为目标变远与干扰变近两条支路。
查询位移 × 硬负例： 查询位移分工是度量改写前后文本嵌入的余弦距离，硬负例分工是为每次查询挑出当前得分最高的非目标音频作为参照；搭配理由是文本走得远不等于检索变差，必须放在竞争结构里看，组合后新增的作用是区分表面措辞变化与真正改变排序的边界变化。
没有训练时，真正的工作量在查询构造哪里？
本研究没有训练新的检索模型，主实验的 4 个 CLAP 模型均不做额外微调，直接推理评测。因此本节的真实计算过程是查询构造、校验与多样性分析，而不是梯度更新。生成使用大语言模型并为每种查询类型设计不同角色与约束，命令、问句和间接还增加免训练的多样化提示：先让模型列出多个可能的开头，再要求最终查询使用未出现在候选表中的开头，以减少前缀坍缩。源描述来自 4 个数据集的验证与测试划分，共 5567 条，检索评测只用测试部分。
校验沿语义保持与类型有效两个轴进行，抽样后用两个大模型各跑 3 次并辅以本科生人工核验，报告多数类型超过 90%，人工在语义与类型上分别达到 98.3% 与 97.7%，另有 100 对重叠标注显示平均成对一致性较高。多样性用句子嵌入的成对余弦距离度量全局与类型内多样性。
下面导读关注多样性证据，比较对象是原有查询集、不加多样化提示的版本与完整版本，条件是同量级抽样与同一句子嵌入模型，纵轴是平均余弦距离，越高表示分布越散。
看图路径： 1. 先看左图三根全局多样性柱子的递增顺序；2. 再看右图命令问句间接三组中哪组提升幅度最大；3. 结合生成策略判断多样性来自新增类型还是去重提示
论文图 4。原论文 Figure 4:：“Semantic diversity comparison between UIQ, CORA(w/o Prompt), and CORA.”。
像素显示左图从原有集合到不加提示版本再到完整版本逐步升高，右图命令类型提升最大，问句因是否问句结构受限提升较小。这支持原文的判断：新增间接类型扩大了整体分布，而多样化提示在同类型内进一步拉开表达。需要说明的是多样性高不等于检索更好，它只是说明评测覆盖了更宽的措辞变化，后文仍需用配对秩降检验影响。
数据划分、模型与候选池如何保持可比？
数据侧评测覆盖 AudioCaps、Clotho、MACS 和 MECAT。原文说明前两者与大规模弱标注音频存在来源重叠可能高估性能，后两者相对不易泄漏。主诊断分析在各自数据集候选池内检索，另有把 4 个库音频合并为单一候选池的敏感性分析。模型侧主实验用 4 个 CLAP 家族检索器，另把同一配对协议用于外部意图导向与鲁棒导向检索器。划分上只用测试集，剔除缺少间接或关键词形式的条目后保留 3305 条，每条贡献 5 种形式并与 4 个检索器组合，形成 66100 个配对。
指标方向是：召回越高越好，平均秩降越低越好，负值表示改写后平均名次反而提前。关联分析用皮尔逊相关度量诊断信号与连续秩降的线性关联，附带斯皮尔曼等级相关，回归部分用按音频分组的交叉验证避免同一音频的不同形式同时出现在训练与验证折。
下表提出的基本问题是主实验的样本量从何而来，公平条件是只计测试集中 5 种形式齐全的条目，聚合对象是配对数等于保留条目乘以形式数与模型数。
| Dataset | Source captions | Validation | Test | Excluded | Retained | Evaluations |
|---|---|---|---|---|---|---|
| AudioCaps | 1,469 | 495 | 974 | 11 | 963 | 19,260 |
| Clotho | 2,090 | 1,045 | 1,045 | 51 | 994 | 19,880 |
| MACS | 1,000 | 500 | 500 | 0 | 500 | 10,000 |
| MECAT | 1,008 | 160 | 848 | 0 | 848 | 16,960 |
| Total | 5,567 | 2,200 | 3,367 | 62 | 3,305 | 66,100 |
表后需要说明的是总量 66100 不是随意凑整，而是保留条目 3305 分别在 5 种形式与 4 个模型下展开的结果，其中 AudioCaps 剔除 11 条空间接查询，Clotho 剔除 51 条空关键词查询，MACS 与 MECAT 无剔除。这种逐数据集交代保证后文按数据集拆分时分母可追溯，也提醒复现时必须先做同样的空形式过滤再谈平均秩降。
哪种说法最危险，为何不能只记表面形式？
先区分总体召回与配对秩降的分工，再看证据。总体平均显示陈述最稳定而间接平均秩降最大，但按数据集拆分后层级不再成立。关键词在 Clotho 上带来很大的平均秩降，在 MECAT 上反而为负值即平均提前；陈述在 AudioCaps 与 Clotho 上稳定，在 MACS 上造成严重掉榜。按数据集与模型拆分同样显示交互：同一数据集下不同模型方向与幅度不同，同一模型在不同数据集上表现也不同。
原文因此报告这不是单一难形式或单一弱模型的问题，而是数据集与检索器共同决定的敏感性。复现时应同时报告总体召回变化与配对平均秩降，并保留完整的数据集模型形式 breakdown，否则容易把条件性结论误读为某种形式天然最难。
总体召回 × 配对秩降： 总体召回分工是统计进入前 K 名的目标比例，配对秩降分工是跟踪同一目标在改写前后名次的差值；搭配理由是召回的硬阈值会掩盖从第 6 名掉到第 100 名的严重波动，组合后新增的作用是同时看到集合性能与实例保持性，避免被平均数误导。
下表比较的问题是在同一数据集内哪种形式更伤目标，公平条件是目标与候选池固定、只换形式，指标方向是平均秩降越大表示该形式下目标平均掉得越深。
| Dataset | Query form | MeanRD |
|---|---|---|
| AudioCaps | Command | -8.13 |
| AudioCaps | Indirect | 11.63 |
| AudioCaps | Key phrase | 23.58 |
| AudioCaps | Question | -13.83 |
| AudioCaps | Statement | -21.29 |
| Clotho | Key phrase | 114.92 |
| MACS | Statement | 77.03 |
| MECAT | Key phrase | -39.55 |
表后解释主要收益与代价：该表的价值是给出反例而非排序，例如关键词与陈述在不同数据集上方向反转，说明只记全局柱状图的顺序会误导选型。未胜出项同样重要，陈述并非在所有库都安全，间接也并非在所有库都最差，因此任何只针对某种表面形式的修复都可能在换库后失效。
下表比较的问题是同一数据集内不同检索器是否一致变差，公平条件是查询集合与候选池相同，指标方向同上。
| Dataset | Model | MeanRD |
|---|---|---|
| AudioCaps | LAION | 49.63 |
| AudioCaps | MS-CLAP | -109.96 |
| MACS | LAION | 214.79 |
| MACS | M2D | -80.54 |
| MECAT | LAION | 187.70 |
表后需要指出具体代价：例如同一 AudioCaps 下某模型平均秩降为很大的负值而其他模型为正，同 1 MACS 下不同模型符号相反，说明敏感性依赖检索器。未评测边界是该表只覆盖 4 个 CLAP 模型，外部模型的结论需另表讨论，不能把此处排序推广到所有音频文本模型。
文本走多远与边界丢多少，谁更贴近秩降？
本节测的是连续秩降与 3 类信号的关联，比较对象是文本位移、目标对齐损失与边界余量退化，条件是同一配对、同一候选池、分别计算源与改写 2 次检索。主实验在各自数据集候选池下总体平均秩降较小，合并候选池的敏感性设置下约一半配对变差且平均秩降明显增大。无论哪种候选池，文本位移与秩降的关联都很弱，而目标与边界信号的关联明显更强。
原文强调因为边界量由决定排序的相似度算出，这种关联是诊断性的而非因果证明，并用控制回归说明边界量在固定数据集、模型、形式、位移、源名次与池大小后仍能补充解释目标对齐损失之外的部分。数据集分层显示位移在 AudioCaps 上几乎为零，在 MACS 上中等，而目标与边界信号在 4 个库上都保持更高的正关联。
下表把核心数字放在同一框架下对照，列分别是设置、配对规模与 3 类相关的方向，数值越大表示该信号增大时秩降倾向越大。
| 设置 | 配对规模 | 位移与秩降相关 | 目标损失与秩降相关 | 边界退化与秩降相关 |
|---|---|---|---|---|
| 主实验 4 个 CLAP 模型 | 66100 对 | 0.084 | 0.508 | 0.615 |
| 外部意图导向模型残差 | 配对协议同上 | 0.084 与 0.046 | 待验证 | 0.472 与 0.478 |
表后解释支持的判断与限制：主行显示位移弱而目标与边界强，外部行显示即使平均秩降接近零的模型其残差仍延续同样排序。该表不能读作位移无用或边界导致掉榜，因为相关不是因果，且边界量与排序共享相似度计算。未胜出项是位移，它在部分库仍有中等相关，说明不能一概否定表面变化的作用，只是它不如边界量稳定。
下面导读针对合并候选池下的相关柱状图，对象是 3 组信号各自的两种相关系数，时间范围是全部配对的 1 次性统计而非训练曲线，纵轴是与秩降的相关系数，越高表示越同向变化。
看图路径： 1. 先对照图例确认紫色为 Pearson 相关而橙色为 Spearman 相关；2. 再比较三组柱子高度判断哪类信号与秩降关联更强；3. 最后读出每根柱子上方标注的具体数值并区分主实验与敏感性设置
论文图 2。原论文 Figure 2:：“Correlation between diagnostic signals and RD over 66,100 CORA pairs using the pooled cross-dataset candidate set.”。
像素显示位移组两根柱子明显矮于目标损失组与边界损失组，后两组的相关系数达到约 0.6 至 0.7 量级。结合正文交代，主实验的对应数值为位移弱相关而目标与边界强相关，合并池只是敏感性设置，数值大小会随池变化但排序保持。这支持把诊断重点放在目标与竞争者的分差上，而不是文本走得远不远。
换方向看位移，去掉一种形式后结论还成立吗？
标量关联之后，原文用投影分析检验方向假设。做法是把源到改写的位移去掉径向分量，保留切空间位移，再分别投影到目标音频方向与源锚定的目标边界方向。回归用分组交叉验证预测连续秩降，基线只含数据集、模型与形式的固定效应，再逐个加入位移幅度、音频投影与边界投影。结果是只加幅度提升很小，而加入任一投影都明显提高预测相关，其中音频投影与边界投影的等级相关分别达到较高水平。这从方向角度呼应边界解释：有害的不是走得远，而是没朝目标走或没保住局部分隔。
音频投影 × 边界投影： 音频投影分工是判断查询位移向量是否朝向目标音频方向，边界投影分工是判断位移是否沿着目标减去硬负例的局部可分方向；搭配理由是标量分差只能看到结果而看不到方向，组合后新增的作用是从几何方向验证有害改写是走错方向而非走得太远。
下面导读针对位移方向示意图，左面板是音频投影视角，右面板是边界投影视角，对象包括源查询、两种改写查询、目标音频与难负例，箭头表示位移及其投影。
看图路径： 1. 在左图沿源查询出发的两条位移比较谁在目标方向投影更长；2. 在右图找到目标音频与硬负例连成的边界方向并看位移投影；3. 对照大小位移与投影长短理解远位移也可保持边界的含义
论文图 3。原论文 Figure 3:：“Illustration of (a) the audio-projection and (b) the boundary-projection perspectives for query shift.”。
像素显示左图中位移更大的改写反而在目标方向投影更长，右图中位移更大的改写在边界方向投影更长，而位移小但方向偏离的改写投影更短。教学含义是不能用位移长度代替方向质量，复现时应同时计算幅度与两个投影再比较增益。
另一组反证是留一形式分析：每次去掉一种查询形式后用剩余 4 种重算相关，边界与目标信号仍明显高于位移，说明主要结论不是由某一种形式驱动。内容固定与陈述锚定的对照显示去掉源锚后目标损失与秩降的关联变弱但仍为正，支持它不是纯锚定假象。词元显著性审计显示掉榜组的平均边界余量更低，但粗粒度词类分布不能稳定区分掉榜与否，加入词类特征也不提升预测，因此词元归因只作局部描述而不作为因果证据。
外部鲁棒模型与同池对照说明了什么代价？
外部验证把同一配对协议用于意图导向与鲁棒导向检索器，比较问题是残差秩降是否仍服从边界解释，公平条件是各自独立计算秩降与诊断相关。结果是意图导向模型的平均秩降接近零，鲁棒对比模型在该评测下平均秩降更大，但三者的残差都延续位移弱而边界强的排序。这说明加固训练或评测可以减轻严重程度，但剩余误差仍可用目标相对最强竞争者的分差退化来刻画。代价是不能把平均秩降小直接读作已解决形式脆弱，因为实例级边界仍可能在特定组合下失效。
下表比较的问题是 3 类查询集合在相同条目与候选池下是否带来不同平均秩降，公平条件是同源描述、同目标、同检索器，指标方向是平均秩降越低表示保持越好。
| Query set | Forms | Evaluations | MeanRD |
|---|---|---|---|
| CORA | 5 | 56,100 | +5.28 |
| CORA w/o div. | 5 | 56,100 | +4.17 |
| Released UIQ | 4 | 44,880 | −5.78 |
表后需要说明具体代价与未胜出项：完整版本比不加多样化提示版本平均秩降略高，说明覆盖更宽措辞会暴露更多掉榜，但这正是诊断集的职责而非缺陷。已发布查询集在该同池比较中平均为负值，但因生成器、形式清单与接地方式不同，只能作描述性比较，不能读作同条件胜负。原文也报告三者在诊断排序上一致，因此边界解释不局限于某一种生成器，只是这不是受控的生成器稳定性实验。
哪些结论不能从现有证据推出？
第一，查询来自模型生成而非真实搜索日志，虽然经过语义与类型校验并用真实对话数据检验形式覆盖，但仍可能含生成痕迹且多语言覆盖不足，不能把结论推广到所有真实用户表达。第二，受控改写只覆盖单目标相关与有限领域，不涉及开放意图、多目标相关或语音音乐医疗工业等专门音频，跨领域行为待验证。
第三，证据主要来自 CLAP 家族与少数外部检索器，目标与边界量是诊断性而非因果信号，其行为可能随跨编码器、自回归或更大候选池与不同难负例池而变化。第四，推理时融合与查询改写可提升总体召回并降低平均秩降，但原文显示诊断排序在改写前后保持，说明管线级修复不等于边界机制已解决。总体趋势不等于每组都成立，任何按形式或模型的全局排序都应回到数据集模型形式的完整 breakdown 核对。
要复现配对秩降，先固定什么再算什么？
先准备数据与模型：取 4 个数据集测试集，按原文剔除空间接与空关键词条目，保留 5 种形式齐全的条目；加载 4 个 CLAP 检索器而不微调，文本与音频嵌入做归一化后用余弦打分。检索时对每条保留样本跑 2 次排序，1 次用源描述，1 次用改写查询，候选池主实验用各自数据集池，敏感性分析再做合并池，2 次都记录同一目标的名次并相减得到秩降。
诊断量按公式实现：位移用一减余弦，硬负例取除目标外得分最高者，余量为目标分减硬负例分，边界退化为源余量减改写余量并可分解为两项。关联用皮尔逊与斯皮尔曼同时报告，回归用按音频分组的交叉验证并加入数据集、模型与形式的固定效应。外部模型与融合基线单独跑同一协议，避免把不同候选池或不同形式清单的数字混放一列。
关键超参数与信息条件包括生成温度与采样设置、提示中的多样化约束、校验抽样量与评判者配置，这些决定查询分布，复现时应原样保留或明确记录改动。代码与数据集当前可用，复现优先跑通配对评测脚本再谈改进。
何时值得用边界视角，下一步补哪项验证？
当系统总体召回尚可但用户换说法后偶发找不到目标时，值得用配对秩降定位到具体样本，再看是目标相似度掉了还是难负例追上来了，而不是只统计文本改了多少。如果目标损失主导，可检查描述中声学内容是否在编码后被弱化；如果难负例拉动主导，可检查候选池中哪些相似音频在改写后得分上升。未来加固应在训练阶段显式处理意图变化，并以目标相对竞争者的分差保持作为评测维度，而不仅看平均召回。
还需补的验证包括真实日志分布下的复测、多目标与专门领域的扩展，以及在不同难负例池与更大候选池下边界量的稳定性。本文的核心判断是：稳健的文本到音频检索不仅要求对措辞不变，更要求在改写下保住目标对竞争音频的分数优势，而 CORA 提供了一个可核对该行为的紧凑试验床。
📎 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