英文题目：What Survives the Codec Shift: Pooled No-Vocals Residuals for Speech Deepfake Detection
标签：#音频深度伪造检测 | #混合专家模型 | #信号处理 | #自监督学习
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
- Jiajun Xu：机构信息未在 arXiv HTML 中可靠披露
- Menglu Li：机构信息未在 arXiv HTML 中可靠披露
- Xiao-Ping Zhang：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
本文处理语音深度伪造检测在生成机制由声码器转向神经编解码器时的泛化失效，输入为单句语音波形，输出为真伪判定，难点在于语音内容表示在高保真编解码合成下区分性衰减。方法链分为三步：先用 HTDemucs 人声分离得到去人声残差并做频带统计池化为话语级向量，再用冻结 XLS-R 自监督表示经混合专家融合得到帧级语音序列，最后经跨视角门控将全局残差上下文广播加权到语音序列后送入后端分类。相对单视角语音检测器的机制差异在于非对称双视角设计，保留语音时序证据的同时引入无需对齐的全局残差统计作为互补上下文。在合并 ASVspoof 2019 LA 与 Codecfake 的 39996 条测试集上，MN-P-AASIST 相对最强重训基线将总体等错误率由 5.986% 降至 2.744%，相对降低 54.2%，未见 DAC 编解码器子集等错误率由 15.692% 降至 6.136%，相对降低 60.9%。该结论限于英语、受控语料与单一未见编解码器条件，未验证多语言、多失真及分离失败时的外推能力。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？要判断什么？为什么编解码器迁移让老方法变难？
这篇论文的输入是一段待判定的语音波形，输出是二分类判决：这段话是真实录制的人声，还是语音合成或声音转换生成的深度伪造。初学者可以把检测器想象成质检员，正常工作时听的是说话内容是否自然、有没有合成痕迹。早期攻击多用声码器路线，先预测声学特征再用声码器转成波形，检测器在频谱、相位或自监督语音表示上能找到较稳定的破绽。
困难来自生成机制的切换。用白话说，神经音频编解码器先把语音压成离散 token，再由语言模型或生成模型重建波形，保真度更高，重建过程引入的痕迹与传统声码器不同。论文把这种变化称为编解码器迁移。也就是说，训练时见过声码器伪造和部分编解码器伪造，测试时却遇到完全没见过的编解码器，语音内容本身越来越像真人，只靠语音表示的证据会变弱。
因此论文的目标不是再把语音表示做大一点，而是回答表示问题：在生成机制变化时，哪些声学表示还留有判别信息。作者先做受控的表示比较，再基于结论设计检测器。必须保留的关键信息是：比较在同一低容量线性分类器下进行，评价同时看合并测试集总体性能和未见编解码器子集性能，并用能否线性解码出伪造来源身份来辅助判断表示是否依赖特定生成器指纹。本文后续按任务路线、方法全景、残差构造、融合计算、训练与数据、结果与反证、复现边界的顺序展开，所有数字都回到原文核对。
同输入同目标的前人走了哪几条路？本文补哪块证据？
在相同输入与相同真伪判定目标下，前人主要有 3 条路线。第一条是手工谱与相位线索，例如线性频率倒谱系数、相位与群延迟，这类方法可解释但容量有限。第二条是原始波形、图结构与自监督检测器，例如用 wav2vec2、XLS-R 等预训练表示加后端分类器，近年还利用中间层特征做层选择或加权，这是当前主流的语音中心路线。第 3 条是利用言语之外的互补证据，例如静音、呼吸、背景与环境成分，说明非语音部分也可能藏有线索。
在同运行阶段与同监督设定上，泛化研究关注未见数据集与未见生成器，而针对声码器到编解码器迁移的工作多从数据与训练目标入手，例如构造编解码伪造训练集或做编解码感知的联合训练。论文指出，这留下了一个表示层面的缺口：没有在统一分类器容量下系统比较谱、编解码残差、非人声与分层自监督表示，更不清楚静音背景类线索在编解码器迁移下是否仍然稳健。
本文的定位是补表示比较与互补证据设计。它不只换更大的语音编码器，而是把分层 XLS-R 作为主语音视角，把 pooled 无人声残差作为辅助全局视角。教学上可以这样记：前人多在语音这条路上加宽加深，本文是另开一条整句残差统计的辅路，再用门控把两条路按每句话自适应加权。
要测什么条件？什么算好？什么不算证据？
论文把问题形式化为跨生成条件的二分类。训练与开发集只包含声码器编号 A01 至 A06 与编解码器编号 F01 至 F06，测试集额外包含未见声码器 A07 至 A19、已见编解码器 F01 至 F06、被留出的 DAC 编解码器 F07，以及来自 Codecfake 的未见音频语言模型伪造样本。F07 在训练与开发中都不出现，专门定义未见编解码器子集。
评价指标需要分清方向。等错误率越低越好，曲线下面积越大越好，伪造漏检率越低越好。论文同时报告合并测试集上的面积、等错误率与伪造漏检率，以及只在 F07 子集上的等错误率与伪造漏检率。其中伪造漏检率使用开发集上选出的等错误率阈值计算，不是测试集上事后调出的最优点，这一点对复现阈值很关键。
还有一个辅助量叫来源 F1。它是在同样固定表示上再训练一个线性探针去预测伪造来自哪个系统，在闭集下算宏平均 F1。这里越低反而越受偏好，因为它表示该表示中能被线性读出的生成器身份信息越少，分离真伪时越不容易只记住特定生成器的指纹。初学者不要把来源 F1 当成检测性能，它只是判断表示是否依赖声源特异线索的诊断量。
MN-P 让一个样本走完哪两条路？最后在哪里汇合？
沿着一个 4 秒语音样本走一遍最清楚。波形进入系统后分成两路。上路是语音主路：冻结的 XLS-R 编码器输出多层 token 序列，再经混合专家融合得到每个时间位置 1024 维的语音表示。下路是无人声辅路：先做人声分离并丢弃人声，把剩余成分求和得到无人声残差，再对整句做频谱时间统计，压缩成单个 127 维向量并投影到 1024 维。两路在 CrossViewGate 处汇合，门控为当前这句话估计两个视角的权重，然后把加权后的残差向量广播加到每个语音 token 上，形成融合序列再送给后端分类器判真伪。
下图把单视角与双视角做了并排对比，上半是传统做法，下半是本文做法，关键差别是多了一条整句级残差与自适应门控。
分层 XLS-R × pooled 无人声残差： 分层 XLS-R 负责刻画语音承载内容在多层自监督空间中的局部时序证据，pooled 无人声残差负责把去除人声后整句的背景与分离残留汇总为全局统计，二者搭配的理由是前者在整体测试集最强但在未见编解码器下退化，后者在未见编解码器下最强且携带更少可线性解码的声源身份信息，组合后形成局部语音细节加全局残差上下文的互补判断。
看图路径： 1. 先看上面单视角路径：波形只经过一个语音表示框再进检测器，对照下面双视角路径的分叉点；2. 再看下面无人声残差分支标出的 utterance-level 字样，确认它是整句一个向量而非序列；3. 最后看两路在 Adaptive Gating 处汇合再进同一个检测器，理解门控是融合点而非两个独立判决
论文图 1。原论文 Figure 1:：“Speech-centric single-view detection versus the proposed MN-P.”。
图 1 的教学价值在于建立非对称粒度的直觉。上路蓝色框内画了一串方块，表示保留时间网格的 token 级证据。下路黄色框明确标出话语级，表示整句只有一个向量。中间绿色自适应门控是唯一的汇合点，说明融合不需要两路帧对齐。这种设计保留了语音的局部时序证据，同时引入整句残差统计作为全局上下文。
无人声残差怎么做出来？127 维向量里装了什么统计？
无人声残差的构造分 3 步。第一步是重采样与分离。对 4 秒波形，先重采样到 44.1 kHz 再送入 HTDemucs，得到 vocals、drums、bass、other 4 个估计成分。丢弃 vocals，把其余求和、下混并重采样回 16 kHz，得到向量 n。论文强调它不是干净的背景源，而是包含背景内容、分离伪影与残留语音能量的完整残差，这些都可能保留合成管线在主语音之外的痕迹。
\[\mathbf{n}=\mathcal{R}_{16}\!\left(\operatorname{Downmix}\!\left[\sum_{c\in\mathcal{S}\setminus\{\mathrm{vocals}\}}D_{c}(\mathcal{R}_{44.1}(x))\right]\right).\]上式中 x 是输入波形，R 表示重采样，D_c 表示分离器对成分 c 的估计，S 是 4 个成分集合，求和时去掉 vocals。n 就是后续全部统计的输入。
第二步是分频带对数功率轨迹。用去中心短时傅里叶变换，512 点离散傅里叶变换、400 点汉恩窗、160 点帧移，转成对数功率后分成 0 到 2、2 到 4、4 到 8 kHz 3 个频带。每条轨迹用 8 个算子汇总：均值、标准差、最小、最大、25、50、75 分位数，以及平均绝对 1 阶差分。
第 3 步是拼成五块特征。五块分别刻画频带包络、跨频带关系、时间变化、在 5 乘 5 平滑表面上的局部谱残差，以及谱形状，维度依次是 24、35、27、24、17，拼接成 127 维向量 b。
\[\mathbf{b}=[\phi_{1}(\mathbf{n});\ldots;\phi_{5}(\mathbf{n})]\in\mathbb{R}^{127}.\]上式中 phi 表示第几块统计映射，b 是单句单个向量。列方向的中位数填补与标准化只在训练集上拟合，再固定用于开发与测试集，避免信息泄露。下图展示了该分支在整体架构中的位置。
人声分离 × 残差统计： 人声分离的分工是用 HTDemucs 把波形拆成 vocals、drums、bass、other 并丢弃 vocals，残差统计的分工是对剩余求和信号做分频带对数功率轨迹的均值、分位数与时序差分等汇总，二者搭配的原因是分离本身不直接给出判别向量，必须经 utterance 级统计才能把合成管线在背景与残留语音能量中留下的痕迹变成固定 127 维向量，组合意义是把不定长分离输出变成无需帧对齐的全局证据。
看图路径： 1. 从左侧语音波形出发，分别沿上路冻结 XLS-R 十层与下路橙色框内分离统计走一遍；2. 观察下路中 Vocals 被标为丢弃、Other 被保留，以及五组声学统计块拼接成向量 b 再投影为波浪 b 的位置；3. 盯住中间 CrossViewGate 同时接收 h_t 序列与单向量波浪 b，输出仍是序列 z_t 再进 AASIST 后端
论文图 2。原论文 Figure 2:：“Architecture of the proposed MN-P detector.”。
图 2 中橙色大框就是无人声残差提取，框内左侧是 HTDemucs 分离器，中间用频谱示意标出 vocals 丢弃、other 保留，右侧列出 5 组声学统计块并拼接成 b，再经投影变成与语音同维的向量。雪花图标表示冻结，火焰图标表示可训练，阅读时先区分这两类模块，再看箭头走向。
两路维度不同、时间网格不同，门控如何融合？
主路的计算需要讲清冻结与更新边界。XLS-R-300M 编码器全程冻结。从浅到深选 10 个隐状态，每个配 4 个前馈专家，共 40 个专家。共享路由器用第 24 层 token 为每个位置打分，做全局 Top-2 路由，每次选两个层专家对，输出仍保留 XLS-R 时间网格的 1024 维序列 h_t。混合专家部分是可训练的，作用是自适应挑选层间证据。
辅路的 127 维 b 经两层网络投影到 1024 维，隐层 256 维加 GELU 与层归一化，得到与语音同维的全局向量。融合前先对语音序列做时间平均得到句向量，再与投影残差拼接送入门控网络 G，经 softmax 得到两个标量权重。
\[[\alpha_{x},\alpha_{n}]^{\mathsf{T}}=\operatorname{softmax}G([\overline{\mathbf{h}};\widetilde{\mathbf{b}}]).\]上式中横线 h 是语音序列均值，波浪 b 是投影后残差，alpha_x 与 alpha_n 是当前这句话的语音权重与残差权重。注意 CrossViewGate 是对两个视角稠密加权，允许两路同时贡献，这与 MoEF 的稀疏 Top-2 选择不同。
得到权重后，把同一份残差向量广播到每个时间步做加权求和。
\[\mathbf{z}_{t}=\alpha_{x}\mathbf{h}_{t}+\alpha_{n}\widetilde{\mathbf{b}},\qquad t=1,\ldots,T.\]上式中 z_t 是融合后序列，t 遍历全部时间步。融合序列送入 AASIST 或 Nes2Net 后端分类。论文还验证了换后端后增益仍在，说明残差视角的贡献不绑定特定后端。
MoEF 融合 × CrossViewGate： MoEF 融合的分工是在冻结 XLS-R 内部从浅到深十层中为每个 token 稀疏选择两个层专家以保留时序语音表示，CrossViewGate 的分工是在话语级对语音均值向量与投影后残差向量做两视角稠密加权，搭配理由是前者解决层间证据如何选，后者解决语音序列与单向量残差维度与时间网格不对齐如何合，组合后每个语音 token 都叠加同一份自适应加权的全局残差上下文。
哪些参数训练？优化器与早停如何设置？分离何时算？
表示分析阶段与主模型阶段要分开记。表示分析是为了隔离表示质量与分类器容量，用同一个低容量线性分类器评估 12 种候选表示。优化器用 AdamW，批量 4096，最多 30 轮，耐心 5，学习率 10 的负 3 次方，权重衰减 10 的负 4 次方。在同样固定表示上再训练线性探针预测伪造来源身份，得到来源 F1。
主模型阶段只训练融合与后端部分。XLS-R 保持冻结，HTDemucs 离线一次性算出 127 维残差向量并在不同随机种子与系统间复用。可训练模块用 AdamW，批量 8，学习率 10 的负 4 次方，权重衰减 10 的负 4 次方，最多 10 轮，耐心 5，用开发集损失最小的检查点评估。主模型与消融结果都是 3 个随机种子 3407、3411、3417 的平均，所有对比系统共享相同数据、波形预处理与评估协议。
初学者常问梯度是否流进大模型，原文明确 XLS-R 冻结，因此梯度只更新 MoEF、投影、门控与后端。分离器也不参与端到端训练，只是离线特征抽取。未报告的内容是具体的 10 层层号与门控网络隐层尺寸，复现时只能按 MoEF 引用与代码缺失情况如实记录为待确认，不从模型名猜测实现。
数据从哪来？划分如何保证未见条件？波形做了什么过滤？
数据由两个英文语料合并。ASVspoof 2019 LA 提供基于声码器的伪造，Codecfake 提供基于神经编解码器的伪造，真话来自两者。波形统一保留单声道 16 kHz、64000 采样点，要求均方根不小于 10 的负 2 次方且峰值幅度不小于 3 乘 10 的负 2 次方，过滤掉过静音或异常样本。
表示分析用的合并协议规模较大，训练 273027、开发 55269、测试 190845，训练与开发覆盖 A01 至 A06 与 F01 至 F06，测试额外含未见声码器 A07 至 A19、已见编解码器 F01 至 F06 与留出的 DAC 编解码器 F07。主模型实验用更均衡的子协议，训练 50758、开发 49678，测试 39996 并在各评估条件间均衡，覆盖真话、已见与未见声码器、已见编解码器、F07 与未见音频语言模型样本，避免单一条件主导评价。F07 的 4444 条伪造与 4444 条真话定义未见编解码器子集。
表示比较发现了什么互补规律？主结果比最强基线好多少？
表示比较要同时看总体与未见编解码器两个维度。总体最强的是分层 XLS-R，合并测试集等错误率最低；未见编解码器下最强的是 pooled 无人声残差。更直接的对照在同一统计族内部：把人声视角换成无人声视角后总体与未见条件都大幅下降，而跨视角关系特征总体尚可但未见条件明显更差，说明未见编解码器优势来自无人声视角本身，不是该统计族的通用性质。无人声残差的来源 F1 也是最低的，意味着它的优势伴随更少而非更多的可线性解码声源信息。
下表整理表示筛选的关键对照，阅读时注意总体与未见两列方向都是越低越好，来源 F1 也是越低越受偏好。
| 表示 | 总体等错误率 | 未见编解码器等错误率 | 来源 F1 | 对照含义 |
|---|---|---|---|---|
| B6 分层 XLS-R | 4.843% | 9.291% | 0.726 | 总体最强，未见次强 |
| B2-NV 无人声 | 13.859% | 8.619% | 0.539 | 未见最强，来源信息最少 |
| B2-XV 跨视角 | 13.448% | 21.935% | 0.656 | 总体相近，未见明显更差 |
| B2-V 人声 | 25.999% | 41.201% | 0.588 | 同族内人声视角最弱 |
总体等错误率 × 未见编解码器等错误率： 总体等错误率的分工是衡量包含已见与未见声码器、已见编解码器、未见编解码器与语言模型样本的合并测试集上的平均可分性，未见编解码器等错误率的分工是只在训练与开发集都未出现的 DAC 编解码器 F07 子集上衡量跨生成机制泛化，搭配原因是只看总体会被已见条件掩盖短板，组合意义是同时报告才能判断 pooled 残差是否真正带来编解码器迁移下的互补增益。
上表显示总体最优不等于未见最优，这直接引出双视角设计：用 B6 做主表示，用 B2-NV 做互补残差视角。未胜出的例子也要记住，B2-V 与手工谱相位线索在该线性探针下总体与未见都偏高，说明只加强语音内容或传统谱相位不足以应对编解码器迁移。
主比较在相同协议下重训了多个当前最优系统。控制对照是 M0，它保留相同的分层 XLS-R 加 MoEF 分支与后端，只去掉 pooled 无人声分支与门控。在 AASIST 后端下加入残差视角后总体与未见等错误率都下降，且未见子集下降幅度更大；在 Nes2Net 后端下同样趋势成立，排名第 2，说明增益不绑定特定后端。与重训的最强编解码感知基线相比，本文方法在无编解码特定训练信号下把总体相对降低约一半、未见相对降低约 60%，未见漏检率也从 70% 以上降到三到 40%。
| 系统 | 总体等错误率 | 未见等错误率 | 未见漏检率 | 比较对象 |
|---|---|---|---|---|
| MN-P-AASIST | 2.744% | 6.136% | 27.903% | 本文双视角 |
上表是核心结果表，总体与未见两列越低越好。最大收益在未见编解码器子集，但代价是需要离线分离与额外统计分支。原文未测量延迟与推理成本，因此不能把错误率下降直接说成部署成本下降。不同指标的差值不能混算，百分点下降与相对百分比下降是两种表述，引用时保留原文写法。
残差本身有用吗？pooled 比帧序列好多少？
结构消融用独立的小划分回答两个问题。划分是训练 2000、开发 1000、测试 2000，同样 3 个种子平均。M0 只用 XLS-R，MN-S 把无人声残差保留为帧级序列，MN-P 把残差汇总为话语级向量。注意该小划分上的绝对数值不能与主结果直接比较，只能看同划分内的相对变化。
下表聚焦未见编解码器子集，因为它是本文关心的泛化条件，指标方向都是越低越好。
| 结构 | 未见等错误率 | 未见漏检率 | 粒度含义 | 可运行性 |
|---|---|---|---|---|
| MN-S | 18.168% | 57.808% | 残差帧序列 | 可运行但需对齐 |
| MN-P | 8.709% | 14.865% | 残差整句 pooled | 可运行且无需对齐 |
帧级残差序列 × 话语级 pooled 向量： 帧级残差序列的分工是把无人声残差保留为随时间变化的第二路流，话语级 pooled 向量的分工是把整句残差先统计成单个 127 维向量再广播到语音 token 网格，搭配比较的理由是二者同源但粒度不同，直接检验时间细节是否有用，组合意义在于消融显示 pooled 形式在未见编解码器下错误率更低，说明残差证据更适合做全局上下文而非逐帧对齐。
上表显示 2 阶段增益。加入残差序列先把未见等错误率从 34.830% 降到 18.168%，说明残差本身含有未见编解码器证据；再做话语级 pooled 进一步降到 8.709%，未见漏检率从 57.808% 降到 14.865%，说明残差更适合做全局统计而非逐帧流，同时避免了与语音序列的显式对齐。未胜出项是帧序列形式，它虽优于无残差，但明显弱于 pooled，这是否定了把残差当第二路时间流的做法。该消融只在小划分上验证，推广到大协议时仍以主结果为准。
哪些边界没有测？哪些推论还不能下？
论文明确的未验证边界不少。首先是残差内部归因，背景内容与分离伪影各自贡献多少尚未拆开，原文把未来工作指向这一拆解，因此不能把增益简单归因于背景或伪影中的某一个。其次是条件覆盖，训练与测试都是英文语料的特定声码器与编解码器集合，未评测更多语种、更多编解码器与更真实的信道噪声，不能把 F07 上的结论推广到一切未见生成器。
其次是成本与误判细节缺失。原文报告了面积、等错误率与漏检率，但未测量推理延迟、显存占用与分离带来的额外开销，也未按信噪比或说话人分组报告误判分布。总体趋势成立不等于每组都成立，换后端后排名第 2 也说明不同后端的绝对收益有差异。
最后是开源状态。本次收到的资源状态显示没有完成 HTTPS 验证的绑定资源，因此不能声称代码、模型或数据已公开。复现只能依据论文文字与公式重做分离统计与门控，不能默认存在可下载权重。相关性也不是因果，来源 F1 低与未见性能好同时出现，原文表述为支持互补解释，初学者应记为有限解释而非已证明的因果链。
要复现先对齐什么？最小可运行链路怎么做？
复现先做三处对齐。第一是数据划分，确认训练与开发只含 A01 至 A06 与 F01 至 F06，F07 只在测试出现并按 4444 伪造加 4444 真话取子集，波形统一 16 kHz、64000 点并做能量过滤。第二是阈值口径，伪造漏检率用开发集等错误率阈值在测试上计算，不要在测试上重选阈值。第三是随机种子与平均方式，主结果是 3 个种子平均，消融是独立小划分上的 3 个种子平均，二者绝对值不可混比。
最小可运行链路可以分 4 步。先用离线 HTDemucs 对 44.1 kHz 重采样信号分离，丢 vocals 后求和下混回 16 kHz 得到残差。接着按 512 点变换、400 点窗、160 点移做对数功率分频带统计，拼成 127 维并用训练集拟合的中位数填补与标准化。再训练冻结 XLS-R 加 MoEF 的语音分支，同时训练投影与 CrossViewGate，最后接 AASIST 后端。用 M0 做对照，只删残差分支与门控，其余分支与后端保持一致。
关键超参数按原文保留：表示分析批量 4096、最多 30 轮、耐心 5；主模型批量 8、学习率万分之一、权重衰减万分之一、最多 10 轮、耐心 5。缺失的是 10 层具体层号与门控隐层结构，遇到时记为待验证，不要从模型名推定。若只想快速验证想法，可先复现线性探针的表示比较，确认无人声视角在未见子集上的优势后再搭建完整双视角。
何时值得尝试 pooled 无人声残差？一句话如何复述方法？
当检测器在已见生成器上很好，一遇到新编解码器就明显变差，且语音表示越强反而越像记住生成器指纹时，值得尝试这条辅路。它的适用条件是：能接受离线分离的额外步骤，任务允许整句级延迟而非逐帧实时输出，且有未见生成条件的验证集来选阈值。不满足这些时，不应承诺同样的相对降幅。
用可复述的话总结：对每句话做两件事，一是用冻结分层 XLS-R 加混合专家保留 token 级语音证据，二是用人声分离去掉人声后对整句残差做分频带统计得到单个向量，再用话语级门控学出这句话更相信哪一路并广播相加，最后送后端判真伪。表示比较显示总体最优与未见最优不是同一个表示， pooled 无人声残差以更少的来源身份信息在未见编解码器下存活，这正是双视角要利用的互补性。
回到中心矛盾：编解码器迁移让语音证据变弱，本文没有继续加码语音，而是把整句残差统计变成全局上下文。记住 3 个数字关系即可抓住全文：在受控线性比较中无人声残差未见更强，在主协议中双视角把最强基线的总体与未见错误率都减半左右，在消融中 pooled 明显优于帧序列。其它语种、信道与成本仍待验证。
📎 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