📄 上下文先验让神经解码更准，也让剩下的错误更自信
英文题目：Confidence-Ordering Reversal under Contextual Priors in Neural Decoding
标签：#言语神经解码 | #不确定性估计与校准 | #统计分析 | #脑信号
评分：6.1/10 | 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 0.8/1.5 | 开源 0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.5/1.5
👥 作者与机构
- Xinyu Zhang：KTH
- Sichao Liu：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
任务是从脑磁图时间窗中检索对应语音片段，输入是与当前词对齐的脑磁图窗及此前窗口构成的历史，输出是固定候选池中的首位预测及其置信度，难点是局部神经证据较弱时上下文先验会主导选择并重塑分数。局部解码器先对全部候选打分，历史累积先验或语言模型先验再给出同候选集上的先验分，两路分数以加性浅融合相加得到融合分，融合后前两名分差即融合边距被当作置信度读数。与只看融合后准确率或文本相似度的已有工作不同，本文把初始错误分为融合后纠正的修复和仍未纠正的残留错误，并按正确候选的初始名次分组比较置信度排序。在采用历史累积先验的MEG-MASC评测中，汇总正确性的AUROC为0.87，而区分修复与残留错误的AUROC从初始名次2–3处的0.70降至名次21–50处的0.39，初始名次20之后的残留错误占融合后全部错误的46.6%。在同一MEG-MASC评测中，保留局部和先验两路分数训练的完整估计器与仅用融合边距的基线相比，在覆盖率同为92.24%时输出率从56.7%提高到74.5%。该反转在MOUS上同样出现，而仅改变融合权重的因果干预会把正序边界推向更深名次，在词级语言模型先验下正序扩张可持续到准确率增益见顶之后，因此按准确率选出的权重不能保证置信度排序，选择性输出的比较仅在MEG-MASC上验证。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
这篇论文在做什么离线语音检索任务
任务的输入是一个与单词对齐的 3 秒脑磁时间窗，目标是从固定的候选音频池中找到与当前窗对应的正确片段。MEG-MASC 是英语 27 人 208 通道约 56.2 小时、1464 个候选，MOUS 是荷兰语 96 人 272 通道约 80.9 小时、825 个候选。局部解码器把神经窗映射成时间分辨的语音表示，再与冻结的 wav2vec2-large-xlsr-53 音频表示做内积得到局部分数。评测用刺激身份划分，保证测试的片段在局部解码器训练时没见过，属于零样本检索。输出是取分最高的候选作为首位预测，准确率用 R@1 衡量。
必须保留的信息是两路分数各自的来源：当前窗的神经证据和之前窗的历史上下文，因为论文要追踪先验改了哪个候选、又如何改变了置信度。如果只看最终文本相似度或准确率，就看不到剩下的错误是否变得更自信，也无法判断哪些输出值得复查。
已有路线如何用上下文与置信度
一条路线是用上下文先验补神经预测的不足，包括句子级上下文、语言模型辅助和脑机拼写中的语言支持，弱神经证据时上下文会主导最终选择。另一条路线是把置信度用于选择性输出、语言模型辅助和 P300 融合后的错误检测，而语音识别中的浅层融合已有提高识别却损害置信度的报告。还有工作把神经贡献与上下文增益分开归因，指出非侵入系统可能生成流利但内容不对的句子。
本文与它们输入和目标不同：它不追求新的解码器结构，而是在固定候选池和可分离的两路分数下，研究同一个加性融合既改变预测又改变评判分数时，修正结局的置信排序如何随初始排名变化。因此不能把本文的排序反转直接等同于一般意义上的模型校准不好，它特指在初始错误内部，融合分差对修正与残留错误的排序方向发生了翻转。
为什么总体正确率高仍可能漏掉自信的错误
上下文先验通过重塑候选分数提高准确率，但置信度也是从重塑后的同一分数读出的。论文把初始错误的两种结局分开：融合后变对叫修正，仍错叫残留错误；初始对的变错叫退化。关键发现是总体正确性 AUROC 在 MEG-MASC 可达 0.872，却掩盖了组内相反的排序：在正确候选初始排名 2-3 时大分差更可能是修正，在排名 21-50 时大分差反而更可能是残留错误。深层残留错误占比不小，初始排名 20 以后的残留错误占融合后全部错误的 46.6%。在持续使用的脑机接口里，如果置信度决定哪些输出被标记复查，那么这种深层的高分差残留错误就会不被标记而留给用户自己发现。
修正 × 残留错误： 修正指局部预测本来排错、融合后排对的窗口，残留错误指融合后仍然排错的窗口，二者都是从初始错误出发的两种修正结局。把它们放在同一初始排名组里比较，才能问置信度是否把能修好的排在修不好的前面；组合的意义是把准确率提升拆成修好多少与修错多少，并暴露总体正确率很高时仍存在的排序反转。
两路分数如何相加与如何度量置信
整体流程是局部编码器给当前窗打分，上下文先验根据之前历史给同一候选池打分，再以权重加权相加得到融合分数，取最高分作为融合预测。先验在较粗粒度上起作用，映射到同一句子或同一词的多个候选共享同一个先验分，因此融合不能改变桶内局部顺序，只能改变桶间竞争。置信度用前二分差衡量，即最高分与第二高分的差，等于对应 softmax 前 2 名对数几率。
融合前分差、融合后分差和先验自身分差分别在各自分数向量上计算，先验分差在分数广播到候选之前按不同句子或词条计算。评价时按正确候选的初始排名分组为 2-3、4-5、6-10、11-20、21-50，词级扫描再加 51-100 组，用修正分离 AUROC 衡量置信度把修正排在残留错误前面的概率，高于 0.5 为正排序，低于 0.5 为负排序。有效修正 reach 取修正中初始排名的 90 分位数，独立于置信分数概括修正分布能到多深。
读图说明：下面这张示意图把局部路径、先验分支、融合加法和两种分差放在一张图里，适合对照输入经过各组件得到输出的顺序看，右侧数字为示意，真实个例在原文表中。
看图路径： 1. 沿左侧脑磁波形到局部编码器再到局部分数，确认当前窗的输入路径；2. 看上方上下文模型到先验分数的分支，注意多个候选共享同一先验分；3. 比较融合前正确星标排 40 与融合后排 7，同时看分差从 0.3 到 0.8 的变化
论文图 1。原论文 Figure 1:：“Contextual fusion can make an error more confident.”。
图 1 显示左侧 3 个时间窗依次进入局部编码器，当前加框窗得到局部分数，星标正确候选初始排 40，分差 0.3；上方上下文模型给出先验分数，同一行多个候选共享 0.9；中间加号按权重 2 相加后，正确星标升到第 7 但预测仍错，而融合分差从 0.3 涨到 0.8。图中还区分了先验分差指向干预置信度、融合分差指向输出置信度，说明两路证据在融合后被压成了一个领先幅度。
\[R_{90}=Q_{0.90}\!\left(r_{t}^{0}\mid\hat{y}_{t}\neq y_{t},\ \tilde{y}_{t}=y_{t}\right).\]初始排名 × 有效修正 reach： 初始排名指正确候选在局部分数中的名次，反映神经证据一开始差多远；有效修正 reach 指所有修正中初始排名的 90 分位数，概括修正一般能从多深的地方捞回正确答案。二者搭配的原因是只看平均准确率看不到修正分布，而把反转边界与 reach 放在一起，才能检验加大先验权重是否把正排序推向更深的排名。
局部打分与历史累积先验各负责什么
局部组件负责把当前脑磁窗变成对 1464 或 825 个候选的实数分数，训练用匹配窗正样本和批内负样本，以验证损失早停，每个数据集独立训练 3 个局部解码器以看波动。主先验是历史累积先验，只用之前窗的信息：把同源句子的候选组成桶，按词 onset 顺序累积局部支持，用更新率 0.1 做指数滑动平均，保留最多 4 个活跃桶并广播给桶内候选，验证选出融合权重 2.7。另有语言模型先验，用 Qwen3-4B-Base 给候选句平均每词对数似然或对齐词的对数概率，历史分自由生成与教师强制两种。
还有硬桶剪枝，只保留历史状态前 4 桶而不加分。所有先验共享一点：同条目候选先验分相同。干预时只变权重，局部与先验分数、历史、候选和测试窗都固定，每个权重重新算预测和结局标签。
局部分数 × 上下文先验分数： 局部分数指当前脑磁时间窗编码器对每个候选音频的打分，只反映当前神经证据；上下文先验分数指由之前时间窗历史推出的对同一候选池的打分，反映语言或句子层面的期待。二者相加做浅层融合后才决定最终排序，之所以搭配，是因为局部证据常常噪声大、排不准，而先验能把同句候选整体抬高；组合后既改变了谁排第一，也改变了用来读置信度的分差。
融合后前二分差 × 先验自身分差： 融合后前二分差指融合分数中第一名与第二名的差，是本文用作置信度的主指标；先验自身分差指只在先验分数自己的条目上算的第一与第二之差，还没有和局部竞争混合。前者记录赢了多少，后者记录上下文更支持哪个句子或词；正因为前者把局部竞争和先验支持混成一个数字，才会在深层排名处反转，而后者保留了修正来自哪一路的信息。
\[\operatorname{AUROC}_{\mathrm{repair},\mathcal{B}}(z)=\Pr(z_{r}>z_{e})+\tfrac{1}{2}\Pr(z_{r}=z_{e}).\]修正与残留错误的分差是如何形成的
论文的分数层解释比较了两类结局形成最终领先的方式。修正要先补上正确候选的初始分差，因此它的最终分差受剩余上下文优势限制，分差上限随初始分差增大而变小。残留错误则可以在两个错误候选之间拉开大分差，即使正确候选还在后面。数据上残留错误中正确候选是亚军的比例从初始排名 2-3 时的 75.2% 降到 21-50 时的 2.1%，说明深层分差大多在比较两个错误候选。这就解释了先验如何在把正确候选从 40 名推到第 7 名的同时，让错误赢家的分差从 0.07 涨到 3.54。
范围界在历史累积下能证明 21 个负排序格中的 16 个，但在词级教师强制先验下只能证明 29 个中的 1 个，因为词级分数全距远大于正确候选相对最强局部竞争者的先验优势，界本身不蕴含反转，还需看残留分差的分布。
本文训练了什么又冻结了什么
本文没有为融合本身训练新权重，局部神经编码器是按原文框架独立训练的，音频目标表示冻结，候选分数以内积计算并缓存，供所有干预共用。历史累积先验的状态更新与语言模型打分都是按规则构造或调用已有模型推理得到，不做梯度更新；融合权重与更新率等运行点在验证集上选择，主设置为历史累积权重 2.7 与更新率 0.1，词级自由生成与教师强制分别选 0.15 和 0.5。
置信估计器是另一类有训练的部分：两层每层 32 单元的多层感知机预测融合后 top-K 包含成功，K 取 1、3、5、10、20，在验证数据上按呈现分组做五折训练并做逐头温度校准，测试时取最小满足阈值的集合或弃答。原文未报告训练硬件与耗时缺的是哪一项，本文不从模型名猜测实现细节，无训练不等价于确定性求解。
数据集划分与统计如何保证可比
MEG-MASC 有 71736 个测试窗、6027 个句子呈现，候选 1464 来自 123 个句子；刺激身份按 70/10/20 划分训练验证测试，同身份同划分，与测试窗同音频文件的训练验证窗被移除。呈现定义先验重置与句子重采样单元，查询句呈现与词 onset 由刺激时间确定。估计先在每个局部解码器内算再平均，修正分离格要求每个解码器至少 5 个修正才报告；不确定性分三层：四分位修好率用 Wilson 区间，句子簇自助支持比值对比，参与者自助在 27 人与 96 人上共享重采样比较权重、分组与置信度量。
结局标签在每个权重下重算，因此固定的融合前与先验分数也会有变化的 AUROC。呈现首窗无活跃桶、先验为零的仍计为残留错误，剔除它们最多把先验 AUROC 降 0.05，对融合分差影响不超过 0.004。
融合分差的排序在哪个位置发生反转
下面先看主运行点的总体与分组对照：在 MEG-MASC 上总体正确性 AUROC 为 0.872，但初始错误内部的修好分离 AUROC 从 2-3 名的 0.704 降到 21-50 名的 0.392，全部初始错误合在一起为 0.646，说明分组暴露了被 pooled 指标掩盖的相反排序。同一结局下融合前分差在 5 组都是 0.30-0.33 的负排序，因此靠前的正排序是融合本身造成的。
| Dataset | Language | Participants | Sensors | Hours | Candidates | Local | Fused |
|---|---|---|---|---|---|---|---|
| MEG-MASC | English | 27 | 208 | 56.2 | 1,464 | 44.42 | 58.82 |
| MOUS | Dutch | 96 | 272 | 80.9 | 825 | 21.72 | 29.98 |
上表比较 2 个数据集的规模与 R@1：MEG-MASC 局部 44.42% 到融合 58.82%，MOUS 局部 21.72% 到融合 29.98%，说明先验确实带来准确率增益，但增益大小不同，后续排序反转却在两套数据上都出现，因此反转不是单数据集偶然。代价是深层残留错误的堆积，MOUS 在 21-50 组每解码器平均仅 13 个修正，估计更不稳定。
读图说明：下图用四分位修好率与 AUROC 曲线展示反转，左中两面板纵轴尺度不同，右面板 0.5 为机会线，适合先看趋势方向再看穿越位置。
看图路径： 1. 先看 A 组融合前两条灰线都随分差增大而修好率下降；2. 再看 B 组融合后排名 2-3 上升、排名 21-50 下降的相反走向；3. 最后看 C 组融合分差曲线穿过 0.5，而先验分差始终在 0.5 之上
论文图 2。原论文 Figure 2:：“Confidence ordering reverses as the correct candidate starts lower in the local ranking.”。
图 2 的 A 显示融合前修好率随分差增大而下降，两组一致；B 显示融合后 2-3 名从最小到最大四分位修好率从 42.44% 升到 84.39%，而 21-50 名从 1.37% 降到 0.55%，句子簇自助支持两端对比，6-10 组比值区间包含 1 为过渡带。C 显示融合分差从正到负穿过机会线，先验分差在 MEG-MASC 5 组为 0.819-0.937、MOUS 为 0.84-0.99，始终为正。MOUS 从 0.62 降到 0.41，6-10 与 11-20 区间在 0.5 之下，21-50 区间因样本少跨过 0.5。
看图路径： 1. 按行区分修正、改错、保持正确与残留错误四种结局；2. 每行对比左列局部排序与右列融合排序中星标位置的移动；3. 重点看最后一行正确候选从 40 升到 7 但最高峰仍是错误候选
论文图 4。原论文 Figure 4:：“Candidate scores before and after contextual fusion.”。
图 4 按行给出 4 种真实窗的全部候选分数轮廓，横轴为按句分组的候选序号，纵轴为相对初始局部赢家的分数。最后一行残留错误正确星标从 40 升到 7，但最高峰仍是错误候选，直观对应分差比较对象已从正确对错误变成错误对错误。
输出置信度 × 干预置信度： 输出置信度判断融合后的输出是否正确、输出集合是否包含正确答案；干预置信度判断上下文修正相对局部预测是否带来了收益，即修好的概率减去把对的改错的概率。前者对应要不要输出，后者对应上下文是否帮了忙；本文估计器主要学前者，但讨论指出完整决策还需要后者，因为修好与本来就对共享最终正确标签，却只有前者体现了改进。
反转是否只在句子内或可修子集中出现
为检验反转是否由跨句子难度差异造成，论文把修正与残留错误配对到同一呈现内比较，融合分差在 10 名以上从跨呈现的 0.415 变为呈现内的 0.344，仍为负排序，先验分差 5 组保持正向。结构上可修要求正确候选是其桶内局部最高，因为同桶共享先验分、融合不改变桶内顺序；该子集在 2-3 名占初始错误的 98.6%、在 21-50 名占 72.5% 且包含全部修正，限制到该子集最多改变融合 AUROC0.004 且不改变边界。其他融合分数摘要如熵、句质量差与集中度在 21-50 名也为 0.36、0.46、0.43 的负排序，说明反转不限于分差一种读法。以下分表给出呈现内配对的直接证据。
待比较的问题是同一呈现内先验分差能否仍区分两种结局，公平条件是使用相同配对与结局标签，指标方向仍是高于 0.5 偏向修正。
| Confidence measure | 2–3 | 4–5 | 6–10 | 11–20 | 21–50 | 11+ |
|---|---|---|---|---|---|---|
| Fused margin | 0.672 | 0.520 | 0.404 | 0.357 | 0.284 | 0.344 |
| Pre-fusion margin | 0.284 | 0.276 | 0.256 | 0.242 | 0.204 | 0.268 |
| Prior margin | 0.757 | 0.686 | 0.644 | 0.658 | 0.719 | 0.694 |
| Comparison pairs | 6,457 | 1,279 | 1,308 | 326 | 58 | 1,097 |
上表显示呈现内融合分差在 2-3 名 0.672、4-5 名 0.520，到 6-10 名 0.404、11-20 名 0.357、21-50 名 0.284，11 名以上合在一起 0.344；融合前分差全组 0.2 左右为负，先验分差全组 0.644-0.757 为正。限制是深层配对仅 58 对，估计噪声大，但方向与跨呈现一致，且先验分差未反转，支持融合把两路信息压成一个数字才是反转来源。未胜出项是 6-10 组已转负，说明边界在呈现内更靠前。
只改变融合权重会把反转推向多深
因果干预固定两路分数只扫权重，历史累积从 0.5 到 4.0 共 8 个权重，有效修正 reach 从 3.0 增至 9.3，最深正排序组从无经 2-3、4-5、6-10 到 11-20 单调推进，在 1000 次参与者自助中从不后退。同一标签下融合前分差 32 格始终 0.111-0.378 为负，先验分差 0.724-0.937 为正。按初始分差五等份分组时，最深正排序从无到第四组，修正分差 90 分位数从 0.61 增至 3.24 分，第 5 组在 4.0 时仍为负。词级教师强制先验从 0.05 到 1 把正排序从无推到 100 名内全组为正，reach 从 3.0 到 19.3；但准确率增益在 0.5 时 11.20 个百分点、1 时回落到 9.16 个百分点，说明排序继续扩张时增益已过峰。自由生成在 0.15 时 reach3.0 增益 1.25 个百分点且无正组，到 0.5 时 2-3 名 0.539 而其余为负、增益已为负，大权重下符号多次变化。
读图说明：下图 A 看权重扫、B 看 6 种干预的验证运行点、C 看边界与 reach 的关系，C 中箭头为权重增大方向，虚线为对数拟合，底部色带表示无正排序。
看图路径： 1. 看 A 中随融合权重增大蓝色曲线整体上移且正排序向右扩展；2. 看 B 中句子级与词级、教师强制与自由生成的曲线位置差异；3. 看 C 中反转边界随有效修正 reach 向右上移动的对应关系
论文图 3。原论文 Figure 3:：“Changing prior contribution moves the confidence-ordering structure.”。
图 3 的 A 显示深色大权重曲线更高且更靠右，灰色融合前分差始终在机会线下；B 显示硬桶剪枝与句级教师强制 reach 约 15.3 与 15.7 且正排序到 11-20，而历史累积与词级教师强制增益相近但边界不同；C 显示边界随 reach 向右上移动，拟合相关约 0.93。限制是 C 的穿越点在组中点间插值，深层大权重下无穿越可观测，且相似 reach 可对应不同边界，reach 只定位修正分布，不决定分差排列。
\[G_{t}^{0}=s_{t,j^{*}}-s_{t,y_{t}}\leq\alpha(\pi_{t,y_{t}}-\pi_{t,j^{*}})\leq\alpha\Delta_{t}^{\pi},\]不同先验构造下分差四分位如何变化
要回答反转是否依赖某种先验，需要在相同窗口与结局下比较融合前后的四分位修好率，指标方向是第四与第一四分位比值大于 1 为正、小于 1 为负。公平条件是同一组初始排名、同一融合结局标签，只换分组用的分差。
| Initial rank | Predictions | Q1 | Q2 | Q3 | Q4 | Ratio | 95% interval |
|---|---|---|---|---|---|---|---|
| 2–3 | 32,277 | 42.44 | 59.75 | 72.61 | 84.39 | 1.988 | [1.933, 2.047] |
| 4–5 | 13,725 | 30.80 | 37.60 | 43.57 | 48.18 | 1.564 | [1.467, 1.668] |
| 6–10 | 16,861 | 20.61 | 22.85 | 22.16 | 19.15 | 0.929 | [0.842, 1.022] |
| 11–20 | 15,244 | 8.27 | 7.43 | 6.32 | 3.73 | 0.451 | [0.357, 0.547] |
| 21–50 | 16,613 | 1.37 | 1.47 | 0.77 | 0.55 | 0.404 | [0.223, 0.654] |
上表只展示融合分差分组：2-3 组从 42.44% 经 59.75%、72.61% 到 84.39%，比值 1.988 区间不含 1；4-5 组比值 1.564 为正；6-10 组比值 0.929 区间含 1 为过渡；11-20 组从 8.27% 降到 3.73% 比值 0.451；21-50 组从 1.37% 降到 0.55% 比值 0.404。
原文同时报告融合前分组 5 组全降，比值从 0.498 到 0.124，说明融合前大分差处处不利于修正。主要收益是定位了过渡带在 4-5 与 11-20 之间，代价是深层基率本身很低，21-50 组最大四分位也只有 0.55%，高置信残留错误虽排序反转但绝对修好率都很低。尚未评测的是候选池动态生成与融合输出反馈回历史时的形态，本文自由生成历史来自局部 top-1 而非融合预测，结论只在固定池与可分离分数下成立。
哪些结论有边界与尚未验证的范围
离线固定候选池让每次修正可追踪、先验贡献可控，但与生成候选、融合输出回流的部署不同；固定集合辅助界面如脑机拼写是更直接的修正收益检验。教师强制历史用真前文，给出更丰富历史的上界，自由生成只用局部 top-1 一次生成，N-best 等更强历史未测。估计器针对最终正确性，未直接估计修正收益，训练让成功修正可识别的目标是下一步。统计上深层格样本少，MOUS21-50 每解码器平均 13 个修正，区间宽。
呈现首窗无先验的计入方式对结论影响小。常见误解是把总体 AUROC0.872 当成深层也可信，或把准确率选出的权重当成置信度也最优；本文显示排序在深层已反转，且词级先验在增益峰后仍继续移动，因此选权重时要同时看排序曲线。另一误解是重校准能修复反转，但严格单调重校准不改变排序，AUROC 不变，非单调也只能引入并列而不能逐对反转。
复现第一步与选择性输出的实际收益
复现先按刺激身份划分并缓存 3 套局部解码器的全池分数，再实现历史累积状态与四桶广播，固定候选与测试窗只扫融合权重，每个权重重算修正与残留标签并按初始排名分组算 AUROC 与 reach。关键超参数是融合权重与更新率，主点 2.7 与 0.1，词级权重在验证增益上选 0.15 与 0.5；信息条件是查询句呈现与词 onset 时间、候选句桶映射，状态在呈现边界重置。选择性输出用解码器分数 8 维、先验 7 维与全 15 维估计器，在验证覆盖至少 90% 且平均集大小至多 4.8 下选阈值，测试比较发射率与覆盖率。
待比较的是在匹配 92.24% 覆盖的测试曲线上，加局部与先验特征是否超过更丰富的融合特征，公平条件是同缓存输入、同结构同训练流程，只换特征集。
| 条件 | 指标 | 融合分差 | 融合分数特征 | 解码器分数 | 全特征 |
|---|---|---|---|---|---|
| 匹配覆盖 92.24% | 发射率 | 56.7% | 66.6% | 72.5% | 74.5% |
| 输出大小 1 | 发射率与覆盖率 | 48.7% 与 89.1% | 未评估 | 未评估 | 58.3% 与 90.5% |
上表显示在相同覆盖下发射率从 56.7% 到 66.6% 再到 72.5% 与 74.5%，说明局部特征已超过更丰富的融合特征，先验再带来增量；输出大小 1 时全估计器发射 58.3% 覆盖 90.5%，高于分差分箱的 48.7% 与 89.1%。限制是匹配为测试曲线插值比较，验证选点在测试上平均集大小略超 4.8，固定 K 在 K 较大时覆盖低于 90%；深层 21-50 组加先验把发射从 32.5% 提到 38.2%、覆盖从 36.4% 提到 50.8%，但 51 名以上覆盖仍低。未胜出项是仅局部或仅先验在验证可行点上多为 0/15，而解码器分数与全特征为 15/15，说明单一路信息不易同时满足覆盖与集大小约束。来源上未发现可验证的作者代码模型数据链接，不得声称已公开，三者需分开核实。
什么时候值得尝试与还需要补什么验证
当系统用融合分差做选择性输出或复查标记，且初始排名深的错误占比高时，值得保留局部与先验分数分开读：先验自身分差在融合分差反转处仍达 21-50 名 0.937，学习估计器在该组达解码器分数 0.653、先验特征 0.910，全估计器总体正确性 AUROC0.954 高于融合分差 0.872。复现第一步是跑通固定池两路分数与权重扫，复现反转曲线与 reach 的对应，再在验证约束下比较发射与覆盖。还需补的验证是动态候选池、融合反馈历史、修正收益直接估计，以及在拼写等固定集合界面上的用户修正成本与延迟测量。
本文没有测量误判率延迟与算力开销，不能承诺它们会改善；总体趋势不推广到每一组。结论只在所测权重、先验构造与分组下成立：先验把错误间差距拉大与把正确抬高同样容易，判断修正是否成功要看产生预测的两路证据，而不只看融合后的一个分差。
📎 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