📄 RAVE 解码器里藏着音高与速度吗：输入、深度与跨层分组的影响
英文题目：Feature Encoding in VAE-based Audio Decoders: Effects of Input, Depth and Distribution
标签：#音乐分析 | #统计分析 | #音乐 | #可解释性
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 0.7/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.7/1.5
👥 作者与机构
- Louis McCallum：机构信息未在 arXiv HTML 中可靠披露
- Mick Grierson：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
该研究要回答生成式音频解码器内部是否保存可识别的音乐特征，以及这些特征分布在哪些层。输入是弦乐、鼓、人声训练的三个RAVE模型与通用EnCodec模型重放的四类刺激，刺激先经编码再解码并用前向钩子取出各卷积层激活，再与音高、速度（Beats Per Minute，BPM）、频谱质心（Spectral Centroid，亮度相关量）、频谱带宽（Spectral Bandwidth，能量分散程度）的标签配对分析。分析先对每个神经元计算激活与特征的斯皮尔曼（Spearman）秩相关，再用置换零分布判断超过偶然水平的神经元比例，以区分平均强度与分布广度。整层联合恢复能力用线性岭回归探针与多层感知机（Multilayer Perceptron，MLP）非线性探针检验，跨层阶段按激活模式做K均值（K-means）聚类，比较最优簇与同区段最优单层。与判别式语音编码器研究不同，该工作面向生成解码器，并把平均强度、分布广度与联合可恢复性分开度量。在RAVE解码器三模型×四类刺激的逐层评测中，以编码强度平均|ρ|为指标，脉冲速度刺激下BPM为0.76、为零分布均值的8.6倍，正弦音高刺激下音高为0.45、为零分布均值的5.1倍，均高于自然音频下各特征平均|ρ|为0.25、为零分布2.8倍的水平。联合探针的决定系数（R²）在中间层最强并呈倒U形，而单神经元相关在两端更集中，且自然音频需非线性提取。结论适用于卷积变分自编码器（Variational Autoencoder，VAE）类解码器，对注意力或扩散架构是否成立尚未验证。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
第三方资源：https://github.com/Louismac/rave-activations — 链接可访问（HTTP 200）
第三方资源：https://ieeexplore.ieee.org/Xplore → https://ieeexplore.ieee.org/Xplore/login.jsp?url=%2FXplore&authDecision=-203 — 链接可访问（HTTP 200）
第三方资源：https://creativecommons.org/licenses/by/4.0/ — 链接可访问（HTTP 200）
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
这篇论文要回答什么现实问题
实时音频变分自编码器 RAVE 已经能做高质量音乐生成与重建，但它内部是否真的留出了音高、速度、亮度这类音乐特征的位置，初学者往往不清楚。论文把问题收窄到解码器一侧：给定一段音频经过编码再解码，解码器各层神经元激活与 4 个声学特征之间有多强的对应关系，这种对应是每个神经元单独可读，还是需要整层联合起来才能读出，又是否集中在某些深度。作者还关心结论能否从 RAVE 推广到同样做波形重建的 EnCodec 解码器。全文不做新的生成质量竞赛，也不训练新的合成器去刷听感分，所有证据都是对已有结构激活的事后测量，因此读结论时要把相关性与因果作用分开。
与语音编码器探测和可解释性研究有何不同
此前对 Wav2Vec、HuBERT、WavLM 等语音自监督编码器的逐层探测发现，浅层偏向频谱模式，深层偏向语义内容，音高、速度与能量随深度呈阶段性变化。但那些是为判别或自监督目标训练的编码器，本文面对的是为重建波形训练的生成式解码器，输入输出与监督来源都不同，不能把编码器的分层结论直接搬过来当作解码器的胜负。
在可解释性一侧，激活可视化、网络解剖、归因方法与回路分析各有分工，归因回答哪个输入驱动了某个输出，而本文回答内部哪群神经元携带了某个特征的信息，两类问题在生成波形这种高维输出下并不等价。论文的增量正在于把层级探测搬到音乐生成解码器，并把编码强度与分布广度拆成两个可分离的量，再补上跨层分组这一此前多限于层内的聚类视角。
三个研究问题各自锁定什么比较
第一个问题比较线性与非线性探针在合成与自然音频下的表现，配对时按层位置与模型对齐，目的是排除深度混杂后单独看分布匹配的影响。第二个问题检验编码是否随归一化深度变化，用 1 次与 2 次多项式拟合每格数据的层曲线，再把曲率系数跨格做单样本检验，重点是倒 U 形还是 U 形。第 3 个问题比较同一深度段内最优跨层簇与最优单层，判断跨层重组是否带来更 coherent 的读出。3 个问题都建立在置换零分布之上，只有超过随机打乱标签所得阈值的部分才被计为编码，容量过大的探针能算出特征不等于网络真的以该形式编码，这也是论文同时保留免训练相关指标的原因。
从音频输入到层指标的总体流程
流程可以沿着一个样本走一遍：取一段 4 秒音频并附上该段的音高、速度、频谱质心与频谱带宽标签，把音频送入 RAVE 编码再解码，在解码器每个卷积单元用前向钩子记录激活，激活取在权重归一化与非线性之后、残差相加之前，以隔离本层变换。对每个模型与数据集与特征的组合格，计算单神经元绝对 Spearman 相关及其均值、超过置换 95 百分位的比例，以及整层向量经线性与非线性探针还原特征的决定系数。置换做法是打乱特征标签重算全部指标，Spearman 重复 500 次，非线性探针重复 100 次且每次内部再做五折交叉验证。下面的解码器结构图展示了潜变量如何逐级放大为波形，是理解深度含义的起点。
读图说明：该图是 RAVE 解码器的模块链示意，适合先建立从压缩潜变量到波形的时间尺度概念，再理解后文按层深分组的依据。
看图路径： 1. 先沿从左到右的主链看潜变量如何逐级上采样到波形；2. 再看每个上采样块下方挂接的残差分支编号；3. 最后看底部通道数与总上采样倍数的标注
论文图 1。原论文 Fig. 1:：“Diagram of RAVE Decoder architecture”。
图中从 128 维潜变量出发，经过 net.0 等卷积与多次上采样，最终经 net.21 输出波形，下方标注了通道数递减与总上采样倍数，残差块挂在各上采样阶段之下。这说明早层处理压缩表示时间分辨率低，晚层逐步恢复采样率，所谓中间层峰值与首尾峰值都是在这条时间展开轴上讨论的，不能理解为注意力层那样的全局混合。
逐层分析 × 跨层聚类： 逐层分析指把每一卷积输出当作独立群体分别计算三类指标，定位编码随深度的变化；跨层聚类指把早、中、晚三段内不同层的神经元按激活模式用 K 均值重组，再在新子集上重算指标。二者搭配是为了检验功能相近的神经元是否跨越层边界，逐层最优与簇最优的配对差值即判断依据。
三类探针各自计算什么
第一类是逐神经元的绝对 Spearman 相关，做法是对每个神经元把 500 个样本的激活与特征标签求秩相关再取绝对值，可在层或模型上平均，它的好处是不训练参数因此不受探针容量混杂影响，但只能反映单通道的单调跟随。第二类是特征普遍度，即该层中有多少比例神经元的相关超过了本格置换零分布的 95 百分位，它回答编码是集中在少数通道还是铺开在群体中。
第 3 类是联合探针的决定系数，线性用正则化系数为 1.0 的岭回归，非线性用两层 MLP 加 ReLU 与线性头，隐藏维度随输入神经元数自适应，训练用 Adam 与早停并用相同五折划分以保证可比。目标特征中音高与频谱质心取对数，速度与带宽直接使用，决定系数在留出折的 pooled 预测上计算。
线性探针 × 非线性探针： 线性探针指用岭回归从整层神经元向量直接映射到特征值，检验特征是否以线性坐标存在；非线性探针指用两层 MLP 做同样映射，检验特征是否被缠绕编码需要非线性解开。二者用相同折划分对照，差值即非线性增益，组合后能区分线性可读与需联合非线性提取两种情形。
非线性探针隐藏维度的缩放规则是原文给出的关键实现细节，其含义是神经元多时给足容量，神经元少时防止严重过参数化，公式如下独占展示。
\[h=\min\!\bigl(64,\;\max(8,\;n_{\text{neurons}}/8)\bigr).\]该式输入为神经元数，输出为隐藏维度，先除以 8 再截断到 8 到 64 之间。论文还用合成与自然两类输入来对照缠绕程度，合成只在单一轴上变化，线性即可读出，自然则混入音色与节奏不规则，需要联合非线性才能更好还原。
合成刺激 × 自然音频： 合成刺激指单维度变化的正弦音高与脉冲速度序列，排除音色与演奏不规则的混杂；自然音频指从弦乐、鼓与人声训练集中均衡采样的真实片段，保留多声部与表情起伏。二者搭配构成从最干净到最现实的对照，能分离表征本身的线性坐标与自然变异带来的缠绕效应。
需要提醒的是，探针只能证明特征可从激活中恢复，不能证明该神经元在生成中起因果作用，相关通道可能跟踪的是与目标相关的另一声学属性。
跨层聚类如何构造与比较
跨层聚类不是按特征选神经元，而是先把 21 个命名模块按深度切成早段、中段与晚段，每段内把神经元在全部刺激上的激活向量做 K 均值聚类，聚类数取 6。每个神经元的特征向量是它对语料的响应模式，与待探测的音高或速度标签无关，因此聚类是无监督的功能分组。分组后再对每个簇重算平均相关、超阈比例并重训线性和非线性探针，得到簇层面的 3 类指标。比较时在每格每段内取最优簇与段内最优单层做差，跨格检验差值是否稳定为正。
簇与最优层可能共享神经元，但共享部分对差值贡献相消，因此配对比较仍然成立。为避免挑中只有 1 到 5 个神经元偶然高相关的小簇，少于总数 1% 的簇会被过滤。
模型训练了什么，没有训练什么
本研究训练了 3 个结构相同的 RAVE 模型，区别仅是训练数据，分别为弦乐、鼓与人声，均为单声道 44.1 kHz、128 维潜变量，数据量符合 2 到 3 小时以上的实践要求，训练至少 1,500,000 步，采用标准 RAVE 第二版流程。把每个卷积当作独立探测单元，共得到横跨 21 个命名模块的 28 个被探测卷积。对 EnCodec 则没有训练，直接调用为音乐设计的 32 kHz 预训练模型，取 13 个合适层记录激活，用于检验结论是否依赖变分连续潜变量，因为 EnCodec 用残差向量量化而非变分潜变量。
所有探测用的探针是在冻结的激活上训练的，不反传更新解码器权重，解码器参数在测量阶段保持不变。原文未报告训练算力与推理延迟，因此不能从本文推出训练成本或实时性的比较结论。
输入采样、标签来源与统计口径
每特征每格用 500 个样本并做均衡采样以覆盖全范围。合成集分音高正弦与速度脉冲两套，鼓只测速度与频谱量而不测音高，弦乐与人声兼顾音高与速度平衡并优先保证源文件多样性，人声先按能量筛掉静音再均衡。标签中速度对鼓与弦乐取曲库元数据，人声用节拍跟踪估计；音高用基频估计在 4 秒内找置信最高且最稳的 100 毫秒取中位数；频谱质心与带宽用频谱分析在全段平均后再取 500 子集。
统计上自然与合成比较用层匹配的 Wilcoxon 符号秩检验并报告匹配秩 2 列相关，深度检验把每格曲率系数当作观测单位，显著性用跨格单样本检验并在四特征族内做错误发现率校正。读懂 3 类指标的分工是读懂后文分歧的前提。
编码强度 × 特征普遍度： 编码强度指单个神经元激活与特征值的平均绝对 Spearman 相关，回答跟得有多紧；特征普遍度指超过置换零分布 95 百分位阈值的神经元比例，回答跟随特征的神经元有多广。二者搭配是因为紧与广可以分离，论文用双指标避免只看平均相关时遗漏分布信息。
下图把 3 类指标画成示意，左为单点相关，中为超阈计数，右为整层向量到特征值的预测，零分布阈值来自标签置换。
3 类指标示意：左图每个点是一个神经元的激活与特征值散点，中图统计一层内超过零分布阈值的绿色比例，右图把整层激活向量送入预测模型还原特征值。
看图路径： 1. 先看左图单神经元散点表达的激活与特征值关系；2. 再看中图一层内超过零分布阈值的计数逻辑；3. 再看右图整层激活向量经预测模型还原特征值的联合逻辑
论文图 2。原论文 Fig. 2:：“Diagram representing the three metrics used for comparing the relationship of acoustic feature values and neuron activations.”。
该图的关键是三者输入不同：前两者输入是单神经元配对序列，后者输入是整层向量；前两者免训练，后者需训练并做交叉验证。论文正是用这种容量不同的组合来对冲单一探针的容量质疑。
合成音与自然音频的编码有多强
合成刺激下音高与速度的单神经元平均相关远高于随机，联合探针决定系数接近上限且线性已足够，说明单轴变化时激活几乎是特征的线性坐标。自然音频下 4 个特征仍高于随机，但强度回落，联合探针需要非线性才明显提升。分布外测试也没有掉到随机水平，甚至单神经元平均相关有时与分布内相当，说明通道与特征的跟随不只记住训练音色。以下整理表比较的问题是同特征下合成与自然的强度与广度差异是否成立，公平条件是同层匹配与各自零分布归一，指标越大表示编码越强。
该表汇总跨格平均的编码强度、超阈比例与联合可恢复性，倍数均为观测均值除以置换零均值，非线性增益为非线性减线性决定系数，数值越大表示越高于随机。
| 条件 | 特征 | 平均相关 | 线性决定系数 | 非线性决定系数 | 非线性增益 |
|---|---|---|---|---|---|
| 合成 | 音高 | 0.45 | 0.99 | 1.00 | 0.00 |
| 合成 | 速度 | 0.76 | 1.00 | 0.99 | 0.00 |
| 自然 | 音高 | 0.20 | 0.27 | 0.38 | 0.11 |
| 自然 | 速度 | 0.20 | 0.27 | 0.42 | 0.15 |
| 自然 | 频谱质心 | 0.31 | 0.61 | 0.76 | 0.15 |
| 自然 | 频谱带宽 | 0.27 | 0.47 | 0.68 | 0.20 |
解释：合成的速度相关高达 0.76 且超阈比例超 90%，自然回落到 0.20 左右，代价是自然条件下必须依赖非线性联合读取才能把决定系数推高到 0.38 到 0.76 之间。频谱质心在自然下单神经元相关最高，说明亮度是神经元最对齐的属性，但这仍是相关证据，不能读成亮度专用神经元的存在。鼓不测音高的排除条件也限制了音高结论对打击乐的适用范围。
分布内 × 分布外： 分布内指用与模型训练同一乐器类别的数据做测试，分布外指用另外两类训练集的数据做测试。搭配的意义是检验单神经元相关与联合可恢复性是否依赖训练音色，若分布外仍远高于随机，则说明编码不是只记住训练集的专用通道。
神经元的多特征重叠情况如下图，左为每个神经元超阈特征数的分布，右为各特征的超阈比例，合成最多计两个特征。
看图路径： 1. 先看左图合成条件下编码两个特征的神经元占比条带；2. 再看左图自然条件下编码三到四个特征的合并占比；3. 再看右图各特征在合成与自然下的超阈值比例柱高
论文图 3。原论文 Fig. 3:：“Plots demonstrating what percentage of neurons encode multiple features across all cells.”。
可见合成下多数神经元同时跟随音高与速度，自然下多数神经元同时跟随 3 个以上特征，说明表征是分布式缠绕而非每特征独占通道。这也解释了为何自然下单通道相关下降而联合非线性仍可观：信息还在群体里，只是需要联合解开。
自然音频下哪类指标更高，代价是什么
把自然音频的细节展开，问题是四特征中谁的单通道跟随更强、谁更依赖联合读取。频谱质心与带宽的平均相关与超阈比例高于音高与速度，线性决定系数也更高，说明频谱属性更贴近单通道的单调坐标。音高与速度在自然下平均相关同为 0.20 上下，联合非线性决定系数分别为 0.38 与 0.42，非线性增益都在 0.1 以上。合成到自然的落差中速度更陡，论文的解释是速度在自然中需从不规则多声部起音中推断，而音高更局部，这种不对称提醒不要把合成下的速度优势直接当作真实使用的速度表征强度。以下为自然与合成对照的另一整理，聚焦层匹配检验的方向一致性。
该表比较同层配对下合成减自然的 Hodges-Lehmann 差值与秩 2 列相关，差值为正表示合成更高，数据格为原文报告的中位数与置信区间方向。
| 架构 | 特征 | 指标 | 自然中位数 | 合成中位数 | 合成减自然差值方向 |
|---|---|---|---|---|---|
| RAVE | 音高 | 平均相关 | 0.199 | 0.436 | 正 |
| RAVE | 速度 | 平均相关 | 0.197 | 0.752 | 正 |
| EnCodec | 音高 | 平均相关 | 0.244 | 0.555 | 正 |
| EnCodec | 速度 | 平均相关 | 0.185 | 0.649 | 正 |
解释：所有配对的方向一致指向合成更强，效应量接近上限，但模型间组内相关显示优势幅度因模型而异，因此方向稳健而幅度不确定。EnCodec 同样复现合成更强、速度落差更大的模式，支持结论不限于 RAVE 的变分设计，但 EnCodec 层数与结构不同故只能做描述性对照而非逐层严格配对。
跨层重组何时优于单层
跨层比较的问题是在同一深度段内，最优簇是否稳定超过最优单层。答案很窄：只有速度在平均相关与超阈比例上显示可靠优势，平均相关提升约 0.019，超阈比例提升约 6.15 个百分点，方向一致但幅度随数据集变化；联合决定系数没有提升，其他三特征也没有提升。论文把速度的特殊性与其时间延展属性联系起来，认为不同时间尺度的层信息需要跨层组合才能更好读出，但这仍是与观测相容的解释而非已验证的机制。EnCodec 一侧未复现速度的簇优势，其小样本下的簇比较只能描述性参考。以下整理表聚焦该配对差值，比较对象是段内最优单层，指标越大表示簇更优。
该表列出自然音频下最优簇减最优单层的中位数差值与效应量，正值表示簇更好，显著性为族内校正后结果。
| 架构 | 指标 | 特征 | 簇减层差值 | 效应量方向 | 是否可靠提升 |
|---|---|---|---|---|---|
| RAVE | 平均相关 | 音高 | -0.004 | 接近零 | 否 |
| RAVE | 平均相关 | 速度 | 0.019 | 正 | 是 |
| RAVE | 超阈比例 | 速度 | 6.15 | 正 | 是 |
| RAVE | 联合决定系数 | 速度 | 0.011 | 接近零 | 否 |
| RAVE | 联合决定系数 | 频谱质心 | 0.001 | 接近零 | 否 |
| EnCodec | 联合决定系数 | 各特征 | 接近零或负 | 不稳定 | 否 |
解释：速度的提升幅度虽小但方向较一致，其他特征的差值在零附近摆动，说明跨层重组不是通用增益。若要做有针对性的网络弯曲或剪枝，不应假设任意特征都能靠跨层分组提高读出，至少在本文的簇构造与段划分下只有速度成立。簇大小过滤与共享神经元的处理是该结论成立的前提条件，换 K 或换段划分可能改变结果，附录的 K 稳健性图正是为此提供边界。
编码强度与联合能力随深度如何分叉
深度分析只在自然音频格上做推断，因为合成的联合决定系数在各层都贴近上限而格数太少。核心发现是两类指标走向相反：联合非线性决定系数的 2 次曲率为负，呈中间高两头低的倒 U 形，4 个特征全部显著；单神经元平均相关的 2 次曲率在音高、频谱质心与带宽为正，呈两端高中间低的 U 形，速度无显著曲率。论文的机制猜测是中间层把信息分布在众多神经元上利于联合恢复，靠近输出时收敛到少数主导通道利于单点相关，但这仍是事后解释而非因果证明。对每格取前五强层的检查未发现跨组合一致的专用层，经多重校正后没有可指认的固定位置。
读图说明：该图四面板分别展示自然下平均相关、超阈比例与非线性决定系数随层深的变化，实线为线性拟合，虚线为 2 次拟合，误差条为跨格标准误，合成仅展示平均相关且不做检验。
看图路径： 1. 先看右下非线性探针随层深先升后降的倒 U 形虚线；2. 再看左上平均相关在首尾两端更高的 U 形虚线；3. 再对比合成面板因样本少而不做显著性检验的标注
论文图 4。原论文 Fig. 4:：“Plots of per layer mean |\rho|, neuron prevalence and R^2 across four audio features for natural audio, reported as median across cells.”。
可见右下联合指标的虚线在中间隆起，左上平均相关的虚线在两端上翘，速度的平均相关曲线最平坦。这种分叉说明评价解码器时必须同时看单点与联合两类指标，只看一类会得出相反的深度结论。
该表整理曲率中位数与方向，负表示倒 U 形，正表示 U 形，显著性为校正后跨格检验结果。
| 指标 | 特征 | 格数 | 曲率中位数 | 曲率方向 | 是否显著 |
|---|---|---|---|---|---|
| 平均相关 | 音高 | 6 | 0.11 | U 形 | 是 |
| 平均相关 | 速度 | 9 | -0.09 | 不显著 | 否 |
| 平均相关 | 频谱质心 | 9 | 0.25 | U 形 | 是 |
| 平均相关 | 频谱带宽 | 9 | 0.43 | U 形 | 是 |
| 联合决定系数 | 音高 | 6 | -0.38 | 倒 U 形 | 是 |
| 联合决定系数 | 速度 | 9 | -0.65 | 倒 U 形 | 是 |
| 联合决定系数 | 频谱质心 | 9 | -0.29 | 倒 U 形 | 是 |
| 联合决定系数 | 频谱带宽 | 9 | -0.38 | 倒 U 形 | 是 |
解释：联合指标的倒 U 形方向完全一致且效应量大，但部分特征的组内相关较高，说明曲率幅度在模型或数据集间有差异。未胜出的项是速度的平均相关深度效应与超阈比例的大部分深度效应，它们不显著，不能读成存在定位趋势。EnCodec 的描述性结果同样显示联合曲率为负而平均相关晚层偏高，但因格数过少不能做推断。
哪些结论不能超出证据
首先是因果边界：全部指标都是激活与标签的相关或可恢复性，没有消融或干预验证，相关通道可能跟踪的是与目标相关的另一声学属性，论文在局限中明确只建立关联而非功能重要性。其次是效应量边界：自然音频的平均相关多在 0.20 到 0.31 之间，对应解释方差约 4 到 10%，虽为零均值的 2 到 4 倍且经置换检验，但绝对强度温和，不能夸大为强编码。第三是覆盖边界：鼓不做音高分析，打击乐音高是否不同未被评测；合成没有频谱特征分析，频谱结论只适用于自然音频。
深度推断只用自然格，合成深度模式只做描述。第四是推广边界：变换器与扩散模型的归纳偏置完全不同，层级定位结论应只读成卷积变分自编码器家族的发现，方法框架可迁移但具体位置不能默认迁移。
复现第一步与需要保留的关键设置
复现应从激活提取管线入手，按原文提供的代码仓库路径组织前向钩子，确认取的是权重归一化与非线性之后、残差相加之前的位置，并复刻 28 个被探测卷积横跨 21 个命名模块的对应关系。数据上先复刻合成集的单维均衡与自然集的每特征 500 均衡，注意人声的速度标签来自节拍跟踪而非人工标注，音高标签是 4 秒内最稳 100 毫秒的中位数，频谱标签是全段平均后再均衡。
探针上保留岭回归正则化系数、MLP 隐藏维度缩放、学习率与早停、五折相同划分、音高与质心对数变换等设置，零分布重复次数与分层检验流程也要一致。需要区分的三件事是代码可得、权重可下载与系统可运行，本文只涉及作者激活分析管线的代码可用性，EnCodec 与曲库链接属于第三方提及，不等同于作者已开源全部训练权重。单模型多数据集的格间不独立，汇报时应同时给出组内相关与分层置换结果，否则会高估显著性。
什么时候值得尝试，还缺哪项验证
当目标是为 RAVE 类卷积解码器做可控合成、结构化剪枝或调试诊断时，本文值得参考：自然音频的联合读取应优先看中间层，单通道定位可多看首尾层，速度若需提高读出可尝试跨层重组而非只调单层。但三项验证仍缺：其一是对所指簇与层做靶向消融或放大，检验相关是否对应因果作用；其二是在更多卷积解码器与不同 K 与段划分下重复跨层比较，确认速度优势的稳健区间。
其三是把方法搬到注意力与扩散架构时重建时间轴与位置的对应方式，再谈定位是否成立。回到最初的问题，解码器里确实能读出音高、速度与频谱信息，合成时线性且广泛，自然时缠绕但仍可联合读出，中间层擅长联合、首尾层擅长单点，而跨层分组的红利目前只在速度上得到支持。
📎 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