📄 电商多视频比较：AdsCVR 基准与主动找证据的 AdSeek
英文题目：Beyond Single Videos: Benchmarking and Active Evidence Seeking for E-Commerce Cross-Video Reasoning
标签：#音视频问答 | #强化学习 | #基准设计 | #数据集
评分：5.8/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 0.4/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Jinghan Zhao：机构信息未在 arXiv HTML 中可靠披露
- Yiman Hu：机构信息未在 arXiv HTML 中可靠披露
- Liang Wu：机构信息未在 arXiv HTML 中可靠披露
- Jian Xu：机构信息未在 arXiv HTML 中可靠披露
- Bo Zheng：Alibaba Group
📌 核心摘要
电商广告视频把产品演示、卖点讲解和促销信息压缩在几十秒内，信息分布在画面、语音和屏幕文字中，消费者与商家经常需要跨视频比较同类商品或营销手法，输入是两到四个可比视频加一个单选题，输出是选项答案，难点是决定性证据分散在不同视频、非连续时段和不同模态中，且被大量冗余帧淹没。论文先构建 AdsCVR 基准，经过过滤与分组形成多维度选择题，再让 AdSeek 智能体按比较目标多轮调用视觉与语音工具获取证据，最后用修正自举流程训练取证策略。初始强化学习暴露取证瓶颈，离线修正补齐缺失证据并改写错误推理，有监督微调把修正内化后，再做一轮强化学习精化策略。与已有单视频广告评测和均匀采样视频理解的区别在于，搜索范围按问题动态扩展到视频、时段、模态和区域，并在回答前对齐跨视频证据。在 AdsCVR 测试集上，混合训练的 AdSeek 准确率为 74.30%，高于 Qwen3-VL-8B-Instruct 基线的 46.40%，方向为越高越好，但仍低于 GPT-5.5 的 82.40% 和 Gemini 3.5 Flash 的 77.73%。结论适用于电商广告这类信息密集视频的细粒度比较，向通用跨视频任务的迁移仍需更多验证，原文报告了微调与强化学习所用计算单元数量，但未披露完整训练时长与推理延迟数值。
🔗 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
电商视频比较要解决什么输入输出问题？
这篇论文处理的是电商广告视频的跨视频比较。输入是一个问题加上 2 到 4 个视频，每个视频只有几十秒，但把产品演示、卖点口播和屏幕文字压在一起，信息密度很高。
输出是对单选题作答，要求模型说出哪个视频在某个方面不同或更好。必须保留的信息包括细粒度视觉细节、语音内容、时间顺序和商业意图，丢掉任何一类都可能答错。
举例来说，要判断哪个口红广告缺少真实上嘴试色，就必须同时看展示手法、听口播并对齐多个视频的对应片段。论文指出，已有的电商广告基准多为单视频理解，而通用跨视频基准又不聚焦广告的商业逻辑，因此需要一个新的基准与配套方法。
按原文证据，该基准经过过滤后包含 2483 个视频和 6110 个问答对，覆盖 86 个商品类别，训练与测试划分为 3110 与 3000 题。
已有单视频与通用跨视频路线差在哪里？
原文把相关工作分成视频理解基准、电商广告理解和视频多模态大模型 3 条线。单视频问答从内容与因果推理做到长上下文与第一视角，电商广告方向从消息象征、时序切分做到问答。
但 MM-AU、AdsQA 和 E-VAds 等都是 1 次看一个视频，不要求跨广告对齐证据。通用跨视频方向有 CrossVid、MVU-Eval 和 CVBench 等多视频集合，要求汇总分散证据，但在原文表 1 的对比中，它们不像 AdsCVR 那样同时覆盖时间理解与意图理解的电商比较。
方法上，早期视频模型靠均匀抽帧，容易漏掉短暂关键事件，后来出现按问题自适应选关键帧的智能体做法，AgentCVR 把它扩展到跨视频的脚本模拟强化学习。
本文的差异在于输入目标相同条件下的做法不同：同样面对多视频，AdSeek 强调在视频、时间段、模态和视觉区域 4 个尺度上主动选择工具，而不是固定上下文单次通过。
为什么跨视频后找证据变得更难？
把推理从一个视频扩展到多个视频，困难不是线性增加，而是要在海量冗余帧中定位不连续时间区间、分散在不同视频中的决定性证据。电商视频的干扰更大，因为画面、语音和屏幕文字同时出现。
关键区别可能只是一个试色动作、一句价格口播或一个转场功能。论文把这种比较组织成可比视频组，即共享叙事主体或商业意图、又在广告策略上存在细微差别的集合。
6 个维度分别考察同类细粒度区分、异常视频识别、商业意图、视觉呈现、叙事进程和视觉节奏。每类有自己的采样规则，例如异常检测用多个参考加一个异类，视觉构成要求创意标签相似度低于阈值。
时间结构要求覆盖不同分段数区间，信息密度要求镜头数差达到一定数量。
可比视频组 × 六个比较维度： 可比视频组指按规则凑成 2 到 4 个具有共同语境又存在细微差别的视频集合，六个比较维度指同类细粒度比较、异常检测、创意策略、视觉构成、时间结构和信息密度；前者是评测的基本单位，后者规定每组要比什么与怎么采样，两者组合后才能把商业分析意图转成可出题的对照条件。
只有满足这些采样条件，生成的题目才真正需要跨视频对齐，而不是靠单视频常识就能猜出。
AdSeek 的总体流程是什么？
AdSeek 的总体想法是把回答过程变成多轮取证循环。模型先拿到问题与轻量元数据，例如时长与分辨率，然后每一轮先写推理，再决定是调用感知工具还是直接给出答案。
工具返回文字观察后更新上下文，继续下一轮，直到给出答案或达到轮数上限。这种做法替代了静态均匀采样，因为它能根据比较目标过滤无关内容，再把跨视频证据对齐后作答。
图 1 直观对比了两种范式，上半是固定上下文单次给出泛泛建议，下半是引入参考视频并精确定位到展示位置、口播与价格等证据，给出更具体的优化建议，下文结合该图理解工具与训练细节。
看图路径： 1. 先看上半部分固定上下文单次通过的箭头与建议框，对比下半部分多轮循环的箭头；2. 再看目标视频与两个参考视频各自被框出的局部位置与对应文字说明；3. 最后看下方更丰富的参考价值与更精确的定位两个小框如何支撑右侧的具体建议
论文图 1。原论文 Figure 1:：“Single-video understanding versus active cross-video understanding.”。
从图中可见，上半箭头从目标视频进入固定上下文再单次进入多模态大模型，建议框内容空泛。下半有目标视频与两个参考视频，虚线把关键片段连到上下文、计划、工具与观察循环。
右侧列出 3 次按视频与时间定位的取证结果，下方两个小框分别强调参考价值更丰富与定位更精确。这种循环正是后文公式要形式化的多轮交互过程。
多轮交互中上下文与工具如何分工？
AdSeek 的交互状态由问题、元数据以及之前每一轮的推理、工具调用与观察组成。策略模型以当前上下文为条件，先产生本轮推理，再产生工具调用或最终答案。
工具执行后返回观察，拼接到上下文进入下一轮。感知动作空间只有两类工具，视觉工具需要指定视频编号、起止时间与关注提示，返回聚焦的文字描述。
音频工具需要指定视频编号与起止时间，返回该片段的语音转写。也就是说，视频内容只能通过工具看到，模型不能直接看到全部帧，这种设计迫使模型必须学会搜证。
跨视频推理 × 主动证据获取： 跨视频推理指同时看 2 到 4 个视频并比较差异，主动证据获取指不一次性均匀抽帧，而是根据问题多轮决定看哪个视频、哪段时间和哪种模态；前者提出要在冗余帧中对齐细粒度证据的需求，后者提供按需取证的分工，两者组合后模型能先过滤无关内容再作答。
上下文的扩展方式在原文中写成递推形式，先定义第轮的上下文包含此前全部历史。
\[h_{i}=(q,\mathcal{M},t_{1},a_{1},o_{1},\ldots,t_{i-1},a_{i-1},o_{i-1}),\]执行一步后把本轮三元组拼回去得到下一轮上下文。
\[h_{i+1}=(h_{i},t_{i},a_{i},o_{i}).\]完整轨迹则把从开始到最终答案的全部推理、动作与观察串起来。
\[\tau=(q,\mathcal{M},t_{1},a_{1},o_{1},\ldots,t_{n-1},a_{n-1},o_{n-1},t_{n},\hat{y}).\]下面解释两类工具为何必须同时保留。
frame_select × audio_select： frame_select 指指定视频编号与起止时间并给出关注提示后返回局部视觉描述，audio_select 指指定视频与起止时间后返回语音转写；前者负责画面细节如试色位置与镜头构成，后者负责口播价格与卖点，两者组合后才能覆盖电商视频中画面加语音加文字的密集信息。
消融显示只用视觉或只用语音都会明显掉点，且两者擅长的维度不同，合在一起才在 6 个维度上都最好，这支持了电商视频需要双模态对齐的判断。
离线轨迹修正如何发现缺证据与错推理？
只靠最终答案对错训练多轮工具使用会遇到长程归因困难，模型不知道中间哪一步错了。论文的离线修正专门补中间监督，分两类诊断。
第一类是观察充分性检查，把策略轨迹中已拿到的观察集合单独交给教师模型，在不允许再调工具的条件下试答，答错就说明缺视频、缺时间段或缺模态。
第二类是推理有效性检查，教师对照 3 条标准逐步打分，包括说法是否有观察支撑、结论证据是否充分、是否与前面轮次矛盾，任一风险超过阈值就标为有问题。
修正时不是直接用教师轨迹替换，而是针对诊断结果做定向补救，缺证据就把教师参考轨迹中缺的那条观察拼到学生上下文后让策略重写推理，推理偏了就用教师评语引导重写。
这样得到的修正轨迹保留了学生自己的上下文，更适合做监督微调。候选只选策略失败而教师在同样环境下成功的训练轨迹，用教师成功轨迹作为找缺口与改错的参照。
三阶段修正自举管线如何训练？
训练范式叫修正自举管线，分 3 个阶段。第一阶段是在线强化学习，用分组相对策略优化算法训练取证策略，每个输入采样一组轨迹，按答案正确性加少量格式分给奖励。
再做组内归一化算优势，用裁剪与散度惩罚更新。第二阶段是离线修正加监督微调，把原来成功与修正后成功的轨迹混成监督数据，只对助手产生的推理、工具调用与答案算损失。第 3 阶段再回到在线强化学习继续优化。
图 4 把推理与训练放在一起，上半展示三视频例子中先查画面再查语音的两步取证，下半左侧是带过滤与重采样的强化学习回路，右侧是把错误轨迹分成两路修正的流程，先看图再看公式的监督来源。
看图路径： 1. 先沿上半部分问题加三个视频到思考、工具调用与观察结果的横向链条看取证顺序；2. 再看下半部分左侧在线强化学习的采样过滤与奖励回路；3. 最后看右侧离线修正中观察集合与思考集合如何被分成证据不足与推理错误两路
论文图 4。原论文 Figure 4:：“AdSeek overview. (a) AdSeek’s multi-turn inference process, where reasoning guides tool use to actively acquire relevant evidence.”。
图中上半的思考框明确写出先确认外观再查价格的计划，工具框分别标出视觉定位与语音转写的参数与返回文字。下半左侧标出无工具与零方差两条过滤规则与重采样箭头。
右侧标出观察集合与思考集合进入诊断，再分两路追加观察或修正推理后做监督数据。这种结构对应了先用强化学习暴露瓶颈，再用修正数据校准偏差，最后再探索收敛的思路。
在线强化学习探索 × 离线轨迹修正： 在线强化学习探索指策略在交互环境中采样多条轨迹并只用最终答案正确性给奖励，离线轨迹修正指用教师模型检查失败轨迹的证据是否够用与推理是否成立并补证据改推理；前者负责暴露长程搜索中的瓶颈，后者负责给出中间步骤的直接监督，两者组合后先暴露偏差再校准偏差。
奖励把答案正确性与格式合在一起，格式权重较小。
\[R(\tau_{i})=R_{\mathrm{acc}}(\hat{y}_{i},y^{\star})+0.1R_{\mathrm{fmt}}(\tau_{i}).\]监督微调用掩码只学助手标记，上下文中的问题、元数据与观察不算损失，训练时不调用感知工具。
\[\mathcal{L}_{\mathrm{SFT}}(\theta)=-\mathbb{E}_{\tau\sim\mathcal{D}_{\mathrm{SFT}}}\left[\frac{\sum_{j=1}^{M}m_{j}\log\pi_{\theta}(z_{j}\mid z_{\lt j})}{\sum_{j=1}^{M}m_{j}}\right].\]下面这组概念解释为什么需要这种组合。
稀疏结果奖励 × 长程信用分配： 稀疏结果奖励指只在轨迹末尾根据答案对错与格式给分，长程信用分配指要判断中间哪次工具调用或哪步推理导致最终对错；前者是强化学习训练的监督形式，后者是它难以解决的归因问题，两者组合起来解释了为什么只靠结果奖励会让错误取证模式长期留存，从而需要离线修正补中间监督。
原文还报告过滤掉无有效工具调用的轨迹与奖励方差为零的组，并最多重采样 3 次以保证批次的信息量。
基准与实验条件是如何搭建的？
AdsCVR 的搭建分 3 步。先做视频过滤与多视角标注，提取元数据、语音转写与镜头边界，用视觉特征与压缩复杂度估计时间与空间复杂度。
去掉时长极端与视觉变化过小的视频，再去掉长尾类别并对大类降采样，得到 2483 个视频。接着用大模型从事件、对象、创意结构与商业逻辑 4 个视角生成密集标注，为分组与出题提供语义基础。
再按 6 个维度的规则组成 2 到 4 个视频的可比组，用模型生成单选题、选项、答案与文本线索。过滤分 3 层，先做无视频盲测去掉只看文字就能连续答对的题。
再要求验证模型只看线索能答对以保证可验证，最后用均匀抽帧的基线答题并随机丢掉一半答对的题以校准难度，最终得到 6110 对，训练 3110 与测试 3000。
策略骨干是 Qwen3-VL-8B-Instruct，感知用更小的视觉模型与语音模型，离线诊断与部分评测用更大的教师模型。域内在 AdsCVR 测试集上算准确率，域外在 CrossVid 的 10 个任务上算平均准确率，基线包括通用大模型与复现的 AgentCVR。
读下面这张搭建流程图时，注意三栏各自的输入输出内容与每层过滤分别去掉的题目类型，再对应到最终的训练测试划分。
看图路径： 1. 先看左中右三栏分别对应标注、分组与问答生成的输入输出；2. 再看中间栏六个维度标签与结构化规则如何汇成可比组；3. 最后看右栏三次过滤各自去掉哪类不合格问答对
论文图 2。原论文 Figure 2:：“AdsCVR construction pipeline. (a) Video Annotation: Raw videos undergo multimodal feature extraction and multidimensional captioning, followed by quality and category-balanced…”。
左栏显示数据增强与多视角标注如何汇成元数据、镜头分段、语音转写与密集标注，中栏显示 6 个维度标签与离散标签、数值统计、集合约束如何按规则拼成可比组。
右栏显示问答生成后盲测、证据可验证性与难度过滤分别去掉无视频可猜、证据不足与过于简单的题目，最终分成训练与测试。这种多层过滤是理解后文难度结论成立条件的基础。
域内主结果在什么条件下成立？
域内比较的问题是，在同样的 3000 题测试集与单选题准确率指标下，AdSeek 相对骨干与同类智能体能提升多少。公平条件是所有 AdSeek 变体都用同样的骨干，平均为 6 个维度的无加权均值。只用域内数据训练的 AdSeek 达到 73.57%，相对骨干提升 27.17 个百分点，并超过复现的 AgentCVR 约 2.52 个百分点；混合域外数据后达到 74.30%，相对骨干提升 27.90 个百分点，接近更大规模的 27B 模型。分阶段看，平均准确率逐步上升，恢复强化学习后的增量最大，信息密度与视觉构成两个需要细粒度定位的维度提升最明显。
图 3 的统计说明这种提升面对的是什么数据，左图显示 6 个维度与代表性商品类的关联，右上显示商业策略标签分布，右下显示每题视频总时长多集中在 60 到 180 秒。
看下面这张统计图时，重点确认数据覆盖与时长条件，再读主结果表，图中三部分分别对应维度与品类关联、策略标签分布与每题视频总时长分布。
看图路径： 1. 先看左图六个维度与十二类商品之间的流带宽窄表示的视频数量关系；2. 再看右上词云中推荐、解决问题、性价比等商业策略标签的大小；3. 最后看右下每题视频总时长直方图中 60 到 180 秒区间的三个高柱
论文图 3。原论文 Figure 3:：“AdsCVR dataset statistics. (a) Associations between the six evaluation dimensions and 12 representative product categories, with flow width indicating video count.”。
左图的流带宽度表示视频数量，说明每个维度都横跨多个品类而非只测单一商品，右上词云呈现商业策略标签的分布差异。右下直方图标出 30 到 60 秒 860 对、60 到 90 秒 1668 对、90 到 120 秒 1731 对、120 到 180 秒 1588 对，说明多数题目需要看 2 到 4 分钟的视频总量，这正是均匀抽帧容易漏证据而主动取证有优势的时长范围。
下表比较域内平均准确率，指标方向为越高越好，比较对象都是实际可运行的策略。
| 方法 | 平均准确率 | 条件说明 |
|---|---|---|
| Qwen3-VL-8B 骨干 | 46.40% | 均匀抽帧单次通过 |
| AdSeek 仅域内训练 | 73.57% | 同骨干多轮取证 |
| AdSeek 混合训练 | 74.30% | 域内加域外混合训练 |
从骨干到 AdSeek 的大幅提升表明多轮主动取证比均匀抽帧单次通过更能命中分散在多视频中的细粒度证据，混合训练又带来小幅增量。但结论只在 AdsCVR 的题目分布与单选题准确率下成立，不能直接推广到开放问答或人工评价。面对更大的闭源与 27B 模型，AdSeek 仍未全面超越，说明主动取证缩小了规模差距但没有完全抹平。附带的严格无重叠子集准确率更高，但那是另行抽取审计的子集，不能与主测试集数字直接比大小。
跨到通用视频后证据搜集还能用吗？
跨域比较的问题是，在电商之外、任务形式不同的 CrossVid 10 个任务上，同样的方法是否还比骨干好。条件是直接用混合训练的 AdSeek 去测，不再针对新域微调，指标仍是准确率的无加权平均。结果是 AdSeek 平均 31.55%，超过骨干约 2.08 个百分点，超过复现的 AgentCVR 约 3.31 个百分点，在 10 个任务中的 6 个上超过骨干。这支持证据搜集能力有一定迁移性，但绝对值远低于域内，说明通用跨视频任务更难或分布差异大。下表保留骨干、已有智能体与本方法三方，便于看迁移是相对提升而非绝对高分。
| Method | BU | NC | CC | PEA | PI | Average |
|---|---|---|---|---|---|---|
| Qwen3-VL-8B | 23.5 | 27.4 | 40.7 | 34.9 | 62.5 | 29.47 |
| AgentCVR (2026) | 27.6 | 37.5 | 48.9 | 30.1 | 50.2 | 28.24 |
| AdSeek (Stage 3, mixed) | 38.9 | 38.7 | 47.7 | 37.5 | 45.4 | 31.55 |
表后解释结果的边界。表中 Average 为原文 10 个任务的无加权均值、非显示 5 列的均值，完整 10 任务见原文表 4。AdSeek 在多个任务上领先，但在个别任务上仍低于骨干，例如开放问答类任务波动较大，说明主动取证的迁移不是每个子任务都赢。限制在于 CrossVid 的任务缩写与评分细节在正文中没有逐项展开教学，读者只能把平均值当作总体趋势，不能据此断言某一细粒度能力必然迁移。待验证的是若在通用域继续训练，差距是否会进一步拉大。
数据来源与双模态各自贡献多少？
消融要回答两个问题，一是训练数据换成域外会怎样，二是拿掉一个模态会怎样。数据方面，只用 AdsCVR 训练为 73.57%，只用 MVU-Eval 训练为 64.07%，两者相差 9.50 个百分点，支持领域数据对电商比较的价值。混合训练到 74.30%，增量主要来自同类比较与时间结构，而创意策略略有下降，说明混合总体有益但各维度效果不一。动作空间方面，只留视觉工具降到 63.97%，只留语音工具降到 65.03%，相对完整模型下降 10.33 与 9.27 个百分点。视觉独用在同类比较上相对好，语音独用在其余 5 个维度上相对好，但完整模型在 6 个维度上都超过两个受限版本，支持画面与语音互补的判断。
下表整理关键平均值，指标越高越好，均为同一 3000 题测试集上的准确率。
| 训练或工具条件 | 平均准确率 | 与完整模型关系 |
|---|---|---|
| 仅 MVU-Eval 训练 | 64.07% | 比仅域内低 9.50 个百分点 |
| 仅视觉工具 | 63.97% | 比完整模型低 10.33 个百分点 |
| 仅语音工具 | 65.03% | 比完整模型低 9.27 个百分点 |
表后补充代价与反例。双模态最好，但意味着每轮可能要调两类感知模型，推理延迟与训练开销都会上升。论文在局限中明确提到多轮工具调用与重复上下文处理会增加延迟，强化学习采样与教师修正会增加训练开销。未胜出项是混合数据并非所有维度都赢，创意策略维度混合后反而下降 1.0 个百分点，说明加数据不是无条件提升。
下表是严格审计子集与混合模型的对照，审计子集经过与训练集的视频重叠检查，样本约 1000 条。
| Variant | TS | CS | ID | IC | OD | VC | Average |
|---|---|---|---|---|---|---|---|
| Strictly audited test subset | 86.7 | 78.5 | 78.5 | 75.6 | 74.6 | 78.5 | 78.73 |
| AdSeek (mixed) | 77.0 | 73.4 | 70.8 | 75.6 | 74.8 | 74.2 | 74.30 |
该表显示审计子集平均 78.73%，高于主测试集的 74.30%，但两者样本量与难度分布不同，不能理解为方法在更严条件下反而更强，只能作为跨视频迁移稳健性的辅助证据。原文也说明 AdsCVR 本身是随机划分，审计是事后抽取检查，不能替代一开始就按视频不重叠划分的设计。
方法的代价与尚未评测的范围是什么？
论文明确的代价是计算与时间开销。推理时顺序工具调用与重复处理上下文会增加延迟，训练时强化学习多轨迹采样与教师引导的修正都会增加开销，未来需要更高效的工具调度与轻量感知模型。尚未评测的范围包括实际延迟、误判率的系统测量、开放式问答的人工评价，以及按视频严格不重叠从头划分后的完整基准表现。附录虽然给了严格审计子集，但那是事后抽取的约 1000 条，不能等同于重新划分的基准。另一个限制是结果都基于单选题准确率，自动指标不等于人工对建议有用性的评价。没有测量成本就不能承诺成本会改善，总体趋势也不能推广到每组视频或每一步取证。
复现第一步做什么与需要哪些条件？
复现先看任务定义与数据划分。输入是问题加 2 到 4 个视频与轻量元数据，输出是单选题答案，评测用测试集 3000 题的准确率，平均为 6 维度无加权均值。值得尝试的时机是手头有多视频比较任务，且关键证据分散在不同时间与模态，均匀抽帧经常漏掉细节。第一步应按原文 3 阶段搭建环境，先跑通多轮工具循环与两条过滤规则，再接入强化学习与离线修正。
关键超参数在附录中有记录，监督微调用较大学习率与多轮训练，强化学习用小学习率与固定调度，采样组大小与重试上限也有明确设置。需要补的验证是检查视频重叠、记录推理轮数与工具调用次数、分别报告视觉与语音的命中情况。关于资源，原文只说明作者资源当前没有可验证的公开链接，不得声称代码模型数据已公开，代码开源、权重可下载与系统可运行是三件不同的事，需分别确认。
什么时候值得尝试与还缺哪项验证？
综合来看，当比较目标明确、视频信息密集且证据分散时，主动取证的思路值得尝试，因为它把搜证放在作答之前，能过滤冗余并对齐跨视频细节。域内证据支持它相对骨干的大幅提升与相对同类智能体的小幅领先，域外证据支持迁移的总体趋势，但绝对分数与个别任务的波动提醒不要夸大。复现应从交互环境与评测划分做起，保留双模态与多阶段训练的完整链条，同时记录延迟与调用成本。
还缺的验证是严格不重叠划分下的完整评测、开放问答的人工评价，以及延迟与成本的定量报告。只有补上这些，才能判断该方法在真实电商分析链路中是否划算。容易产生的误解是把审计子集的高分当成主结果的提升，或把混合数据的小增益当成所有维度都变好，原文数字显示两者都不成立，应按条件理解结论。
📎 论文与评分元数据
排名：前50% | 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