📄 AuraLuxMuse：把音乐变成可上台的灯光线索
标签：#音乐分析 | #检索增强 | #数据集 | #音乐 | #混合专家模型
评分：5.8/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.7/1 | 影响力 0.4/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5
👥 作者与机构
- Junyu Deng：Fudan University, Shanghai, China
- Jiale Cao：Fudan University, Shanghai, China
- Mengtian Li：Fudan University, Shanghai, China；Shanghai Film Academy, Shanghai University, Shanghai, China
- Zhongxia Ji：Shanghai Theatre Academy, Shanghai, China
- Ruhua Chen：Shanghai Theatre Academy, Shanghai, China
- Yiyi He：Nanjing University of the Arts, Nanjing, China
- Guangnan Ye：Fudan University, Shanghai, China
- Zuo Hu：Shanghai Theatre Academy, Shanghai, China
📌 核心摘要
传统舞台灯光设计需人工分析音乐结构并逐个编写灯具指令，耗时且难复用，已有方法多只控制位置与强度，缺少对颜色、分区与节奏的表达。AuraLuxMuse的输入是一段音乐与可选的四维偏好向量，输出是一组可编辑的灯光线索序列与触发时间码，直接下发到灯光控制台而非生成像素。音乐与灯光线索先进入照明对齐音乐预训练学到的共享检索空间做对比对齐，音乐编码器输出的相似度用于查询专家编写的真实线索语料库。非因果时序卷积元数据预测器估计每窗事件密度并求和取整得到所需线索数K，该K与相似度共同决定后续检索的数量，偏好自适应混合专家再以门控集成为灯光表示注入偏好条件，系统按相似度与K做top-K检索并重定向到目标舞台灯具后下发执行。在Musilux检索策略比较的报告设置下，相似度检索的FID为4.89，低于随机检索的6.32，专家引导主观分EGSS为3.27，高于随机检索的2.71。在Musilux生成基线比较的报告设置下，AuraLuxMuse的EGSS为3.27，高于BART的1.89，平均推理时间为7.65秒/文件，低于BART的35.20秒/文件，但FID为4.89，高于BART的4.21。该结论仅适用于Musilux已测风格与虚拟仿真及专业实验室舞台，它不能创造语料库之外的灯具行为，对无清晰律动或剧本主导的材料仍需人工完成，未验证全流派总体泛化；报告配置下平均推理时间为7.65±0.98秒/文件，原文未披露训练计算量与硬件成本。
🔗 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
舞台灯光要解决什么麻烦
舞台灯光设计是把音乐里的氛围、节奏和情绪变成灯具动作的工作。传统做法是设计师先切分乐句、找过渡和节奏，再把音乐动机解释成主题概念，然后一台一台编灯，最后在控台上对时间码反复校准。论文说这套流程耗时耗力，每个线索都要从头编，复用率低，不同剧目之间质量波动大。已有机器学习方法多只控位置和亮度，缺少颜色、风格变化和时间节奏这些表现维度，也没有给出可直接上控台执行的灯具寻址指令。
AuraLuxMuse 的定位是离线预制作辅助：输入是一段音乐加一个可选的 4 维偏好向量，输出是一组可编辑的线索序列和时间码，不是渲染好的像素图。系统从语料库里找回专业人员写过的合法序列，再改编到目标舞台，这样既保留专家知识，又让设计师还能动手改。
已有路线为什么不够用
和音乐相关的生成工作大多做舞蹈动作或人体视频，输出的是像素或骨骼，不输出灯具地址和控台可执行参数，所以不能直接搬到舞台。灯光方向的研究多是渲染仿真、交互设计或按目标优化，需要人给目标或手动控台，没有做到按音乐直接检索可执行线索并同时按偏好改编。
检索增强生成提供了从外部知识库找例子的思路，音乐到音频的检索也有 CLAP、AudioCLIP 等对比学习工作，但它们对的是文本或图像这类连续语义空间，灯光是离散且受物理约束的参数空间，直接套用效果有限。混合专家结构在语言和语音里用来分工处理不同风格需求，论文借这个思想处理灯光里个人化的视觉词汇。比较时要注意输入、目标和运行阶段是否一致：像素生成和灯光检索的目标产物不同，不能把前者的画质分数当成后者的胜负。
输入输出和必须保留的信息
论文把任务形式化为偏好条件下的跨模态检索加适配。输入是连续音乐特征序列 M 和可选风格偏好向量 s，s 有 4 个分量，分别对应颜色、亮度、区域和节奏。输出是灯光序列 L，其中每个元素包含触发时间 Ti 和从语料库 C 中取回的线索参数 CSi，N 是估计的事件总数。举例说，给一段演出音乐和高节奏偏好，系统先用音频表示找时间上兼容的专业线索，再由数量估计器决定需要多少条空间上互补的序列，然后改偏好表示并做舞台映射，最后发给控台。
必须保留的信息有两类：一是时间对齐，不能错拍；二是灯具可执行性，包括强度、颜色、摇头、图案等属性必须落在目标灯具能力范围内。系统不做无约束的自由生成，冲突要在派发前解决。
系统整体是怎么跑通的
读图说明：这张对比图左侧是传统人工链路，右侧是新系统链路，重点看输入如何变成控台文件，以及偏好和语料库插在哪个环节。
看图路径： 1. 对比左侧传统路径中人工分析、分解与校准的位置；2. 看右侧新增的专家偏好输入与 Musilux 库的位置；3. 看从音乐输入到合成灯光的箭头主路径
论文图 1。原论文 Figure 1.：“Procedure Comparison: Traditional Stage Lighting Design vs.”。
图中右侧显示，输入音乐先做特征提取，同时读入专家偏好，两路进入分解环节的元数据预测和对齐模块，再到整合环节的元数据指示和灯光参数，最后进灯光控台生成合成灯光。左侧传统路径则要经过艺术家分析、结构与节奏与动机的分解，再做时间线与校准与颜色整合。论文的实际流水线是：音乐和灯光数据各自预处理，进入做对比学习的 LAMP，偏好表示经 PAMoE 注入；非因果时序卷积的元数据预测器给出 K 值；用余弦相似度在线索语料库查前 K 条。
冲突检查加舞台重映射后派发。训练时用时间对齐的音乐窗口和线索段联合嵌入，专业偏好标注监督 PAMoE 分支；推理时音乐加偏好直接查库，不训练新的生成器。
音乐和灯光如何对齐到同一空间
先沿一个样本走：取一段原始音乐窗口和时间上对齐的原始线索段，分别过音乐片段编码器和线索序列编码器，得到向量 Mi 和 Lj。音乐编码器用 VGGish 加多层感知机，灯光编码器用四头多头注意力的 Transformer。只用灯具活跃的帧组批，每批包含严格同音乐同时刻的强正对，还包含同场景同风格但不同时刻的软正对。强正对权重 1.0，软正对权重 0.3，温度系数为 0.07。目标是让匹配对的余弦相似度高，不匹配的低，同时允许同一节奏下多种灯光都算合理，避免把有效风格变化当错来罚。
\[\mathcal{L}=-\frac{1}{N}\sum_{i=1}^{N}\log\frac{\sum\limits_{p\in\mathcal{P}(i)}w_{i,p}\cdot\exp\left(\frac{\operatorname{sim}(M_{i},L_{p})}{\tau}\right)}{\sum\limits_{j=1}^{N}\exp\left(\frac{\operatorname{sim}(M_{i},L_{j})}{\tau}\right)}.\]上式是带多正例加权的对比损失，分子对该音乐的所有正例灯光加权求和，分母对批内所有灯光求和，N 是批量大小。相似度本身是余弦形式。
\[\operatorname{sim}(M_{i},L_{j})=\frac{M_{i}^{\top}L_{j}}{\lVert M_{i}\rVert_{2}\,\lVert L_{j}\rVert_{2}}.\]该式把两个向量点乘后除以各自二范数，落在负 1 到 1 之间。推理时就用这个相似度排序。消融显示 VGGish 加多层感知机配 Transformer 的组合对比损失最低，为 0.699，而去掉软对齐或偏好模块都会让分布距离和主观分变差。软权重取 0.3 时检索综合最好，取到 0.7 时分布距离会冲到 61.21，说明过度平滑会模糊判别边界。
看图路径： 1. 看左侧音乐与灯光两路预处理分别进入哪个编码器；2. 看中间 LAMP 对比损失连接音乐表示与灯光表示；3. 看下方 PAMoE 四个分支如何汇成增强特征
论文图 2。原论文 Figure 2.：“Overview of the AuraLuxMuse Pipeline.”。
这张总览图上半是结构分解、模态交互和合成 3 段，下半左侧是偏好混合细节，右侧是正负例矩阵；可见音乐经梅尔频谱图和 VGGish 编码，灯光经语料库和 Transformer 编码，两者在对比损失处交汇，K 值另路由元数据预测器控制检索条数。
Cue Sequence × Timecode： Cue Sequence 指控制每台灯具强度、颜色、朝向和图案等参数的结构化指令列表，Timecode 指触发每条序列的时间戳；前者管舞台长什么样，后者管什么时候变，两者配对才能被控台执行，组合后把抽象的灯光创意变成可定时播放的文件。
LAMP × PAMoE： LAMP 指把音乐片段和灯光序列映射到同一向量空间做对比学习的对齐模块，负责找和音乐语义合拍的线索；PAMoE 指用四个对称多层感知机分支按灯光内容和偏好向量加权混合的偏好适配模块，负责把检索偏向设计师想要的风格；前者解决跨模态对应，后者解决个性化，组合后实现按偏好条件检索。
数量和风格偏好如何控制检索
数量控制靠元数据预测器。它把 VGGish 帧特征切成 64 帧长、步长 4 的重叠窗口，用扩张 1 维卷积的非因果时序卷积加 Softplus 输出非负密度向量，对窗口内求和再四舍五入得到 Ks。这样把稀疏的离散时间戳变成平滑的密度监督，训练更稳，也保证预测数非负，还能同时看前后文。窗口级监督能抓住短时音乐与灯光依赖。消融里帧级多层感知机基线严重过预测，而时序卷积的平均绝对误差为 0.343，决定系数为 0.872，明显更贴近专业灯光的稀疏性。
风格控制靠 PAMoE。它有 4 个结构对称的多层感知机分支，对每条灯光序列都计算，不是事先指定谁管颜色谁管亮度。灯光门先对序列做均值池化给出数据依赖权重，偏好门把 4 维偏好每维变成 32 维嵌入再拼成 128 维后给出偏好依赖权重，两者按可学习的混合系数合成最终权重，再对 4 个分支输出加权得到增强特征。训练后分析发现颜色与第三个分支、亮度与第一个分支相关最强，但这只是观测到的关联，不是硬性分工，也没有辅助的专家专用损失。
偏好向量在推理时可由设计师调节，从而把检索引向符合意图的线索。下表是论文给出的风格维度与取值的对应，先看它能调什么，再理解门控为什么有意义。
下表比较 4 个风格维度各自覆盖的属性范围，用来确认偏好向量的每 1 维在取什么离散档位，指标方向是覆盖越全越便于控制。
| Lighting Styles | Attributes |
|---|---|
| Color Harmony | Joyful, Calm, Thrilled, Indifferent, Surprised, Confused, Depressed, Anxious, Angry, Fearful |
| Brightness Control | Dark, Dim, Moderate, Bright, Intense |
| Zone Distribution | Peripheral, Atmospheric, Neutral, Attention, Dominant Zone |
| Rhythmic Tempo | Static, Slow, Moderate, Fast, Rapid |
颜色有 10 种情绪映射，亮度、区域和节奏各 5 档，说明偏好不是连续滑杆而是有序档位；PAMoE 把每档变成向量再混合，正好对应这种离散但有序的控制。限制是 33 个已标注节目的标注者一致性没有测量，所以风格标签的可靠性存疑，门控相关性也只是辅助分析，不能当因果结论。
Metadata Predictor × K (required cue density)： Metadata Predictor 指从音乐窗口估计灯光事件密度的非因果时序卷积网络，输出每帧非负密度再求和；K 指该密度求和后四舍五入得到的需要检索的序列条数；前者把节奏快慢变成数量，后者决定检索器取前几条，组合后让数量随音乐动态变化。
Musilux 数据集如何建成
读图说明：这张流程图分三栏，重点看原始素材量、对齐方式和最终语料库规模，理解训练监督从哪里来。
看图路径： 1. 看第一栏收集的音频时长与灯光指令量标注；2. 看第二栏时间轴对齐如何汇成配对帧；3. 看第三栏语料库条目总数与行为数标注
论文图 3。原论文 Figure 3.：“Musilux Construction Procedure. Music and lighting cues are collected, aligned both within cue structures and across modalities, and then aggregated into the Cue Sequence Corpus…”。
图显示原始音频超 187 分钟、原始灯光指令超 80,000 条，经结构分解加嵌入与分帧对齐成配对帧，最后累积成 84854 条的线索序列语料库，覆盖最多 325 种行为。具体构成是 187 分 22 秒音乐加 8 万多条专业灯光指令，含 13 个舞台；演唱会 4666 秒含流行摇滚等子类，戏剧 3307 秒，综艺娱乐 3269 秒。对齐分两步：先把线索序列对到标注时间码，再把音频经短时傅里叶变换转梅尔尺度分帧，把时间戳映射到帧网格，灯光属性经映射网络变成连续张量。管理上建成 84854 条目的语料库，每条含多条灯具级指令。
划分上训练约 150 分钟，验证是每场景 2 个共 6 个节目并带人工参考，测试是 6 首未见曲目加未见舞台，属于受控的风格均衡检查，不是人口规模的泛化基准。亮度分档同时有感知描述和照度区间，下表给出具体 lux 范围，训练时灯光属性映射要用到这类物理先验。
下表比较亮度五档的感知描述与照度区间，用来确认亮度控制既有主观分档也有客观物理量，档位越高照度越大。
| Level | Description | Illuminance (lux) |
|---|---|---|
| Dark | Almost invisible | 0–20 |
| Dim | Barely visible | 20–100 |
| Moderate | Visually comfortable | 100–300 |
| Bright | Clear visibility | 300–700 |
| Intense | Extremely bright | 700+ |
从几乎不可见到极亮共 5 级，区间划分让偏好标注和灯具输出都能对到物理照度；但这只是标注依据，不代表系统输出自动满足照度合规，仍需控台兼容检查。数据集的局限是验证测试样本少，全长人工打分限制了样本量，t-SNE 之类的描述性证据也不能当独立泛化指标。
Cue Sequence Corpus × patching： Cue Sequence Corpus 指收集的 84854 条专家编写、可被控台执行的灯光序列仓库，覆盖 325 种灯具行为；patching 指把检索到的指令按空间位置和硬件能力指派到目标舞台灯具的改编过程，用 Kuhn–Munkres 算法解线性分配；前者保证输出合法可改，后者保证换舞台仍能装上，组合后实现检索加适配而非从零生成像素。
在什么条件下测效果
实验在单张 RTX 4090 上跑，元数据预测器用 Adam、学习率 0.001、窗口 64 帧步长 4，100 轮内早停；LAMP 优化 500 轮、学习率 0.0005；联合训练约 1 小时，预测器 10 到 20 分钟，全流程约 1.0 到 1.5 小时。评估分虚拟与实体：先用 GrandMA2 加 MA3D 渲染，再到实体控台和舞台验证，并有把检索指令按空间距离加硬件失配代价用 Kuhn–Munkres 指派到兼容灯具的映射机制。验证集提供人工参考用于主表，测试集用未见音乐加未见舞台。
客观指标用 FID，计算参考与输出在灯光编码器特征空间的均值协方差距离，越低表示分布越接近，但原文强调同一音乐可有多种合理解，FID 不是审美定论。主观指标用 EGSS，把专家平均分和普通观众平均分按权重融合。
\[\text{EGSS}=\lambda\cdot S_{\text{exp}}+(1-\lambda)\cdot S_{\text{non}},\quad\lambda\in[0,1].\]上式中 lambda 取 0.7，偏向专家但保留观众视角。专家维度是色彩和谐、亮度控制、区域分布、节奏和叙事性各 5 分制；普通观众看节奏对齐、主题贴切和视觉一致三项。用户研究有 40 位专家和 40 位普通观众，专家中 15% 是 21 到 24 岁有实践的学生，85% 是 35 到 45 岁的教师。打分看完整演出视频，随机匿名呈现。
FID × EGSS： FID 指生成图像与参考样本的特征分布差异指标，在本文是在灯光编码器特征空间计算参考与输出均值协方差距离，越低表示分布越接近；EGSS 指按 0.7 权重融合专家评分与普通观众评分的主观分；前者是表示空间的分布诊断，后者是人的观看评价，组合后互补，原文明确二者不可互换。
和人工设计比效果如何
读图说明：这张戏剧场景对比图上下两行是人工与模型在 5 个灯光事件的画面，底部是音乐特征条带，重点看同一时刻两者空间与颜色选择有何不同。
看图路径： 1. 对比上下两行同一事件的灯束颜色与覆盖区；2. 看底部音乐特征条带与事件标记的对应；3. 注意戏剧场景下两者选择不同但各有连续性
论文图 4。原论文 Figure 4.：“Qualitative Results. AuraLuxMuse and the manual design exhibit different spatial and temporal choices in the same Drama scenario; these examples illustrate scenario-dependent…”。
可见同一事件下人工多用红绿交叉光束，模型多用蓝色集中光束加两侧补光，时间连续性都在，但风格取向不同，图本身只说明场景相关可比，不证明普遍更优。下表比较 3 种场景下人工与系统在专家分、观众分和融合分上的差异，公平条件是同一验证节目与人工参考，FID 越低越接近参考分布，主观分越高越好。
| Scenario | Source | FID | 𝐒𝐞𝐱𝐩\mathbf{S_{exp}} ↑ | 𝐒𝐧𝐨𝐧\mathbf{S_{non}} | EGSS ↑ |
|---|---|---|---|---|---|
| Concert | Manual | 8.21 | 2.58 (1.33) | 4.31 (0.73) | 3.09 (1.15) |
| Concert | AuraLuxMuse | 8.21 | 3.65 (1.00) | 3.69 (0.88) | 3.66 (0.75) |
| Drama | Manual | 4.47 | 3.08 (1.10) | 4.03 (0.93) | 3.36 (1.04) |
| Drama | AuraLuxMuse | 4.47 | 2.71 (1.24) | 3.27 (1.11) | 2.88 (0.93) |
| Entertainment | Manual | 2.00 | 2.46 (1.25) | 3.31 (0.98) | 2.71 (1.16) |
| Entertainment | AuraLuxMuse | 2.00 | 3.21 (1.25) | 3.39 (1.13) | 3.26 (0.94) |
| Average | Manual | 4.89 | 2.71 (1.23) | 3.88 (0.88) | 3.05 (1.12) |
| Average | AuraLuxMuse | 4.89 | 3.19 (1.17) | 3.45 (1.05) | 3.27 (0.88) |
专家差值以系统减人工计，演唱会为 +1.075 且显著，综艺为 +0.748 且显著，戏剧为 -0.366 不显著，跨场景专家均值 +0.486 也不显著；普通观众总体偏向人工 -0.431 且显著；融合分只在演唱会和综艺显著占优，戏剧是人工更高，总体不显著。按配对计 72.5% 专家给系统更高，普通观众仅 40.0%。结论成立条件是这批验证节目和这套打分权重，换场景或换权重结论会变，且平均推理 7.65 秒是报告配置下的原型效率，不含全部部署开销。
相似度检索是否真有必要
下表比较 6 种检索策略在分布距离、检索精度和融合主观分上的表现，公平条件是共享同一专家语料库与元数据预测的 timing，FID 越低越好，精度与 EGSS 越高越好。
| Strategy | FID ↓ | Precision@5 ↑ | mAP ↑ | EGSS ↑ |
|---|---|---|---|---|
| Random | 6.32 | 0.07 | 0.03 | 2.71 (0.72) |
| Position-based | 25.14 | 0.07 | 0.04 | 1.98 (0.73) |
| Frequency-based | 16.32 | 0.07 | 0.03 | 2.44 (0.76) |
| Nearest-neighbor | 21.65 | 0.08 | 0.04 | 2.10 (0.73) |
| Rule-based | 6.61 | 0.06 | 0.02 | 2.81 (0.81) |
| Similarity-based | 4.89 | 0.17 | 0.10 | 3.27 (0.88) |
相似度检索在三项上都是六者最好，说明学到的音乐灯光对应确有增益；但随机检索因同样抽合法专家线索且有时机先验，主观分有 2.71，并非零分基线，它的弱项在语义，叙事性 2.70 对 3.64，而视觉一致差距较小。规则基线用时长与复杂度启发式分区再抽样，可执行可解释但不学对应关系。代价是相似度检索仍依赖库内覆盖，库外行为变不出来；位置与近邻等策略分布距离冲到 20 以上，说明简单启发式在该离散空间容易失效。跨曲风验证 6 种与测试 6 种的 EGSS 多在 2.7 到 3.6 之间，测试用未见舞台，说明有一定迁移，但样本小不能推广到所有流派。
拿掉关键部件会怎样
消融围绕三块展开。只用 PAMoE 不用软对齐时 FID 为 18.06，只用软对齐不用 PAMoE 时为 10.97，两者合用降到 4.89 且主观分最高，说明风格建模与多正例平滑是互补的。K 值用固定 1 或固定 10 都不如自适应动态 K，后者 FID 同样是 4.89 且融合分最高，因为单条序列往往只管一个舞台区域，太少盖不住，太多又冲突。灯光嵌入用属性映射优于独热编码，前者 FID 为 4.89，后者为 12.24，原因是预定义索引比高维稀疏二进制更易学。对比如 CLAP、SLAP 和 AudioCLIP 这类通用对比模型，AudioCLIP 是其中最强的，但系统的 Precision@5 为 0.17 仍最高。
对比自回归生成基线 T5、BART 等，生成模型的 FID 数值上甚至更低，但主观分只有 1.2 到 1.9，且单文件推理要 25 秒到 207 秒，还可能输出非法属性组合，而系统保持库内合法性且平均 7.65 秒。失败特征是对比设置不当会让对齐损失降不动，密度设置不当会让计数损失不稳，进而丢时间对齐或画面完整性。
哪些情况还做不好
论文明确系统是辅助设计，从固定专家库检索，所以库里没有的灯具行为或艺术结构就变不出来。没有清晰律动的音乐、只有剧本没有音频时间信号的材料、风格切换很快的曲目都难处理。验证测试量小，不能支撑人口规模的泛化结论。视觉上有时会过亮或发白，人物追光、叙事焦点变化等高层决策仍要人工编和终审。FID 只在所选编码器空间算距离，是不完美的客观诊断。
FID 与 EGSS 在 10 个变体上的 Pearson 相关不显著，Spearman 秩相关显著，但样本少且不含人工设计，只能算探索性关联。系统提供高效原型和可检查的候选，不替代专业判断和创意工作。来源未确认不是技术缺陷，本文也没有发现可验证的公开代码模型数据资源，不能声称已开源。
想复现第一步做什么
先按附录流程把 GrandMA2 的演出文件导出为 XML，再用脚本转成 JSON，确认能拿到带时间码的线索序列和分帧音乐。硬件上准备单张 RTX 4090 量级的环境，元数据预测器窗口 64 帧步长 4，LAMP 训练 500 轮，联合加预测器全流程约 1 到 1.5 小时。关键超参数要保留：对比温度 0.07，强正权重 1.0，软正权重 0.3，偏好每维 32 维拼成 128 维，lambda 取 0.7。评估要分开验证与测试：验证用带人工参考的留出节目，测试用未见曲加未见舞台，并在虚拟与实体两套环境都跑一遍映射与冲突解决。不要把搜索出的最优软权重或事后最优当成部署增益，那只是本数据上的选择。复现时先跑通检索加映射的最小链路，再加偏好门，不要一开始就调大模型。
什么时候值得试还缺什么验证
当任务是演唱会或综艺类、有明确节拍、目标舞台灯具与库内类别兼容，且需要快速出可编辑候选时值得试；戏剧叙事重、追光多或曲风跳变大时要谨慎，预期仍需大量人工改。第一步是拿一段自有音乐加一个 4 维偏好，在虚拟台上跑出前 K 条并检查冲突数与兼容性。还缺的验证是更大规模跨场馆的人评、风格标注者一致性测量、以及过曝率和时延成本的系统记录。
总体看，这项工作把未被充分建模的灯光模态做成可计算的检索对象，用对比对齐解决听觉视觉对应，用混合专家引入可调偏好，用密度估计解决数量问题；在已测场景下与人工有场景相关的可比性，但结论只在报告的语料、舞台和打分条件下成立。
📎 论文与评分元数据
排名：前50% | 文档类型：系统技术报告 | 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