📄 把含糊音乐请求拆成可逐条听判的清单再修提示词：MIRA 与 MuRA-Bench 解读
英文题目：MIRA: A Musical Intent Refinement Agent for Aligning Text-to-Music Generation with User Intent
标签：#音乐生成 | #工具增强与约束解码 | #基准测试 | #音乐
评分：8.0/10 | 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 1/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Zekai Liu：机构信息未在 arXiv HTML 中可靠披露
- Zhilin Wang：机构信息未在 arXiv HTML 中可靠披露
- Xuzheng He：机构信息未在 arXiv HTML 中可靠披露
- Yu Cheng：机构信息未在 arXiv HTML 中可靠披露
- Yang Yang：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
文本到音乐生成需把用户请求变为完整歌曲，难点是请求常不完整，既有乐器、结构、节奏或情绪走向等明示约束，也有艺人、作品、场景和用途隐含的风格意图，单一整体相关分数难定位哪条未实现。论文把每个请求表示为专家修订的金标准条目集合，分为请求直接支持的基本要求与从引用和上下文补全的补全要求，再用音乐专用音频语言模型MusicFlamingo对每条做是或否的音频问答打分。MIRA先保留原始请求并用外部工具补全隐含意图，形成搜索前固定的在线条目集合，该集合由所有候选节点共享。作为搜索依据，在线条目集合用于指导提示词生成、逐条验证生成音频，并驱动分支记忆的树搜索修订提示词，保留已满足条目并修复未满足条目，且不更新黑盒生成后端参数。在包含MuRA-Bench全部100个请求的评估中以专家修订金标准条目计算Overall指标时，预算B=9下YuE2-3B结合MIRA得82.1，超过直接提示的Suno v5.5的81.9，Overall越高越好。结论受限于该基准的条目分布与所用评估器，隐含意图的多解性与三位专家的音乐惯例可能带来偏差。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://mirareview.github.io/ — 链接可访问（HTTP 200）
代码相关资源：https://github.com/mirareview/MIRA — 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
这篇论文要解决的输入输出是什么
输入是一句用户给文本生成音乐系统的自然语言请求，可能是部分写明的风格加乐器，也可能是带艺人、作品、游戏场景或用途的混合请求，例如给平原地形 2 维角色扮演游戏做欢快的战斗音乐，要求长笛、风声音色和非洲鼓。输出是一段完整音频。论文关心的不是音频好不好听或像不像音乐，而是这段音频是否把这次请求里该满足的音乐要求逐条做到了。
全局的文本音频相关分数只能说大体相关，论文指出它会漏掉没有写明的隐含意图，也会掩盖某条具体要求失败，比如缺了要求的乐器，或没有做出参考作品暗示的气质。目标是让评价能定位到哪条满足、哪条没有满足，同时让生成过程能利用这种按条反馈去修提示词。必须保留的信息包括原始请求不可改写为仿冒目标，人名、曲名要转成可听的通用音乐特征，评价用的专家答案不能泄露给生成系统。
已有评价和改进路线卡在哪里
已有音乐生成评价覆盖分布保真度、文本音频对应、感知质量和听众偏好。分布层面的 FAD 看整体分布像不像，CLAP 看文本和音频嵌入是否大体语义相近，专家打分和偏好数据补充感知层面，奖励模型基准也看音乐性和指令跟随。但这些多是整体的总分，论文认为它们不能把分数追溯到某次请求的某条音乐要求。音频语言模型带来了更细的评价，音乐专用的 MusicFlamingo 关注和声、结构和音色，AQAScore 用有针对性的音频问题测对齐，AnyAudio-Judge 把指令拆成二值清单，图像侧也有可验证单元的基准。
另一条线是生成控制和智能体改进，包括推理时奖励引导搜索、隐变量优化、内部干预，以及 ReAct 的工具交互、自我修正和反思的经验记忆、思维树和基于轨迹的搜索。论文把自己放在交点上：评价侧要专家修订的、来自真实平台请求的、区分写明和推断的清单；改进侧要在不改后端参数的前提下，用生成后音频的按条观察指导下一轮提示词修订。
什么叫按清单满足意图
论文把一次请求的对齐定义为满足它的专家修订金标准清单。清单分成两部分，一部分是请求文字直接支持的要求，另一部分是从参考、场景和上下文补全的音乐特征。每条只描述一个能独立从音频里听判的性质，不要求与参考音频逐音相同，允许多种合理实现。这种定义把原来一个模糊的相关分数拆成一组可审计的是否判断，既能算总对齐，也能按来源和音乐维度诊断。7 个维度只是整理条目的筐，包括风格、配器与人声、情绪、节奏、和声旋律、结构能量、制作质感，不是对每次请求强加同样的检查表。
\[R^{\star}(x)=B^{\star}(x)\cup C^{\star}(x),\]上式中 R 星是金标准全集，B 星是直接写明部分，C 星是补全部分。评价时对每条分别听判，聚合时先在一条音频内平均，再跨音频平均，避免长清单的请求主导平均。主指标是全集的总体分数，另报直接写明和补全两部分的分数，以及防止条目多的维度主导的维度宏平均。
基础要求 × 补全要求： 基础要求指请求文字直接写出的可听约束，补全要求指从艺人、作品、场景或用途等上下文推断并经专家确认的音乐特征；前者保证字面不遗漏，后者把没有说透的隐含意图补成可验证条目，两类合在一起才构成一次请求的完整评价清单。
MuRA-Bench 是怎么从真实请求建成的
MuRA-Bench 有 100 条受控请求，来自 Mureka 平台匿名化后的意图种子。需要缺失上下文、含敏感信息或没有稳定音乐评价标准的种子被排除，剩下做保留中心意图的规范化，不发布原始日志。请求覆盖部分写明、基于参考和两者混合的多约束情形。语言模型先起草基础和补全要求并标注维度，3 位音乐专家按统一指南分头修订不重叠的子集，恢复漏掉的显式约束包括否定约束，删掉无支持的添加和重复，保证每条可听且原子化，把具名艺人、歌曲和专辑转成通用音乐特征而非直接模仿目标。下面先看官方流程图的整体走向，再解释各块含义。
看图路径： 1. 先看左列从真实意图种子到隐私过滤、上下文筛选和措辞规范化的三步；2. 再看中列语言模型初稿如何经过增加、删除、改写和归类变成金标准清单；3. 最后看右列候选音频如何经过逐条问答变成总体、基础、补全和维度宏平均
论文图 1。原论文 Figure 1:：“Overview of MuRA-Bench construction and evaluation.”。
这张图左侧画出匿名种子到基准种子，再经隐私过滤、上下文筛选和提示词规范化；中间画出语言模型初稿到专家增删改写归类，再分成直接支撑的基础清单和基于参考上下文的补全清单，下方是 7 个评价维度图标；右侧画出候选音频经 MusicFlamingo 逐条问答得到软满足概率，再聚合成总体、基础、补全和维度宏平均。金标准清单只用于评价，不进入生成系统。
MIRA 的整体循环是什么
MIRA 是不改后端参数的测试时智能体，外挂在任意黑盒文本生成音乐系统外面。起点是用户提示词和后端，先把隐含意图外部化为可验证的在线清单和后端需要的音乐控制参数，然后在有限生成预算下做验证器引导的提示词搜索。搜索树每个节点存完整生成提示词、生成的音频、按条判断和沿分支累积的记忆。
每次生成音频后用音乐专用验证器逐条打分，规划器用父节点的提示词、按条观察和分支记忆提出若干完整候选提示词，同层候选独立生成和验证，整层评完再保留有界的前沿。最后在预算内访问过的所有节点里选聚合分最高的成功节点。下面先看循环中生成、验证、规划和记忆的位置，再解释信息流向。
看图路径： 1. 沿左侧用户请求到工具证据、证据门、增强提示词和在线清单的主路径看；2. 看中间生成器、验证器、搜索树和规划器的选择、分支、改写循环；3. 看右侧父子变化、同层对比和按分支保留的记忆如何回流到规划器
论文图 2。原论文 Figure 2:：“Overview of MIRA and its verifier-guided refinement process.”。
这张图左侧是用户请求经音乐知识检索、参考理解和场景到音乐映射得到工具证据，再过证据门变成增强提示词和在线清单；中间是生成器出音频、验证器逐条打分、搜索树扩展、规划器做选择、分支和改写，最后全局选最高分音频；右侧是父子变化、同层对比和按分支保留的记忆，强调保留已满足线索、修未解决要求并保持分支独立。
工具打底的在线清单如何构造
用户请求里既有直接约束，也有需要外部知识才能解读的意图。MIRA 保留原始请求为不可变的意图锚，需要时调用 3 类工具：音乐知识检索、参考音频理解、场景到音乐属性映射。工具输出先过证据门，只有来源可追溯、有支撑证据且置信度足够的才被采纳，具名参考转成可泛化、可听验证的音乐性质。给定请求和采纳证据，文本大语言模型构造在线音乐清单，清单在搜索前固定并被所有候选节点共享，推导只用请求和采纳证据，不接触离线评价用的专家金标准。附录实现细节还给出证据门规则，例如要求 claim 和 support 非空、可用标志为真、置信度至少 0.45，参考查询串在拼入增强请求前被移除。
金标准清单 × 在线清单： 金标准清单是离线评价用的专家修订答案，只用于打分而不给生成系统看；在线清单是 MIRA 在搜索前从请求和工具证据现场构造的工作清单，用于指导修订和选择候选，两者分离是为了避免用答案指导搜索，保证评价独立。
逐条打分如何从是否回答变成可用分数
对生成音频和在线清单条目，验证器被要求只听可听证据判断是否清楚满足，含糊、微弱、仅暗示或听不清都答否。MusicFlamingo 收到音频和针对该条的是非问题，取回答是与否两个候选答案的词元 logits，做归一化得到软满足概率，保留置信度，避免聚合时硬阈值。节点观察是全部条目的概率向量，聚合分是其均值，聚合分用于比较候选，条目分用于定位满足和未解决部分。概率低于 0.60 的条目被视为低分，可能收到简短针对性反馈。
\[q_{i}(a)=\frac{\exp(z_{i}^{\mathrm{yes}})}{\exp(z_{i}^{\mathrm{yes}})+\exp(z_{i}^{\mathrm{no}})}.\]上式中 z 是是否答案的 logits，q 是该条的软满足概率。在线候选排序对固定在线清单平均这些概率，阈值只标识可能要修的条目，不把概率二值化用于排序。
\[\operatorname{Score}(S)=\frac{1}{|\mathcal{E}_{S}|}\sum_{(x,a)\in\mathcal{E}_{S}}\frac{1}{|S(x)|}\sum_{r_{i}\in S(x)}q_{i}(a).\]上式是离线评价对金标准子集的聚合写法，先音频内平均再跨音频平均，E 是被评的请求音频对集合，S 是所取子集。
生成器 × 验证器： 生成器是黑盒文本生成音乐后端，只负责按提示词输出音频而不改参数；验证器是音乐专用的音频语言模型 MusicFlamingo，负责听音频并对每条清单给出是否满足的判断，前者产生候选，后者提供按条修复信号，两者循环构成搜索闭环。
预算内的树搜索与记忆如何分工
同一对齐失败可能有多种合理的提示词改法，单次验证结果不能唯一决定修法，且单轨迹可能修好一条又弄坏之前已满足的条目。MIRA 把提示词修订做成有限生成预算下的清单引导搜索。每层用保留父节点的提示词、条目观察和分支记忆提出若干完整候选，同层候选生成验证互不可见，整层评完再定前沿。保留规则是留聚合分最高的候选，再加一个在最低 1/4 条目上平均满足更强的互补候选，其余位置按聚合分补齐。
预算 B 计生成的候选数，含初始生成，不计规划器调用、检索调用、验证问题数或耗时。论文评 B 等于 3 的紧凑设置和 B 等于 9 的宽设置，机制相同只差预算。只留最高分候选解释不了某次修订为何成功，MIRA 让反馈记忆与搜索树对齐，同时用相对父节点的逐条变化和同层对比，绝对值不超过 0.03 的变化视为稳定，更大的正负变化记为改善和退化，记忆只沿对应分支传播，请求之间全部重置。
\[v^{\star}=\arg\max_{v\in\mathcal{V}_{B}}s_{v},\qquad a^{\star}=a_{v^{\star}}.\]上式是预算内最终选择，取聚合分最高的已访问成功节点及其音频，平局时依次看条目通过率、低尾满足、最低条目分和生成顺序。
本研究训练了什么没有训练什么
本研究没有训练音乐生成后端，也没有微调验证器或规划器。3 个改进后端 ACE-Step v1.5 Turbo、SongGeneration2 Large 和 YuE2-3B 都当黑盒用，文本规划器用 Kimi 2.6，验证用 MusicFlamingo，生成和验证在单张 NVIDIA A800 上跑。实际计算是调用已有模型做推理、检索、问答和搜索：先工具打底构造在线清单，再按预算生成音频、逐条验证、总结记忆、改写提示词。歌词在执行前给定并跨候选固定，ACE-Step 和 YuE2 在一次请求的自适应搜索内保留固定生成种子，SongGeneration2 用原生随机接口，收尾时在 SongGeneration2 上若不满足修订条件可能重采样最强候选。
无训练不等于输出确定，生成仍是随机的，参数冻结也不推出系统输出确定。缺失的是规划器温度之外更完整的采样方差分析和检索工具本身的精度报告，原文未给出，本文不猜实现。
评测条件与指标方向如何设定
主结果覆盖 100 条 MuRA-Bench 全集，等预算对比和组件分析用固定的 20 条子集。评价器一致性用 25 条请求上的 100 个片段共 1536 条片段条目评分，3 位专家分头独立标注，隐藏系统身份和自动分数，听完全曲可重播，按请求满足度而非个人喜好打分。条目级用 20 分制归一化，不确定回答排除；系统级用 5 分制。比较 8 种评价法，5 种用是否 logits 归一化的音频问答打分，包括 MusicFlamingo、Qwen 系列、MOSS-Music 和 AnyAudio-Judge，另有直接五分提示、与请求无关字幕加文本裁判的级联、以及音频文本嵌入余弦的 CLAP 分数。
条目级看 Spearman 和 Kendall，片段级把同片段的匹配条目平均后再算相关，成对准确率看同请求无人类平局的 147 对排序是否同向，自动平局算错。所有分数越高越好，分数在主表里乘以 100 显示。MusicFlamingo 的音频问答在六项一致性指标上最高，因此被选作主评价器和 MIRA 内循环的验证器。
总体分数 × 维度宏平均： 总体分数是先在一条音频内平均全部条目再跨音频平均，条目多的维度自然权重更大；维度宏平均是先按七个音乐维度分别算分再平均维度，目的是防止条目多的维度主导结论，两者对照才能知道提升是全面还是偏科。
开源后端加搜索提升了多少
要回答的问题是同样请求下外挂搜索是否比直接提示更对齐。公平条件是同一 MuRA-Bench 全集、同一 MusicFlamingo 金标准打分、分数越高越好且主表分数乘以 100，MIRA 预算含初始生成。下表整理三款开源后端在直接提示和 MIRA 预算 9 下的总体分数与相对提升幅度。
| 开源后端与预算条件 | 总体分数基线 | MIRA 预算 9 总体分数 | 相对直接生成的提升幅度 | 评价器与请求集 |
|---|---|---|---|---|
| ACE-Step v1.5 Turbo 直接对比 MIRA | 67.6 | 76.3 | 12.9% | MusicFlamingo 全集 |
| SongGeneration2 Large 直接对比 MIRA | 直接基线较低 | MIRA 更高 | 19.0% | MusicFlamingo 全集 |
| YuE2-3B 直接对比 MIRA | 直接基线较高 | 82.1 | 7.3% | MusicFlamingo 全集 |
上表显示 ACE-Step 从 67.6 到 76.3，SongGeneration2 相对提升 19.0% 但绝对起点较低，YuE2-3B 加 MIRA 到 82.1。原文报告预算从 3 加到 9 时总体和维度宏平均进一步提高，且直接写明与补全两部分都提高。跨评价器复核也显示同样方向，但绝对尺度不同，只能在各自评价器内比较。
要回答的另一个问题是商用直接提示的参照位置。下表单独整理商用系统直接提示的总体绝对分数，它们不是同一后端，不代表同条件胜负。
| 商用系统版本与提示方式 | 总体绝对分数 | 比较参照对象 | 版本趋势说明 | 评价器与请求集 |
|---|---|---|---|---|
| Suno v4 直接提示 | 73.6 | 跨版本起点 | 总体向好观察 | MusicFlamingo 全集 |
| Suno v5.5 直接提示 | 81.9 | 最强商用参照之一 | 总体向好观察 | MusicFlamingo 全集 |
| Suno v6 直接提示 | 81.8 | 跨版本末端 | 与 v5.5 基本持平 | MusicFlamingo 全集 |
| MiniMax music-2.6 直接提示 | 75.9 | ACE-Step 对照 | 低于加搜索的 ACE-Step | MusicFlamingo 全集 |
上表说明 Suno 从 v4 的 73.6 到 v5.5 的 81.9 再到 v6 的 81.8，总体向好但这是跨版本观察，不是控制变量的因果结论。YuE2-3B 加 MIRA 的 82.1 略高于 81.9 的 Suno v5.5，ACE-Step 加 MIRA 的 76.3 超过 75.9 的 MiniMax music-2.6。商用系统只是直接提示参照，没有给商用系统加 MIRA。盲听系统级评价只看意图满足，不评一般音质或偏好。下面先看盲听三幅子图的条形与区间，再解释排序含义。
看图路径： 1. 对比同一子图内四个系统的条形均值高低；2. 看每条横向误差条表示的 95% 置信区间是否明显分离；3. 分别读总体、直接写明意图和补全意图三幅子图的排序是否一致
论文图 3。原论文 Figure 3:：“Blinded expert ratings of overall, explicit, and inferred intent on MuRA-Bench. Bars show mean ratings on a 1–5 scale, with 95% confidence intervals.”。
这张图有三幅子图，分别评总体、直接写明和补全意图，横轴 1 到 5 分，条形是 100 条请求各一次专家打分的均值，误差条是 95% 区间。可见 ACE-Step 加 MIRA 预算 9 高于直接 ACE-Step，也高于 MiniMax music-3.0，但低于 Suno v5.5，三幅子图排序一致。区间反映跨请求变异，不是评分者一致性，且每片段每维度只有一次专家打分。
多花的生成次数换来了什么
要回答的问题是在同样 9 次生成的预算下，反馈搜索是否比独立采样更划算，以及工具打底、自适应搜索和结构记忆各自加了什么。公平条件是同一 20 条固定子集、同一 MusicFlamingo 在线清单选候选、金标准只评选出的输出，图分数乘以 100。下表整理消融的关键补全分和等预算总体差距，B 是生成候选数，直接生成 B 等于 1，其余 B 等于 9。
| 配置与预算 B 及后端 | ACE-Step 补全分 | YuE2-3B 补全分 | 总体比较口径 | 评价与选择条件 |
|---|---|---|---|---|
| 最佳选九 B 等于 9 | 0.719 | 0.775 | 独立采样基线 | 在线清单选候选 |
| 工具加最佳选九 B 等于 9 | 0.748 | 0.800 | 任务描述更知情 | 在线清单选候选 |
| 工具加自适应搜索 B 等于 9 | 0.781 | 0.808 | 按条反馈盯未解决项 | 在线清单选候选 |
| 完整 MIRA 对比最佳选九 | 总体高 3.6 分 | 总体高约 2.35 分 | 总体更高 | 分数乘以 100 |
从最佳选九到工具加最佳选九，补全分在 ACE-Step 从 0.719 到 0.748，在 YuE2 从 0.775 到 0.800，说明更知情的任务描述有助于实现隐含特征；再开自适应搜索，ACE-Step 补全从 0.748 到 0.781，总体和维度宏平均在两后端都涨，说明按条观察比固定描述独立采样更能盯住未解决项；再加结构记忆，总体和维度宏平均在两后端最高。等预算下 MIRA 总体比最佳选九在 ACE-Step 高 3.6 分，在 YuE2 高约 2.35 分。代价是 9 倍生成加逐条问答验证，B 等于 3 到 B 等于 9 仍涨但边际收益递减。未胜出项是跨评价器下个别维度出现小幅下降，说明提升不是每个维度单调。
最佳选九 × 自适应搜索： 最佳选九是从同一原始请求独立采样九次再选最高分，是不带反馈的预算基线；自适应搜索是用验证器的按条反馈决定保留谁、修哪条并带分支记忆继续扩展，同样九次生成但信息被重复利用，对比两者才能说明反馈和记忆是否比单纯多采样更划算。
下面先看等预算对比图的纵轴起点和两组柱子方向，再解释绝对差距大小。
看图路径： 1. 注意纵轴从 75 开始，条形高度差会被视觉放大；2. 对比左侧 ACE-Step 和右侧 YuE2-3B 两组内浅蓝与黄条的高低；3. 同时看总体与维度宏平均两对柱子是否同向
论文图 4。原论文 Figure 4:：“Best-of-9 versus MIRA with B=9. Scores are multiplied by 100; the vertical axis starts at 75.”。
这张图左右两组分别对应 ACE-Step 和 YuE2-3B，每组有总体和维度宏平均 2 对柱子，浅蓝是最佳选九，黄是 MIRA 预算 9，分数乘以 100。可以看到黄色在 4 对柱子上都更高，右侧 YuE2 的差距小于左侧 ACE-Step，与正文 3.6 分和约 2.35 分的描述一致。
结论在什么边界内成立
证据支持的是在 MuRA-Bench 的 100 条请求、专家修订清单和 MusicFlamingo 主评价器下，MIRA 在 3 个开源后端上一致提升总体和维度宏平均，且在该评价下开源加搜索可比肩个别商用直接提示。边界有 4 条。第一，评价器本身用专家一致性选出，MusicFlamingo 在条目和片段相关及成对准确率上最高，但仍不是专家，通用模型一致性更低，跨评价器只能定性互证。第二，清单把具名参考转成通用特征，测的是可听音乐要求满足，不是原创性或版权状态，也不是通用音乐质量标准。
3 位专家的视角可能带特定音乐惯例，隐含意图允许多种合理解读。第三，记忆、搜索和工具的增益来自 20 条子集的消融，样本小于全集，推广到全集需谨慎。第四，商用对比只是直接提示参照，没有给商用系统同样预算的搜索，版本趋势也不能读成某次改动的因果。没有测量延迟、成本和误判率，不能承诺它们会改善。
复现第一步做什么与资源现状
复现先固定请求集与评价分离：用 100 条规范化请求和专家金标准只做离线打分，在线搜索用的清单必须现场从请求和工具证据构造，不能读金标准。接着固定预算计数口径，预算只计生成候选数含初始，不管规划器和验证调用数，B 等于 3 和 9 各跑一遍，ACE-Step 和 YuE2 在同一请求内固定种子，歌词固定。验证侧用 MusicFlamingo 的是非问答并取是否概率，低分阈值 0.60，记忆容差 0.03，前沿保留最高均值加低尾最强的互补候选。
下面清单规模分布解释为何总体之外还要看维度宏平均。该表统计 1566 条清单在 7 个维度上的分布，条目多的维度会主导总体平均。
| Rubric dimension | Items |
|---|---|
| Style | 135 |
| Instrumentation/vocal | 303 |
| Mood | 218 |
| Rhythm | 257 |
| Harmony/melody | 114 |
| Structure/energy | 199 |
| Production/texture | 340 |
| Total | 1,566 |
该表显示制作质感 340 条、配器人声 303 条最多，和声旋律 114 条最少，因此总体平均会偏向条目多的维度，维度宏平均通过先按维度平均再平均维度来纠偏。看主结果时需要两列对照，避免把偏科的提升误读为全面提升。
下面是附录给出的完整清单例子，帮助理解条目粒度。该表展示一条平原战斗音乐请求的 6 条基础和 6 条补全要求及其维度归属。
| Source | Requirement | Dimension |
|---|---|---|
| Base | upbeat combat music for a 2D role-playing game | Style |
| Base | open-plains biome atmosphere | Mood |
| Base | flute parts | Instrumentation/vocal |
| Base | wind textures | Production/texture |
| Base | African drum rhythms | Rhythm |
| Base | energizing battle-ready mood | Mood |
| Completion | open-air spaciousness | Production/texture |
| Completion | buoyant loopable battle structure | Structure/energy |
| Completion | call-and-response between flute and drums | Rhythm |
| Completion | steady forward motion without a long cinematic introduction | Structure/energy |
| Completion | bright and cheerful major-key tonality | Harmony/melody |
| Completion | drum patterns progressively intensifying to build battle readiness | Rhythm |
该表显示基础抓住欢快战斗、长笛、风声质感、非洲鼓节奏等，补全写出开阔空间感、可循环结构、长笛与鼓呼应、不用长引子、大调色彩和鼓点渐强等。每条只讲一个可听性质，这正是验证器逐条问答的对象，也是搜索时要保或要修的单位。
论文项目页目前可以打开查看演示，代码仓库链接目前也可以打开。模型权重与完整可运行系统的公开程度尚无法确认，复现前需要先查看仓库中的实际文件和说明，再决定能否跑通。
什么时候值得尝试还缺哪项验证
当你的失败是漏条目而非整体音质差时值得尝试，例如总分尚可但总缺某乐器、某结构或场景暗示的气质，且你用的是不能改参数的黑盒后端，又付得起 3 到 9 次生成加逐条验证的开销。先用小预算 B 等于 3 验证低分条目是否被定位，再决定是否加到九。复现第一步是把请求拆成可独立听判的原子条目并锁住金标准，再跑工具打底加搜索。
还需要补的验证是更大请求集上的盲听、不同音乐文化下补全要求的稳定性，以及把搜索用于商用后端时的成本收益，因为原文商用只是直接提示参照。记住总体平均会偏向条目多的维度，做决策时同时看维度宏平均和补全分，避免被单一总分误导。
📎 论文与评分元数据
排名：前25% | 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