📄 冻结立体声潜空间再摆方向：PLACE 以条件低秩变换生成双耳音频
英文题目：PLACE: Positional Latent Adaptation via Conditioned Embeddings for Binaural Audio Generation
标签：#空间音频渲染 | #Adapter | #视频到声音生成 | #空间音频信号 | #扩散模型
评分：6.4/10 | 创新 1.3/2 | 技术严谨 1/1.5 | 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
- Tiernon Riesenmy：机构信息未在 arXiv HTML 中可靠披露
- You Zhang：机构信息未在 arXiv HTML 中可靠披露
- Gautam Bhattacharya：机构信息未在 arXiv HTML 中可靠披露
- Andrea Fanelli：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
双耳音频生成需从文本、视场视频与可选音频的任意组合中同时恢复语义内容与耳间强度差和时间差，难点在于缺乏大规模配对三元组且立体声自编码器潜空间的空间线索微弱。PLACE沿用任意到音频模型AudioX与冻结的稳定音频开放自编码器，先以感知编码器核心特征增强视频流并经文本视频交叉注意力与联合自注意力得到帧级空间条件表示，再由该表示逐潜变量时间位置预测低秩变换因子与通道门控。推理时变换一次性作用于最终去噪潜变量并经冻结解码器输出44.1 kHz双耳波形，训练时则作用于随机时刻单步干净潜变量估计。训练分两阶段先微调扩散骨干再联合优化潜变量速度匹配损失与解码音频上的耳间强度差损失和耳间时间差损失。与先验工作相比，该方法不依赖外部大语言模型查询轨迹或一阶Ambisonics中间渲染，而是直接在潜空间注入条件化空间偏移。在FAIR-Play视频到音频评测设置下，PLACE的FSAD指标为15.2879，低于ViSAGe的FSAD指标15.9016。该结论仅适用于 10 秒短片段、音乐室与静态声源场景，对大幅运动声源与全生理时延范围外推尚未验证。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
要解决的是什么听感问题？
输入是文本、视场视频与可选音频的任意组合，目标是输出戴耳机可辨方向的双耳波形。论文强调必须保留的信息是左右耳之间的相对差异，而不是单通道音色本身。
初学者容易把响度大等同于质量好，但双耳任务首先要求方向与画面或描述一致，其次才要求音色自然。例如画面中声源在右侧，模型应当让右侧通道更早或更响，而不是只生成一段居中的干净声音，该例子仅用于理解方向一致性。
双耳音频 × 立体声音频： 双耳音频分工是承载与听者头部相关的方向线索，左右通道的电平差与时间差决定声源偏左还是偏右；立体声音频分工是提供双通道波形容器与潜空间形状，SAO 自编码器原生处理此类潜变量。PLACE 搭配理由是容器形状可直接复用，但容器本身不保证方向正确。组合意义是冻结容器与解码器，只加强潜变量中已部分保留的左右差异并与多模态输入对齐，把立体声生成器迁移为方向可控的双耳生成器。
原文把起点放在数据稀缺上。同时配对空间音频、视频与空间描述文本的数据体量不足，合成数据难以反映真实房间与遮挡，人工标注或人工修正大模型标注成本很高。
因此作者选择迁移已有任意到音频模型，而不是重做空间音频大模型。该选择决定了后文全部冻结与微调安排，也解释了方法为何表现为外挂适配器，而非全新扩散主干。
已有路线各缺了哪一块？
按相同输入、相同目标、相同运行阶段对照，论文点名的路线边界清晰。ViSAGe 从视频与相机方向生成 1 阶环境声，需要渲染为双耳才能评测，不支持灵活多模态空间控制。
FoleySpace 用估计的 3D 轨迹与单声道音频生成双耳，不支持文本输入。SpatialSonic 给定图像或文本生成空间立体声，最优性能依赖推理时外部大模型查询。另有统一模型或不支持空间描述文本，或以视频为主加可选空间文本路径。
这种对照不能直接读成整体强弱排序，因为输入条件、输出格式与是否需要外部查询并不一致。论文的判断是缺乏真正支持视频、文本、音频任意组合的双耳模型，而缺失原因首先是数据，其次是重训主干不现实。
PLACE 的定位因此是补 1 个数据高效的迁移方案，而不是在相同数据与相同输入下证明扩散主干本身更强。理解该定位，才能正确解读后文分布外比较的含义。
为什么选 AudioX 与 SAO 潜空间作为起点？
AudioX 是任意到音频框架，在预训练立体声自编码器 SAO 的潜空间上，用扩散变换器去噪生成音频潜变量，再经 SAO 解码器得到波形。条件来自多模态自适应融合模块，把 Synchformer 与逐帧 CLIP 视频特征、T5 文本特征与 SAO 音频潜变量融合成单一表示。
SAO 自编码器处理立体声，形状上正好是双耳需要的双通道，这是选它的形式理由。更关键的是预实验验证，作者把 2 段双耳录音经过 SAO 编码再解码，在 32 个等效矩形带宽频带上比较左右通道差异。
报告显示尽管波形重建不完美，解码音频基本保留空间宽度，侧通道能量变化至多 0.22 dB，左右电平差的 Pearson 系数在 0.95 到 0.96 之间，非正式试听也认为空间线索与输入一致。原文用这些观察支持把 SAO 潜变量作为双耳生成的基表示，含义是潜变量并非完全丢掉方向信息，值得在其上加强与对齐。
PLACE 如何走完从提示到双耳波形？
沿 1 个样本走一遍有助于建立全景。假设输入是 1 段 10 s 视场视频加 1 句包含左右方向的描述，视频先经过 CLIP、Synchformer 与新增 PE-Core 编码，文本经过 T5 编码，可选音频经过 SAO 编码。
这些特征一路进入 AudioX 的多模态融合与扩散主干，生成初步音频潜变量，另一路进入空间分支得到空间条件，再由空间潜适配器对初步潜变量做逐位置变换，最后经冻结 SAO 解码器得到左右 2 通道波形。推理时适配器只在最终去噪潜变量上作用 1 次，训练时则作用于从随机时刻单步估计的干净潜变量。
论文把贡献归纳为 4 项，分别是视频路由增加 PE-Core 特征、文本与视频在空间分支对齐、条件依赖的低秩潜变换、在解码音频上加声道间强度差与时间差监督。4 项前后相连，视频增强提供更空间的输入，对齐产生统一条件，适配器执行变换，声学损失提供可听监督。
下图是全文唯一可按像素核对的总览，阅读时先分清主生成路径与空间条件路径，再看融合与对齐的位置，全图包含 3 个面板与完整图例，信息密度较高需要分步查看。
看图路径： 1. 先沿面板 a 底部 5 个冻结编码器向上看 AudioX 与空间分支如何汇入变换再进入 SAO 解码器；2. 再看面板 b 中 PE 虚线框与 CLIP 和 Synchformer 投影相加后进入 MAF 的位置；3. 再看面板 c 中视频查询文本与文本查询视频的 2 条交叉注意力如何汇入联合自注意力；4. 最后核对图例中冻结灰色与可调深色以及蓝色视频与橙色文本的含义
论文图 1。原论文 Figure 1:：“Overview of our proposed PLACE framework.”。
从像素可见，面板 a 底部是 5 个编码器，中间是 AudioX 与空间特征对齐分别汇入变换，上方是 SAO 解码器输出左右波形，图例区分冻结编码器解码器、可调模块、蓝色视频与橙色文本。面板 b 显示 PE 投影虚线框与原视频特征相加后进入 MAF，文本与音频各自成路，输出 3 路融合特征再进入扩散变换器。面板 c 显示视频空间特征与文本特征互为查询键值的 2 条交叉注意力，再拼接做联合自注意力得到空间特征。这种画法对应空间分支与主融合分支并行存在，前者专管方向，后者保留原 AudioX 语义与同步能力。
视频与文本如何变成空间条件？
原 AudioX 视频路径的 Synchformer 与逐帧 CLIP 偏重图像编码，能刻画帧内物体组成，但对物体之间相对位置与声源跨帧移动表达不足，而这 2 点对双耳生成很关键。作者因此引入 PE-Core-G14-448，选型理由包括支持下游空间任务与较高的文本到视频检索分数。
未选 PE-Spatial 的原因是其 32 x 32 块网格在相同维度与精度下需要单全局描述符 1024 x 的存储，会把训练缓存从 GB 量级推到 TB 量级。新增特征的学习依赖后文空间对齐与声道间损失实现。
PE-Core 特征 × Synchformer 特征： PE-Core 特征分工是提供画面布局与跨帧运动信息，对声源在画面中的位置变化更敏感；Synchformer 特征分工是提供动作与音频同步相关的时序信息，对何时发声更敏感。原 AudioX 视频路由偏重帧内物体组成，对位置与移动表达不足。搭配理由是把何时发声与在何处发声相加后再送入融合与对齐。组合意义是让视频条件同时具备同步性与空间性。
空间对齐保留 T5 文本特征，新增 2 个投影层，1 个在 Synchformer 之后，另一个对 PE-Core 做时间重采样，视频路径变成两者相加。原文给出维度，Synchformer 特征是 240 x 768，PE 特征是 50 x 1280，投影后统一为 240 x 1280 的视频空间特征。
随后是 3 个 4 头注意力块，填充文本在作键或值时被掩蔽并投影到 1280 宽度，保留前同步长度位置得到 240 x 1280 的联合空间特征。纯文本提示时，用学习到的投影偏置与视频模态嵌入提供固定无视频初始化，再经注意力使空间表示随文本变化。关键是文本与视频始终在同一宽度与同一时间长度上交互，而不是各自独立加权。
适配器如何只改方向少改音色？
空间潜适配器的输入是上一步得到的空间条件，先线性重采样到潜变量长度，再经多层感知机预测每个潜时间位置的低秩因子与通道门控。形式上是对每个位置的潜向量先乘降维矩阵，再经激活乘升维矩阵，最后按通道门控加回残差。
瓶颈秩取 16，预测系数是 2 x 通道数 x 秩，远小于完整通道变换所需的通道数平方。低秩的用意是限制每次改动的自由度，使变换集中于方向相关的通道组合，而不是重写全部语义。
空间特征对齐 × 空间潜适配器： 空间特征对齐分工是把文本特征与视频特征通过注意力变成统一空间条件，解决方向信息来自哪一侧输入；空间潜适配器分工是把该条件映射为每个潜时间位置的低秩变换系数，解决如何改动已生成的音频潜变量。前者不直接改音频，只产生条件，后者不理解语义，只执行变换。搭配理由是形成条件到变换的单向链路。组合意义是让文本与视频中的方向描述最终落为对潜变量通道的逐位置低秩调整。
训练与推理的调用时机不同。推理时适配器作用于最终去噪潜变量再解码，避免在多步采样中反复干扰。训练时为避免完整采样轨迹，适配器作用于从随机时刻单步估计的干净潜变量。
原文用余弦噪声计划定义加噪与速度目标，再从带噪潜变量与网络预测速度反推干净潜估计，适配器变换该估计。高噪声步骤的声学损失会被噪声计划系数平方降权，因为此时估计与推理终点差距大，不应强监督。该安排把计算代价与监督有效性做了折中。
解码音频上的 2 个声学损失在算什么？
训练冻结全部 5 个预训练编码器与 SAO 解码器，先微调 AudioX，再接入空间模块联合训练。空间对齐块与适配器位于解码路径上，只经由声道间损失获得梯度，这是 2 个阶段安排的直接原因。
第 1 阶段只用潜匹配目标微调 10 个 epoch，更新线性与注意力层的 16 秩低秩适配器、门控网络与视频条件投影。第 2 阶段接入空间模块，在总目标下再训练 10 个 epoch，强度差与时间差权重均为 1，子批量为 6，总批量为 24，学习率为 3 x 10-5。
潜匹配目标是标准的速度预测均方误差，符号含义是原始潜变量、噪声、时刻与融合条件，网络预测速度与真实速度对齐。
\[\mathcal{L}_{\mathrm{lat}}=\mathbb{E}_{z_{0},\epsilon,t}\|v_{t}-v_{\theta}(z_{t},t,H_{c})\|_{2}^{2},\]上式单独看只是让 AudioX 学会在小数据上生成合理音频，不含方向监督，方向监督来自下面 2 个解码音频损失。
声道间强度差 × 声道间时间差： 声道间强度差分工是描述同一时刻左右耳能量的相对响度，是判断偏左还是偏右的主要线索；声道间时间差分工是描述同一波形到达左右耳的时间偏移，通过互相关结构反映方位。只监督响度会忽略延迟，只监督延迟会忽略响度。搭配理由是二者在解码波形上互补。组合意义是用 2 个可听域损失直接约束空间分支与适配器，使潜变换同时复现响度分布与延迟结构。
强度差损失比较预测与真值在每帧左右通道功率对数比上的差异，功率是帧内通道均值，能量加极小常数避免除零，差异按噪声计划系数平方加权后平均。
\[\mathcal{L}_{\mathrm{ILD}}=\frac{1}{N_{\mathrm{sub}}T}\sum_{i=1}^{N_{\mathrm{sub}}}\sum_{t=1}^{T}\alpha_{i}^{2}(D_{i,t}-D^{\mathrm{GT}}_{i,t})^{2},\]时间差损失比较预测与目标的广义互相关相位变换系数在滞后范围内的差异，滞后最大 13，对应原生 44.1 kHz、512 点窗、256 点跳下的正负 0.29 ms。相同分帧使目标适定，但只监督生理正负 0.8 ms 范围的中央部分，而评测指标在 16 kHz 下覆盖全范围，这一点在对比训练与评测时必须记住。
\[\mathcal{L}_{\mathrm{ITD}}=\frac{\displaystyle\sum_{i=1}^{N_{\mathrm{sub}}}\sum_{t=1}^{T}\sum_{k=-\tau_{\max}}^{\tau_{\max}}\alpha_{i}^{2}(R_{i,t}[k]-R^{\mathrm{GT}}_{i,t}[k])^{2}}{N_{\mathrm{sub}}T(2\tau_{\max}+1)},\]总目标是 3 项相加，权重均为 1。
\[\mathcal{L}=\mathcal{L}_{\mathrm{lat}}+\lambda_{\mathrm{ILD}}\mathcal{L}_{\mathrm{ILD}}+\lambda_{\mathrm{ITD}}\mathcal{L}_{\mathrm{ITD}}.\]为效率起见，2 个声学损失只在每批的子集上计算解码音频，但梯度仍能沿解码路径回到空间对齐与适配器，使监督作用在听者实际听到的波形上。
速度目标 × 干净潜估计： 速度目标分工是扩散训练中的回归目标，由噪声与原始潜变量线性组合定义，让去噪网络学会从带噪潜变量指向干净方向；干净潜估计分工是利用当前网络预测从带噪潜变量单步反推的原始潜变量，提供适配器在训练时可作用的代理输入。搭配理由是完整采样轨迹太贵，不能每步解码计算声学损失。组合意义是训练时在估计出的干净潜上加变换并解码监督，推理时把同一变换作用于真正采样终点。
在什么数据与基线上比较才算公平？
比较前需要先固定数据规模与任务划分，否则无法判断小数据迁移是否成立。训练数据是 MRSAudio 中的 MRSSound 子集，包含空间描述文本、视场视频与双耳音频的对齐三元组。分布外评测用 FAIR-Play 做视频到空间音频，用 BEWO-1M 单静态测试划分做文本到空间音频。
基线按任务分开，视频到音频基线是 ViSAGe，输出 1 阶环境声，需经球谐转换再到双耳渲染。文本到音频基线是 SpatialSonic，与本方法用相同文本编码器与音频自编码器。AudioX 作为自然基线贯穿对照。指标共 4 项且都是越低越好。
下表整理训练与评测的数据规模与划分，回答复现前先准备哪些数据的问题，表中数字来自原文连续句而非推算，条件列说明每个划分的片段形式与用途。
| 数据集 / 划分 | 训练前片段数 | 训练后 / 测试片段数 | 片段形式原文表述 | 用途 |
|---|---|---|---|---|
| MRSSound 训练集 | 12,057 | 24,114 | annotated 10s clips | 微调 PLACE |
| MRSAudio 留存集 | — | 596 | disjoint clips | 消融 |
| FAIR-Play 每个测试划分 | — | 187 | binaural recordings of musicians in a music room paired with field-of-view videos | 视频到空间音频分布外评测 |
| BEWO-1M SS-set 测试划分 | — | 4301 | text-spatial stereo audio pairs | 文本到空间音频分布外评测 |
该表的代价含义是训练量远小于基线。原文称 PLACE 训练数据约比 ViSAGe 少 3.4 x，比 BEWO 少至多 41 x，却要在对方分布上竞争。这个数据不对称是后文解读分布外结果的前提，胜利不能读成相同数据相同分布下的架构胜利，失败也不能直接归因于适配器无效，还需考虑分布偏移与渲染链路差异。
分布外客观指标支持什么不支持什么？
比较问题是小数据微调的模型在完全未见分布上能否保持空间一致性，公平条件是同一测试划分与同一指标实现，指标方向都是越低越好。下表是 FAIR-Play 中 3 个视频到音频划分的客观结果，包含立体声距离与声道间分布距离，文本到音频的 BEWO 结果在正文中另述而不混入此表，避免不同输入条件混放。
| FAIR-Play V2A | FAIR-Play V2A | FAIR-Play V2A | FAIR-Play V2A | FAIR-Play V2A |
|---|---|---|---|---|
| Split / Model | FSAD | ITD | ILD | SCLAP |
| 1 / ViSAGe | 15.9016 | 0.1136 | 2.1306 | – |
| 1 / PLACE | 15.2879 | 0.1077 | 2.0495 | – |
| 2 / ViSAGe | 14.8996 | 0.1133 | 2.0198 | – |
| 2 / PLACE | 14.3745 | 0.1217 | 1.9827 | – |
| 3 / ViSAGe | 14.2590 | 0.1228 | 2.1849 | – |
| 3 / PLACE | 13.8444 | 0.1116 | 2.1395 | – |
表后解释需要同时看到收益与反例。在视频到音频上，PLACE 在每个划分多数指标上优于 ViSAGe，具体是 3 个划分的立体声距离与强度差分布距离全部更低，时间差分布距离在第 1 与第 3 划分更低，但在第 2 划分上 ViSAGe 更低，这是必须保留的未胜出项。文本到音频上，原文报告 PLACE 在多数指标有竞争力但强度差分布距离落后，并在 SpatialCLAP 与真值差异上优于 SpatialSonic，尽管后者训练语料更大且分布更匹配测试集。客观证据支持数据高效迁移在视频任务上成立，在文本任务上只是部分成立，不能推广为所有空间指标全面领先。
哪些组件真正带来增益？
消融问题是完整 PLACE 的增益来自视频增强、声学损失、模态丢弃还是适配器本身，条件是同一 596 段 MRSAudio 留存集与同一 4 项指标，方向仍是越低越好。下表保留原文全部对照，包括只加低秩微调、无文本的音频视频条件、只加强度差损失、同时加双损失与模态丢弃等，最后一行是未做空间迁移的基座。
| Model | FSAD | ITD | ILD | SCLAP |
|---|---|---|---|---|
| PLACE | 5.14 | 0.11 | 1.98 | 0.04 |
| LoRA + PE | 6.30 | 0.11 | 2.17 | 0.18 |
| LoRA only† | 7.10 | 0.12 | 2.25 | 0.15 |
| LoRA + PE + I | 7.22 | 0.12 | 2.36 | 0.21 |
| LoRA + PE + I/T + MD | 8.96 | 0.13 | 2.58 | 0.23 |
| LoRA + PE† | 9.20 | 0.12 | 2.20 | 0.20 |
| AudioX (base) | 44.67 | 0.22 | 3.00 | 0.29 |
表后解读要按行对比。完整 PLACE 在 4 项上均为最好，立体声距离 5.14，时间差 0.11，强度差 1.98，空间对比差 0.04。仅低秩加 PE 而不加声学损失与丢弃是无适配器中的最好配置，说明视频增强本身有价值。只加低秩的无文本版本、只加强度差损失、加双损失与模态丢弃的版本都差于完整版，说明 2 个声学损失与适配器需要联合使用，单独加 1 项或错误组合反而退化。基座 AudioX 的立体声距离高达 44.67，证实不做空间迁移时分布差距极大。训练期模态丢弃以 0.1 概率独立丢文本视频音频，文本用空嵌入替代，其他流置零，但从不同时丢文本与视频，空间分支始终接收完整视频特征，这个细节解释了模型为何能处理任意组合输入。
还有哪些边界没有测到？
首先是监督范围的截断。训练时间差损失只覆盖正负 0.29 ms，而生理范围是正负 0.8 ms，评测覆盖全范围，这意味着大角度延迟的监督本身是不完整的，模型在极端方位的泛化属于待验证。
其次是基线链路不对等，ViSAGe 输出需经球谐到双耳渲染，渲染器版本与头相关传输函数选择会影响结果，不能把差距全部归因于生成器。再次是指标实现依赖自训检查点，立体声距离的检查点在 MRSAudio 上训练，对 MRSAudio 留存集更友好，跨数据集比较时需谨慎。
未测量项也要点名。原文未报告误判率、延迟、实时因子、推理显存与输出帧率，也未报告训练硬件预算，因此不能承诺这些量得到改善，总体趋势不等于每组每步都成立。资源状态方面，本次未发现来源绑定且完成验证的资源，不得声称代码模型或数据已公开，复现只能按论文文字与超参数重做。最后是听感样本量小，分布内视频组每条件仅 10 个评分，跳过样本还会减少计数，结论应限定为该协议下的偏好，而非普遍听感定论。
要复现应先固定哪些实现细节？
先固定数据构造。取 MRSSound 子集，按联合镜像视频、交换左右通道、替换方向词把 12057 段扩为 24114 段 10 s 片段，留 596 段不相交做消融。视频空文本用空字符串嵌入，训练期模态丢弃对文本视频音频各以 0.1 独立丢弃，文本用空嵌入替代，其他置零，不同时丢文本与视频，空间分支始终用完整视频。
再固定冻结与更新。冻结 5 个预训练编码器与 SAO 解码器，第 1 阶段只用潜匹配目标微调 10 轮，更新 16 秩低秩适配器、门控网络与视频投影，第 2 阶段接入空间模块在总损失下再训 10 轮，强度差与时间差权重均为 1，子批量 6，总批量 24，学习率 3 x 10-5。音频按原生 44.1 kHz 解码，512 点窗、256 点跳提功率与互相关，滞后最大 13。推理时适配器只作用于最终去噪潜变量 1 次。
评测时固定渲染与指标实现。ViSAGe 输出用指定版本渲染与 NH12 头相关传输函数，立体声距离用 MRSAudio 自训检查点，强度差时间差按原文分帧与 Wasserstein 聚合，SpatialCLAP 报告与真值相似度差。先跑通 AudioX 基座与 ViSAGe 渲染链路，再接入 PE-Core 与空间分支，最后加声学损失，任何一步指标异常都应先查分帧采样率与渲染配置，而不是直接调大适配器秩。
何时值得尝试 PLACE 式的迁移？
当已有高质量立体声生成器与少量对齐双耳三元组，而目标是任意组合的文本视频音频到双耳时，PLACE 式的冻结加低秩加解码声学监督值得尝试。它的可复述方法是增强视频空间特征，对齐文本视频得到统一条件，用低秩变换改潜变量，用解码后可听的强度差与时间差约束方向。
证据显示该路径在视频分布外任务上最稳，在分布外文本上空间相关听感占优，但在分布内模糊描述上可能输给大语料基线。主观评价中 PLACE 在 2 个视频组全部 5 个维度领先，在分布外文本组 4 个维度领先，分布内文本组则整体落后，客观分布距离的改善不等于每段听感都赢。
还需补的验证是极端方位延迟、不同头相关传输函数下的渲染鲁棒性、自训距离指标之外的第三方指标，以及更大规模听感与延迟成本测量。教学上最易误解的是把低秩当成性能证明，实际上低秩只是限制改动自由度的手段，效果来自条件质量与声学监督共同作用。记住冻结不等于输出确定，扩散采样仍有随机性，同一提示多次运行的方向一致性本身就是值得单独报告的稳定性指标。
📎 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