📄 看起来更不变，其实只是变小了：语音防伪中辅助目标的坍缩诊断
英文题目：Collapse, Not Invariance: Diagnosing Auxiliary Objectives in Speech Anti-Spoofing
标签：#语音伪造检测 | #评测协议 | #语音 | #鲁棒性
评分：6.7/10 | 创新 1.3/2 | 技术严谨 1.2/1.5 | 实验充分 1.3/1.5 | 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 0.8/1.5
👥 作者与机构
- Ksenia Lysikova：机构信息未在 arXiv HTML 中可靠披露
- Kirill Borodin：机构信息未在 arXiv HTML 中可靠披露
- Maxim Maslov：机构信息未在 arXiv HTML 中可靠披露
- Grach Mkrtchian：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
语音伪造检测输入为待判语音波形，输出为真伪分数，难点是生成器、编解码器与信道变化导致域外泛化急剧退化。本文以AASIST3为主干，先以交叉熵训练基线分类器，再并行施加一致性、对比与对抗等辅助约束以塑造嵌入空间，最后用位移与 spread比值等尺度不变诊断检验空间是否真正不变。与已有工作直接报告原始位移不同，本文机制差异在于把位移除以 utterance间距并辅以轮廓系数等尺度无关量，从而区分不变性与整体收缩。在5个语料平均的评测下，余弦一致性的平均EER错误率为0.379±0.023，高于交叉熵基线的平均EER错误率0.349±0.002。该结果表明余弦一致性表观位移下降实为空间同步缩小，归一化后并无一致增益，且所有训练空间仍被单一决策轴主导。结论仅适用于 ASVspoof 5 训练、4 epoch 与 0.01至0.02 小权重辅助目标的设定，未验证长训练、大权重与 OC-Softmax、SAMO 等标签感知单类目标的外推情形。该诊断的适用边界还受限于仅检验训练增强下的域内嵌入，跨增强与跨语料的失效模式尚未验证。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
语音防伪为什么怕换生成器和信道？
语音防伪要判断一段语音是真人说的还是合成、转换或重放的。研究生刚进这个领域要先建立一个直觉：在一个数据集上接近满分的检测器，换了语音生成器、编解码器或传输信道后往往掉很多。这不是分类器没训练好，而是测试时伪造痕迹的分布变了。论文把训练用的 ASVspoof 5 训练集称为域内，把 ASVspoof 2021 DeepFake、In-the-Wild、VoiceWukong 和 RuASD 等与训练 disjoint 的语料称为跨域评估。目标是在没见过的攻击和编码条件下仍能排好真假分数。
常见做法是在自监督前端之后加辅助目标，企图把嵌入空间整理成更易迁移的形状。白话说，嵌入就是分类器之前那个 160 维向量，模型先把波形变成这个向量，再打分。辅助目标就是在交叉熵之外多加一项，让同一句话的不同增强版本靠近，或者让不同句子分开，或者让模型忘记增强痕迹。初学者容易把这类动机直接当成结论，认为加了拉近项就一定更不变。论文的起点恰好是怀疑这一步：等错误率只看分数排序，它看不见空间是真整齐了，还是整体缩小了，甚至看不见编码器已经坍缩成近常数输出。
本解读只讲这篇论文实际做的事。输入是论文原文证据与本次收到的官方原图像素，不引入外部代码可用性判断。资源状态证据为 NONE，因此不声称代码、模型或数据已公开。后面按学习依赖展开，先讲相关路线，再走完一个样本的输入到输出与公式，然后讲训练、评估条件、结果与失败模式，最后讲复现。
四类辅助路线各自想管住什么？
第一类是一致性正则。做法是对同一句话做 2 次独立增强，得到两个视图，再让它们的嵌入经过预测器后靠近。距离可以用均方、平均绝对或余弦距离。它的分工很单纯：增强不应该改变真假判断，所以表示应该对增强稳定。第二类是对比学习，代表是 NT-Xent。
它除了拉近同一句话的两个视图，还把 batch 里其他句子都当负例推远。分工是既要对齐又要均匀，避免所有点挤在一起。论文中对比学习不使用类别标签，只用视图关系。
第三类是对抗去学习。做法是在嵌入上接一个判别器，判断输入是干净还是增强过的，编码器则被训练去骗过它。论文用两种实现，一种是梯度反转层联合训练，另一种是交替更新的域对抗训练。分工是剥离增强这种 nuisance 信息。第四类是标签平滑，它不在嵌入上加项，只是把交叉熵的目标从硬标签改成 0.1 平滑。
论文把它当作分类器侧对照，因为已有文献知道它会压缩倒数第二层几何。这样就能区分效果来自嵌入项还是分类器改动。
论文还提到 margin 与单类目标、单用增强等路线，指出同样的诊断可以直接套用，但本次实验不覆盖其中标签感知的单类目标。初学者要注意，类别不同不能当成同条件胜负，本文的比较只在同一骨干、同一训练流程内改变辅助项。
为什么只看等错误率会误判空间？
等错误率是把所有分数放在一起找一个门限，使误接受和误拒绝相等时的错误。白话说，它只关心真假分数的相对顺序，不关心嵌入向量本身有多大、多分散。论文指出一个关键的缩放例子：把嵌入乘以常数 c，同时把分类器权重除以 c，分数几乎不变，等错误率也不变，但干净与增强之间的欧氏距离会被乘以 c。于是位移变小可能有两种完全不同的原因，一是编码器真的对增强更稳定，二是整个空间变小了。
等错误率 × 位移： 等错误率只看分数排序，分工是报告门限无关的判别好坏；位移测量同一句话干净与增强后嵌入的欧氏距离，分工是直接读编码器对增强是否稳定。两者搭配的原因是排序好不等于空间按意图成形，组合意义是用位移补上等错误率看不见的收缩与坍缩。
更严重的是坍缩。论文把坍缩定义为 spread 比所有训练正常的运行低一个数量级以上，输出近常数而不是恒常数。此时位移也很小，等错误率只会显示为普通的差准确率，t-SNE 还会因为每张图重缩放而画出看似健康的点云。初学者常犯的错误是把 t-SNE 有团块当成学好了，把等错误率高一点当成只是欠拟合。论文要解决的正是这个诊断缺口：直接测量 24 个 AASIST3 运行的嵌入空间，而不是只排分数。
同一协议下比较什么才能公平？
论文固定一个可复述的比较框架。主骨干是 AASIST3，从 wav2vec 2.0 XLSR-53 前端出发，在 ASVspoof 5 训练集上端到端训练。每种配置跑种子 1、2、3，共 8 种配置乘以 3 个种子得到 24 个 AASIST3 运行。8 种配置是交叉熵基线、均方一致性、平均绝对一致性、余弦一致性、NT-Xent、标签平滑、梯度反转对抗和交替对抗。另有 4 个已发表检测器做单种子微调，覆盖全量、LoRA 和只训 head 3 种模式，总计 113 次运行在 5 个语料上评估。
公平条件的关键是除辅助项外其他设置相同，不做分数归一或校准，每个运行保留开发集等错误率最好的 epoch。评估用每个语料合并分数的等错误率，五语料均值再把域内 ASVspoof 5 eval 也算进去。诊断用固定的 300 句真加 300 句假的 ASVspoof 5 评估子集，每句配一个来自训练流水线的增强视图。诊断量是位移、spread、比值、欧氏轮廓系数、Fisher 比、逻辑回归探针、第一主成分占比。论文强调比值对缩放不变，而 spread 保留大小信息，坍缩候选再用与缩放无关的轮廓系数和 Fisher 比裁定。
下面这张表把辅助项的强度安排整理成可对照的形式。它的教学作用是提醒读者，强度本身就能改变空间大小，所以比较不变性必须先看 spread。
| 配置 | 辅助项作用位置 | 强度与结构 | 论文中的对照角色 | 可运行性 |
|---|---|---|---|---|
| 交叉熵基线 | 只训分类 | 无辅助项 | 基线 | 可运行 |
| 均方一致性 | 预测器后视图距离 | 权重 0.01 | 近似复制基线的种子方差对照 | 可运行 |
| 平均绝对一致性 | 预测器后视图距离 | 权重 0.02 | 非等价距离对照 | 可运行 |
| 余弦一致性 | 归一化向量余弦距离 | 权重 0.02 | 主张不变性的代表 | 可运行 |
| 对比 NT-Xent | 归一化视图正负对 | 权重 0.02，温度 0.07 | 推远对照 | 可运行 |
| 标签平滑 | 无嵌入项，平滑 0.1 | 无辅助项 | 分类器侧对照 | 可运行 |
| 梯度反转与交替对抗 | 嵌入上判别器宽 64 | 权重 ramp 0 到 1 | 去 nuisance 对照 | 可运行 |
上表把强度差异摆出来后，下一节沿单个样本走完计算，再解释为什么均方在该骨干上几乎等于交叉熵。表中强度与判别器宽度的数字来自原文连续证据，判别器只在对抗分支使用，标签平滑明确没有嵌入项。
一个样本如何走完增强到损失？
取一句原始波形，先重采样到 16 kHz，再裁剪或平铺到 64600 个采样点，约 4.04 秒，并做预加重。然后做 2 次独立增强，每次经过同一条 torch-audiomentations 流水线，包括增益、有色噪声、极性翻转、低通、高通、带通、带阻、时间平移和音高平移。2 次增强得到视图 x1 和 x2。骨干把它们编码成 160 维向量 z1 和 z2，分类器的交叉熵只在 x1 上计算。一致性分支把 z1、z2 送入预测器并在第二路做停止梯度，再算距离。对抗分支在 z 上接判别器预测干净还是增强，编码器最小化分类损失减去判别损失，判别器最小化判别损失。
总损失是分类损失加权辅助损失，这是论文明确给出的安排。符号含义是先读输入再读目标：z 是分类前表示，alpha 是辅助项权重，aux 下标区分 7 种辅助形式。
\[\mathcal{L}\;=\;\mathcal{L}_{\mathrm{CE}}\;+\;\alpha\,\mathcal{L}_{\mathrm{aux}}.\]上式说明所有改动都只是一项加权相加，没有改动评估指标本身。预测器和停止梯度的存在是为了避免一致性分支走捷径，但论文后面显示它们没有阻止坍缩。
一致性正则 × 对比学习： 一致性正则把同一句话的两个增强视图拉近，分工是鼓励增强不变性；对比学习在拉近正对的同时把 batch 内其他句子推远，分工是防止所有表示缩到一点。搭配理由是只拉近容易收缩，推远提供均匀性压力，组合意义是同时约束对齐与 spread，但本文发现这种约束仍未改变单决策轴结构。
对抗去学习 × 标签平滑： 对抗去学习用判别器判断干净还是增强并让编码器反抗它，分工是剥离增强这类 nuisance 信息；标签平滑只把硬标签改为 0.1 平滑而不加嵌入项，分工是作为分类器侧对照压缩倒数第二层几何。搭配原因是区分嵌入项与分类器改动的效果，组合意义是检验坍缩是否必须有嵌入项，论文发现无嵌入项的平滑也会坍缩。
为什么均方与余弦差了 160 倍？
论文给出一个初学者必须算一遍的关系。对单位向量，均方距离等于 2 减 2 倍内积，而余弦距离正是 1 减内积。均方形式还对预测器输出维度求平均，维度是 160。于是均方损失等于 2 除以 160 再乘余弦损失。符号 m 是预测器输出维度，输入是归一化后的向量，计算目标是把两种距离换算到同一尺度。
\[\mathcal{L}_{\mathrm{MSE}}\;=\;\tfrac{2}{m}\,\mathcal{L}_{\cos}.\]在 AASIST3 上均方权重取 0.01，换算成余弦强度只有 0.000125，而余弦配置权重取 0.02，两者相差 160 倍。所以均方几乎就是交叉熵的重复运行，论文用它当种子方差对照。这个例子说明比较辅助目标必须先换算等价强度，否则把强度差异误读成方法差异。
spread × 比值： spread 是不同句子之间嵌入的平均距离，分工是度量整个空间有多大；比值是位移除以 spread，分工是消除整体缩放的影响。搭配原因是把嵌入乘以常数 c 并把分类器除以 c 时分数几乎不变但位移也被乘以 c，组合意义是只有比值才能区分真不变与单纯缩小。
训练与增强流水线如何固定？
AASIST3 训练用 AdamW，学习率 0.0001 并余弦退火到 0.0000001，有效 batch 48，共 4 个 epoch，bf16，整个模型端到端训练。论文明确说预算固定，且训练类在该预算下已经分开，因此评估等错误率反映的是未见攻击和编码，而不是模型没拟合训练类。增强概率与范围按原文固定，例如增益概率 0.5 范围负 10 到正 6 分贝，有色噪声信噪比 10 到 40 分贝，时间平移正负 10%，音高平移正负 2 半音。诊断用的增强视图也来自同一流水线，但训练时是两个增强视图配对，诊断时是一个干净加一个增强。
微调已发表检测器时用各自发表的学习 schedule，骨干学习率取 head 的 0.1 倍。Res2TCN 与 WhisperMFCC 全量微调 4 个 epoch，XLSR-SLS 微调 4 个 epoch，DF-Arena 微调 2 个 epoch。3 种模式中只训 head 时也训练预测器和判别器，保证辅助项在每种模式下都作用于可训练层。论文报告微调共 89 个单种子运行，包括 88 个表格条目加 1 次重复的交叉熵运行。初学者复现时要保留这些冻结与更新安排，未报告的梯度细节不要从模型名字推测。
数据、指标与聚合口径是什么？
训练用 ASVspoof 5 训练集，验证用其开发集。评估覆盖 ASVspoof 5 eval 作为唯一域内条件，加上 4 个与训练 disjoint 的语料。每个运行保留开发集等错误率最好的 epoch，不做分数归一。AASIST3 的等错误率除非点名种子，否则是 3 个种子的平均。RuASD 对所有 AASIST3 运行接近随机猜测，不提供排序信息。分数恒定或只有数值噪声时没有工作点，论文把这类等错误率记为 0.500 的随机水平，DF-Arena 有 3 个这样的运行。
诊断指标方向要记牢：位移越小表面越不变，但可能是缩小；spread 越小表示空间越小；比值越小才表示在相同大小下更不变；轮廓系数和 Fisher 比越大表示类别分得越开；第一主成分占比接近 1 表示空间接近一条线。
聚合时五语料均值是先对每个种子算五语料平均，再对种子平均。论文还报告种子配对差值，而不是只比均值，这是为了避免单种子倒挂被平均掩盖。
余弦一致性的增益为什么是缩小？
如果只看原始位移，余弦一致性似乎有效。论文报告余弦 3 种子平均位移 1.72，交叉熵 2.81，少了约 39%。但同一批运行的 spread 是 2.94 对 5.10，空间小了约 42%。更细的种子对照显示，种子 2 上 spread 几乎不变时位移也不变，种子 1 和 3 上两者一起下降。换成比值后，余弦与交叉熵的种子配对差是正 0.08、负 0.03、正 0.04，没有一致下降。原文强调没有什么能固定表示的尺度，调权重只会改变缩小多少，不会改变这个逻辑。
下表把这个收缩论证整理成可核对的数字对照，重点不是复述每行，而是看位移与 spread 是否同向变化。
| 比较对象 | 位移变化 | spread 变化 | 比值种子配对差 | 支持的判断 |
|---|---|---|---|---|
| 余弦均值对交叉熵均值 | 1.72 对 2.81，低约 39% | 2.94 对 5.10，小约 42% | 无一致下降 | 表观不变来自缩小 |
| 种子 2 单独看 | 1.78 对 1.90，基本不变 | 3.23 对 3.27，基本不变 | 差负 0.03 | 大小不变则位移不变 |
| 种子 1 与 3 | 两者同向下降 | 两者同向下降 | 正 0.08 与正 0.04 | 缩小解释位移下降 |
| 均方 3 种子 | 差负 0.01、正 0.03、负 0.11 | 随种子波动 | 符号变化 | 不比基线更不变 |
| 对比学习 3 种子 | 随种子波动 | 随种子波动 | 正 0.29、负 0.13、负 0.21 | 不比基线更不变 |
上表说明，没有目标在至少有两个训练正常种子的情况下于每个种子上都降低比值。比值种子 spread 本身在 0.06 到 0.19 之间，小于它的效应在 3 个种子下无法排除。轮廓系数也一致：对比学习在 3 个种子中有两个分得不如交叉熵。未胜出项在这里就是全部辅助目标，它们都没有在比值上稳定战胜交叉熵。
坍缩在图上长什么样？
先沿导读看图，再落到像素。上面两行是主成分投影，下面两行是 t-SNE，列是平均绝对、标签平滑、对抗 3 组，每组分训练正常与坍缩两行。主成分每列共用同一坐标尺度，所以大小差异直接可见；t-SNE 每张图重缩放，所以大小信息丢失。图例区分主成分的干净与增强，以及 t-SNE 的真与假。
看图路径： 1. 先看上两行主成分图每列是否共用同一坐标尺度，对比训练正常行细长曲线与坍缩行中心单点；2. 再看标题栏 S 取值，确认正常行 S 在 4 到 9 量级而坍缩行 S 在 0.01 到 0.16 量级；3. 接着看下两行 t-SNE，同样的坍缩行是否也被画成多个分散色块；4. 最后对照图例，确认主成分图区分干净与增强，t-SNE 区分真与假
论文图 1。原论文 Figure 1:：“PCA (top) and t-SNE (bottom) of the 600 ASVspoof 5 evaluation embeddings for MAE, smooth and DANN, each at a seed that trained and one that collapsed.”。
从像素看，上行训练正常的 3 张都是细长弯曲的点带，标题 S 分别是 9.06、4.77、5.36，灰色细线连着干净与增强对应点，说明增强位移沿着主曲线。第二行坍缩的 S 分别是 0.16、0.01、0.04，画面中央只有一个小点，所有 600 个嵌入缩到一点。下两行 t-SNE 里，同样的坍缩行却画成多个分散的绿黄点团，中间标签平滑坍缩甚至画成一大片椭圆云加右侧小团，与上行单点完全矛盾。这正是论文要教的误解：t-SNE 的重缩放会把数值噪声放大成看似健康的簇。复现时必须先用固定尺度的主成分图确认 spread，再读 t-SNE。
主成分比例 × t-SNE： 主成分比例报告第一主成分占方差份额，分工是在共享尺度下判断空间是否接近一条线；t-SNE 把高维邻域重排到二维，分工是看局部聚团但每张图会重缩放。搭配原因是同一组坍缩在两种视图下表现相反，组合意义是必须用固定尺度的主成分图先确认大小，再读 t-SNE 的形状。
四个坍缩与单决策轴如何相互印证？
论文发现所有训练正常的 20 个运行都接近一条线。第一主成分占评估方差 0.63 到 0.97，且与类均值差方向的余弦绝对值不小于 0.94。对两类问题这是交叉熵预期的几何，关键是没有任何辅助项改变它，因为辅助项都经过预测器或判别器，没有像方差约束那样约束表示协方差。在 600 句训练数据上这些运行接近神经坍缩，类内方差是类间方差的 0.01 到 0.57 倍，轮廓系数 0.57 到 0.94，说明不是欠拟合。但到评估数据上类内方差反超类间 3.8 到 16.5 倍，评估轮廓系数跟踪沿该轴的重叠程度而非 1 维程度。
4 个坍缩运行的 spread 在 0.01 到 0.17 之间，其他 20 个在 1.85 到 13.82 之间，中间没有过渡。它们来自 3 个目标，平均绝对占两个种子，标签平滑与交替对抗各占一个，且每个目标的另一种子都训练正常。由于标签平滑没有嵌入项，坍缩不需要辅助项，是训练流程的失败。3 个坍缩发生在种子 3，而种子 3 也是交叉熵最弱的种子，所以触发更可能是种子轨迹而非目标本身。
下表把坍缩判据与反证放在一起，说明为什么位移、比值和等错误率都会漏检。
| 条件 | spread 与主成分 | 轮廓与 Fisher 比 | 位移、比值与等错误率 | 探针残留 |
|---|---|---|---|---|
| 4 个坍缩运行 | 0.01 到 0.17，第一主成分 0.48 到 0.79 | 0.002 到 0.011，0.8 到 2.6 | 位移最小，比值 0.40 到 0.75 内，五语料均值 0.48 到 0.53 | AUC 0.65 到 0.67 |
| 其余 20 个训练正常 | 1.85 到 13.82，第一主成分 0.63 到 0.97 | 不低于 0.057，不低于 3.9 | 位移更大，比值同样 0.40 到 0.75 | 类别可分更高 |
| 训练正常但差的例子 | 种子 2 均方 spread 正常 | 轮廓低于部分坍缩对照 | 五语料均值 0.575 差于任何坍缩 | 说明等错误率不能检坍缩 |
| 跨架构对抗坍缩 | 编码器输出差异极小或为零 | 分数恒定记 0.500 | 表中按随机水平报告 | 交替对抗输出单一分数 |
| 未胜出边界 | 平均绝对两种子坍缩仍在 RuASD 最低 | 所有目标 RuASD 在 0.47 到 0.51 | 接近随机 | 该语料不提供排序 |
上表之后要强调代价：坍缩不是全零，探针仍能找到弱类别信息，但与缩放无关的轮廓与 Fisher 比都跌破所有正常运行。DF-Arena 上 3 个对抗运行也坍缩，编码器输出几乎不变，论文按随机水平报告而不是按噪声 tie 排序。单看等错误率会把坍缩当成普通欠表现，甚至不如一个训练正常的差种子显眼。
哪些结论还不能推广？
论文明确列出边界。所有运行只在 ASVspoof 5 上训练最多 4 个 epoch，权重未调优，取 0.01 到 0.02。更长 schedule 与更大权重未测试，而带自监督前端的同族检测器在更长训练下域内等错误率会低得多。只有 AASIST3 重复 3 个种子，3 个种子能显示排名反转，但不足以估计方差，也不足以分离种子与目标谁是坍缩触发。诊断只覆盖 AASIST3 的域内与对抗 DF-Arena 运行，且只针对训练增强，标签感知的单类目标未覆盖。
另一个限制是微调表是单种子，不能用来排名，只能回答是否有目标处处胜出，答案是没有。全量微调下每列最小值在不同架构间分散，重复的交叉熵 head 运行差 0.011，这是运行间变化的下界，在该下界内多列是打平。只训 head 会缩小范围，例如 DF-Arena 从 0.125 缩到 0.008，但仍留下待复制的候选效应。初学者不要把单种子最小值当成显著更好，也不要把总体趋势当成每组都成立。
要复现先固定什么再看什么？
先固定数据与流程。训练用 ASVspoof 5 训练集，开发集选 epoch，评估在 5 个语料上用合并分数算等错误率，五语料均值包含域内。音频处理按 16 kHz、64600 点、预加重与同一条增强流水线实现，训练配对两个增强视图，诊断固定 300 真加 300 假并配一个增强视图。AASIST3 用 AdamW 与原文学习率 schedule 跑 4 个 epoch，每个配置跑种子 1、2、3，不要只跑一个种子就下结论。关键超参数是均方 0.01、其余一致性与对比 0.02、判别器宽 64、对抗权重从 0 到 1 ramp、标签平滑 0.1、对比温度 0.07。
再固定诊断顺序。对每个 checkpoint 先算位移与 spread，再算比值，然后用轮廓系数与 Fisher 比裁定是否坍缩，最后画共享尺度的主成分图。不要先看 t-SNE。坍缩判据是 spread 比所有正常运行低一个数量级以上，且轮廓与 Fisher 比同时跌破正常下界。等错误率恒定或只有噪声时记 0.500，不要强行排序。
微调其他架构时保留原文 schedule 与骨干 0.1 倍学习率，只训 head 时也要训练预测器与判别器。信息条件上，本次证据未确认代码与权重可达，复现应按论文文字重写流水线并记录种子、epoch 选择与聚合口径。
何时还值得试辅助目标？
论文的直接报告是，在该协议下没有辅助目标在种子、架构和语料上保持对交叉熵的优势。支持这个判断的最强证据是尺度感知比较：余弦位移下降 39% 的同时空间缩小 42%，比值种子配对差符号不一致；以及坍缩反例：4 个近常数运行被位移评为最不变，被等错误率评为普通差，被 t-SNE 画成健康云。可能的待验证推测是更大权重、更长训练或标签感知目标会改变结论，但原文未测，不能当成承诺。
对研究生而言，何时值得试要分情况。如果目标是真正提高跨域不变性，先复制比值诊断，确认位移下降没有被 spread 下降解释，再看多种子是否同向。如果只是想稳定训练，先检查 spread 是否突然掉一个数量级，再看轮廓与 Fisher 比是否同步跌破下界。不要把自动指标当人评，不要把单种子最优当可部署收益，也不要把缩小当成不变。把每次改动都写成同一骨干、同一流程、多种子、多语料的配对比较，这篇论文的方法论价值就真正接住了。
📎 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