📄 SimAuthor：在微弱实证反馈下持续改写可执行生物医学仿真器
英文题目：SimAuthor: Harnessing Foundation Models for Persistent Scientific Simulator Authoring
标签：#音频生成 | #工具增强与约束解码 | #生理信号 | #医疗音频
评分：6.3/10 | 创新 1.5/2 | 技术严谨 1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 0.5/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Yishan Wang：机构信息未在 arXiv HTML 中可靠披露
- Ran Piao：机构信息未在 arXiv HTML 中可靠披露
- Mathias Funk：机构信息未在 arXiv HTML 中可靠披露
- Aaqib Saeed：Eindhoven University of Technology
📌 核心摘要
本文研究如何让基础模型编写科学仿真器，输入是少量真实生物医学记录和自然语言条件描述，输出是可执行、可检查、可调参的Python仿真程序，难点在于没有唯一正确答案和精确测试，只能用仿真分布与真实分布的差异做弱反馈修订。SimAuthor维护候选程序池，先用基于排序的PUCT策略选中待修订父程序，再把科学蓝图、结构化差异报告与可视化对比一起送入精炼器做一次聚焦改写，改写产物经评估计分后回流到池中参与下一轮选择，其中相对父代显著改进的子程序再经机制抽取形成可复用条目，供后续改写调用，从而形成选择—改写—评估回流—记忆的闭环。相对独立重复采样、只给标量分数的PUCT分数搜索和只优化文字策略后重新生成的文本策略优化，SimAuthor保留并累积可执行产物本身及其实现机制。在100次尝试预算下，SimAuthor在室间隔缺损等六个任务中的五个上取得最高终点分数，例如慢性阻塞性肺疾病任务终点分数为0.672，高于文本策略优化的0.549。作者也报告了留出记录、独立预训练表示和心电图下游分类上的泛化，但心电图下游与创作共用同一编码器ECGFounder，结论限于任务对齐的实用性。在推理成本上，同100次尝试下SimAuthor约使用独立采样3.8倍token，原文另以约380个采样提案做token匹配比较，差距仍未弥合，该比较限于作者调用预算，不涉及货币费用或部署延迟。
🔗 开源与复现资源
第三方资源：https://github.com/yishani/SimAuthor — 链接可访问（HTTP 200）
第三方资源：https://yishani.github.io/SimAuthor → https://yishani.github.io/SimAuthor/ — 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
为什么要在录音很少时写仿真器
刚接触语音音乐或音频的研究生可以这样理解本文起点：医院里某些心脏杂音、呼吸异常、心电和光电容积脉搏波信号很难大量采集，也不方便共享，但研究又需要足够多样的样本做分析。论文把仿真器定义为可执行程序，它把关于机制的假设写成代码，运行时采样随机量再生成可观测信号，目标是得到一个能检查、能修改、能控制的程序本身，而不只是生成一批波形。
难点在于没有唯一正确答案，也没有单元测试能判定仿真是否科学充分，只能拿有限真实录音做分布比较来间接指导修改。论文把这种情形称为微弱实证反馈下的科学仿真器撰写，输入是少量参考录音和初始程序，输出是更好的可执行仿真器，过程中必须保留已发现的有用机制，避免每次从零重写。
已有路线是如何搜程序和做仿真的
论文把相关工作放在 3 条线上比较。第一条是基础模型引导的程序搜索，常见做法是执行加反馈循环，用于数学、算法发现、奖励设计和符号回归等，这类工作关心给定强验证器时如何分配独立采样与迭代改写的预算，而本文关心反馈本身只是弱代理时如何让修改累积。第二条是智能体改写与持久状态，有的工作保留技能、策略或可复用代码，有的工作只优化自然语言提示或策略，本文则坚持以可执行仿真器为中心，继承代码并另设机制库保存实现知识。
第 3 条是科学仿真，经典生物医学仿真器如心电和光电模型是手工写出显式生成机制，生成对抗网络和扩散模型则是从数据隐式学习分布，本文是第 3 种互补路线：由基础模型直接撰写并迭代改写显式可执行仿真器，产物是可检查的生成模型。
任务的输入目标和必须保留的信息是什么
每个任务给定一个疾病条件和一种信号模态，例如室间隔缺损的心音、主动脉瓣狭窄的心音、慢性阻塞性肺疾病的呼吸音、房颤的光电容积脉搏波，以及长 QT 综合征和预激综合征的双导联心电。输入包括几十例搜索参考录音、固定的模态输出契约如采样率时长导联结构，以及由模型预先写好的科学蓝图。目标是在 100 次撰写尝试内找到分布更接近参考集的仿真器，分数越高越好。
必须保留的信息有 3 类：已写出的候选程序池及其父子修订树、每个候选的标量分数与结构化差异、从有效改进中提炼的机制条目。举例说，慢性阻塞性肺疾病仿真器需要显式建模呼吸时序、哮鸣音、爆裂音和测量变异，零样本程序可能只抓住大致现象而漏掉随机时序和传感器过程，后续改写必须补上这些可解释机制。
SimAuthor 整体生成和修改仿真程序的流程是什么
SimAuthor 不是每次重新生成，而是维护一个候选池并持续修订。流程是先用 1 次调用写科学蓝图，再用 1 次独立调用写根仿真器并执行评分，之后每次尝试由负责挑选下一个要改的候选程序的选择模块选一个父节点，由负责动手改程序的模型做 1 次聚焦修改，生成子程序并执行评分，若相对父节点提升超过阈值则提取机制存入机制库。下图总览把基础模型先验变成可执行代码的路径画了出来，左侧是领域知识与零样本起点，中间是稀缺真实录音给出的弱反馈与分支搜索，右侧是最终可检查的程序，适合先建立整体印象再读细节。
看图路径： 1. 先看左上基础模型先验与左下零样本仿真器的代码差异；2. 再看中上稀缺真实录音如何同时给出代理分数；3. 最后看中下搜索树如何经由提取与复用箭头连向机制库
论文图 1。原论文 Figure 1:：“Overview. SimAuthor turns LLM prior knowledge into executable simulator code when exact verification is unavailable and feedback comes only from scarce real data.”。
从像素可见，左上是关于慢性阻塞性肺疾病呼吸声学的先验要点，左下是只用单一呼吸模式和全局滤波噪声的零样本程序，中上用频谱图示意仿真样本与稀缺真实录音的比较，中下是带分数与报告的搜索树连向机制库的提取与复用箭头，右侧是包含严重度控制、逐呼吸时序、多音哮鸣和粗爆裂音的完整仿真器。这种从单模式到多机制的展开正是后文审计中结构性修订的直观来源。
搜索分数与差异报告如何分工
评估器对每个候选生成一批仿真观测并与固定参考集比较，返回两个互补输出。搜索分数是 0 到 1 的标量，数值越大表示与参考集越相似，只用于选择模块决定下 1 次改谁。差异报告是结构化证据，说明在哪些分量上不一致，例如音频各特征的重叠度、均值偏移和离散比，光电各特征相似度与物理单位均值，心电的能量距离、质心相似度和模式坍缩诊断，还附带 3 例真实与 3 例仿真的可视化比较，用于告诉负责修改的模型具体改什么。
音频在信号空间比较 13 个梅尔倒谱系数均值与过零率的边缘分布重叠，光电比较 10 个脉搏级节律形态统计量，心电因基于波形划分的目标不稳定而比较冻结心电基础模型嵌入的分布。评估器在搜索前固定且不用生成程序更新，它只是撰写目标而非生理保真度的完整度量。
搜索分数 × 差异报告： 搜索分数是把仿真信号与真实参考集比较后得到的 0 到 1 标量，越高表示越相似，只负责回答下一步改哪个候选；差异报告是同一评估器暴露的分量明细，如音频各特征重叠度、均值偏移和离散比，负责回答具体改哪里。两者搭配让选择与修改分工，前者维持搜索效率，后者提供方向性修改依据。
选择模块如何挑出待修改的候选程序
下图是 SimAuthor 生成和修改仿真程序的闭环，读图时把选择回路与修改回路分开看，前者依赖评分器，后者依赖报告与知识库，这样就不会把选得准误认为改得准。
看图路径： 1. 沿稀缺真实样本到评估器再到评分器与选择模块的箭头看选择回路；2. 看选中仿真器、差异报告、科学蓝图与机制库如何共同指向负责修改的模型；3. 看改好后的仿真器生成仿真样本再回到评估器的闭环
论文图 2。原论文 Figure 2:：“The SimAuthor authoring harness. A search orchestrator selects simulator candidates based on numerical scores, while the refiner updates them using the scientific blueprint,…”。
从像素可见，底部稀缺真实样本指向评估器，评估器分出两路分别指向评分器与改好后的仿真器，评分器向上连接负责挑选下一个要改的候选程序的选择模块，选择模块选出选中仿真器交给负责修改的模型，负责修改的模型同时接收科学蓝图、差异报告与机制库，输出改好后的仿真器再生成仿真样本回到评估器。选择模块采用平面池排序归一化置信上界搜索，在利用高分节点与探索少访节点之间平衡，公式中第一项偏好高分，第二项偏好少访，均匀先验保证新节点也有机会被探索。
\[n_{t}=\arg\max_{n\in\mathcal{T}}\left[\tilde{v}(n)+c_{\mathrm{puct}}\,p(n)\frac{\sqrt{N_{\mathrm{tot}}}}{1+N(n)}\right],\]该选择规则同时用于纯分数搜索基线，因此两者的搜索分配相同，差异只在于负责修改的模型能否看到蓝图、报告、可视化与机制库。每次修改上下文包含蓝图、父代码、该父节点的反馈报告、可视化比较与最近至多 8 条机制，修改被要求只做一个主科学假设对应的聚焦突变并遵守不可变的输出契约。
科学蓝图与机制库如何跨调用传递知识
科学蓝图是对每个任务固定的文本上下文，内容包括疾病定义、信号表现、严重度与变异来源、关键鉴别特征与合成建议，由基础模型在未看任何录音前生成，之后每次修改都可见。它的作用是提供稳定的科学参照，避免修改只模仿有限参考集的统计量。机制库则在撰写中动态演化，当有效子程序相对父节点提升至少 0.02 时，对程序差异做 1 次提取调用，总结为规范命名、行为描述与代表代码片段并保留分数提升作为来源，同名条目合并计数。
后续修改最多看到最近 8 条，可复用可改可忽略。例如室间隔缺损的 1 次修订把与严重度无关的杂音分布改为按严重度分频带与共振，父子分数从 0.3631 到 0.4971，提炼为严重度相关杂音频谱机制供后用。
持久改写 × 文本策略优化： 持久改写指每次直接继承选中仿真器的代码并做聚焦突变，保留可用的结构和参数；文本策略优化指只保留自然语言策略，每次从策略重新生成全新仿真器。两者对比说明本文的增益主要来自保留可执行产物本身，而不仅是保留文字思路。
科学蓝图 × 机制库： 科学蓝图是在看任何录音之前由基础模型写成的固定领域文档，说明生理机制、信号表现和实现约束，提供稳定的先验参考；机制库是在改写过程中从明显变好的父子差异中提炼的可复用实现片段，随搜索动态增长。两者搭配让修改既不偏离生理常识，又能跨分支复用已验证的代码机制。
\[D_{\mathrm{E}}=\frac{2}{nm}\sum_{i,j}\lVert x_{i}-y_{j}\rVert_{2}-\frac{1}{n(n-1)}\sum_{i\neq i^{\prime}}\lVert x_{i}-x_{i^{\prime}}\rVert_{2}-\frac{1}{m(m-1)}\sum_{j\neq j^{\prime}}\lVert y_{j}-y_{j^{\prime}}\rVert_{2},\]\[s_{\mathrm{ECG}}=\frac{1}{1+\max(D_{\mathrm{E}},0)/0.15}.\]上面两式是心电评估器的核心计算，先在 1024 维冻结嵌入上算无偏能量距离，再经由 0.15 尺度映射为 0 到 1 的搜索分数，距离越小分数越高。音频与光电的直方图重叠与指数相似度公式同样把分布差异压缩为 0 到 1，方向一致为越大越相似。
本研究训练了什么以及实际计算是什么
本研究没有训练任何生成模型或编码器权重，冻结的部分包括音频光电的信号处理参数、心电基础模型表示与下游逻辑回归探针所用的表示，更新的只是作为文本产物的仿真器代码与机制库条目。实际计算是围绕执行的搜索循环：每次生成一个可执行脚本，执行产生固定数量样本，音频产生 10 秒 16 千赫信号，光电产生 30 秒 125 赫信号，心电产生 10 秒 500 赫双导联信号，失败或违反契约的程序在评估前丢弃但仍消耗 1 次尝试预算。形式上仿真器是显式变量与运行时采样到可观测信号的映射，撰写轨迹是根节点经多次修订的链条。
\[\mathcal{S}:\Theta\times\mathcal{Z}\rightarrow\mathcal{Y}.\]\[\mathcal{S}^{(0)}\rightarrow\mathcal{S}^{(1)}\rightarrow\cdots\rightarrow\mathcal{S}^{(T)},\]前式说明仿真器把显式参数与运行时随机量映射为信号，后式说明每次尝试都是修订已有候选而非独立重写，修订可改程序结构、参数、采样哪些量与如何采样，以及传感器响应滤波噪声等记录过程。蓝图生成温度 0.2，根与修改温度 0.3，候选池用排序归一化与均匀先验，探索系数默认 0.25，机制提取阈值 0.02。主要轨迹使用 Gemini 3.1 Pro，稳健性实验另用 DeepSeek-V4 Pro，修订审计另用 DeepSeek-V4-Flash 只做分类标注，不影响轨迹与分数。
六个任务的数据基线与预算如何保证可比
6 个撰写任务覆盖 4 种模态，每个任务有小规模搜索参考集与搜索时不可见的留出集。比较问题是相同撰写预算下谁能找到分布更接近的仿真器，公平条件是每种方法都是 100 次模型调用，1 次调用对应一个可执行仿真器提议，无效代码也消耗预算，超时限流重试不消耗预算。基线包括独立采样即重复独立生成取最优，纯分数搜索即同样选择规则但负责修改的模型只见标量分数，文本策略优化即同样蓝图反馈可视化与选择规则但只保留文字策略并从零重新生成程序。下表说明各条件的搜索与留出来源、模态与数量，括号内为人数，留出集用于检验是否只拟合搜索病人。
| Condition | Split | Dataset | Modality | nn |
|---|---|---|---|---|
| VSD | Search | ZCHSound (Jia et al., 2024) | Cardiac audio | 60 (60) |
| AS | Search | BMD-HS (Ali et al., 2026) | Cardiac audio | 37 (5) |
| COPD | Search | ICBHI 2017 (Rocha et al., 2017) | Resp. audio | 65 (25) |
| AF | Search | MIMIC PERform AF (Charlton et al., 2022) | PPG | 96 (12) |
| LQT | Search | PTB-XL (Wagner et al., 2020) | ECG | 95 (86) |
| WPW | Search | PTB-XL (Wagner et al., 2020) | ECG | 60 (49) |
表中可见室间隔缺损与主动脉瓣狭窄用同源患者不重叠划分，其余用外部数据集，搜索集仅 37 到 96 例，长 QT 与预激在公开心电库中占比很低，符合稀缺设定。主比较对搜索方法各跑 3 个随机种子并取终点最优中位数轨迹展示，独立采样按固定顺序，附录给出全部种子。评估分数方向均为越大越相似，心电下游另用分类指标检验实用性。
固定预算下谁找到更相似的仿真器
主结果的比较问题是在 100 次尝试内最佳分数与前十均值谁更高，指标方向越大越相似，公平条件是选择规则与预算相同。论文报告 SimAuthor 在 6 个任务上都超过纯分数搜索，在 5 个任务上超过文本策略优化并在其中五项取得终点最高，例外是房颤上文本策略优化更高。房颤评估器暴露生理可解释的节律统计量，差异较直接对应合成改动，使纯文字策略更新特别有效。下表是跨种子的终点最优分数，同一方法任务对按终点排序取中位数报告，主文曲线展示该代表轨迹的完整最佳值演化与跨种子极差。
| Task | Method | Seed 1 | Seed 2 | Seed 3 | Std. dev. |
|---|---|---|---|---|---|
| VSD | SimAuthor | .587 | .448 | .611 | .088 |
| AS | PUCT Score Search | .254 | .247 | .227 | .014 |
| AS | Text-Opt | .370 | .412 | .504 | .069 |
| AF | Text-Opt | .771 | .806 | .801 | .019 |
| AF | SimAuthor | .748 | .738 | .738 | .006 |
| LQT | PUCT Score Search | .395 | .655 | .532 | .130 |
从表中可见室间隔缺损上 SimAuthor 3 种子为 0.587、0.448、0.611，主动脉瓣狭窄为 0.429、0.559、0.557，慢性阻塞性肺疾病为 0.672、0.521、0.689，房颤为 0.748、0.738、0.738，长 QT 为 0.541、0.568、0.594，预激为 0.581、0.543、0.653，相对纯分数搜索在六项均有 0.031 到 0.310 的提升。需要强调的限制是等尝试不等于等词元，SimAuthor 因携带程序蓝图报告与记忆约用独立采样 3.8 倍词元，但扩展独立采样到约 380 个程序的词元对齐预算后仍低于 SimAuthor，说明增益不只来自更大推理预算。
参考集内分数 × 留出录音分数： 参考集内分数是在改写时反复比较的小样本搜索集上计算的分布相似度，直接驱动搜索；留出录音分数是用同一评估器在患者不重叠或外部数据集上重算的分数，用于检验是否只拟合了搜索病人。两者搭配才能判断提升是针对疾病条件还是针对少数参考样本。
增益能否带到未见录音与未见表示
这部分回答撰写目标之外的泛化问题。第一类是换评估器重测，音频光电程序只用原始信号空间目标撰写，再用从未暴露的冻结预训练表示重评，报告选中程序的表示分数与 100 候选池中最佳表示分数。结果是 SimAuthor 在主动脉瓣狭窄、慢性阻塞性肺疾病与房颤上选中端最强，在室间隔缺损与主动脉瓣狭窄上池内最优最强，且在四项选中端都超过独立采样，说明不只是利用手工撰写分数，但选中与池内最优常有较大差距，说明两类评估器不可互换。
第二类是下游分类，真实训练集加 300 例正样本，比较常规波形扰动与 SimAuthor 仿真样本，用冻结表示加类别加权逻辑回归在院内患者不重叠划分与外部数据上测 AUPRC 与 AUROC。长 QT 外部 AUPRC 从 0.633 到 0.747，预激从 0.691 到 0.804，常规增强仅到 0.642 和 0.733，院内性能保持，外部 AUROC 达 0.889 和 0.965。由于撰写与下游探测同用心电基础模型，论文将其解释为任务对齐的下游效用而非编码器无关泛化或临床有效性。
留出录音重测也显示六项相对根节点提升 0.100 到 0.420，且均超过按撰写分数选出的独立采样最优，支持增益带到未见录音而非只拟合搜索病人。
报告与记忆分别影响终点与效率多少
消融的比较问题是拿掉结构化差异报告或拿掉机制库后终点质量与搜索效率如何变化，公平条件是选择规则预算与种子相同，指标为 100 次后最优与全程最佳值均值，方向越大越好。下表是 3 种子中位数，括号为相对完整系统的变化，完整种子明细见后表。
| Task | SimAuthor | −- Report | −- Library |
|---|---|---|---|
| VSD | .587 | .366 (−.221-.221) | .399 (−.188-.188) |
| AS | .557 | .152 (−.405-.405) | .383 (−.174-.174) |
| COPD | .672 | .609 (−.063-.063) | .662 (−.010-.010) |
| AF | .738 | .589 (−.148-.148) | .719 (−.019-.019) |
| LQT | .568 | .460 (−.108-.108) | .540 (−.028-.028) |
表中可见去掉报告后六项终点下降 0.063 到 0.405，主动脉瓣狭窄下降 0.405、室间隔缺损下降 0.221、房颤下降 0.148，效率在五项下降，说明仅靠标量分数难以可靠修订。慢性阻塞性肺疾病是例外，去掉报告后全程均值反而略升但终点下降，说明信息更丰富不保证每一步都更快。去掉记忆后终点下降 0.008 到 0.188，但效率在六项都下降，说明记忆主要让有用实现更快累积而非只解锁单个高分。未胜出项是主动脉瓣狭窄去掉报告后终点仅 0.152，提示该任务最依赖分量级方向信息。
结构性修订 × 参数调优： 参数调优指掩去数字字面量后行为不变的改动，如只改阈值或噪声强度；结构性修订指改变生成逻辑的改动，如新增逐呼吸随机时序或按严重度分频带的杂音模型。区分两者才能说明分数提升是来自可检查的仿真器结构演化，而非简单调参。
下表给出同消融的 3 种子明细，可用于核对中位数是否被单一种子主导以及效率与终点的背离是否稳定。
| Configuration | VSD | AS | COPD | AF | LQT | WPW |
|---|---|---|---|---|---|---|
| SimAuthor | .587/.448/.611 | .429/.559/.557 | .672/.521/.689 | .748/.738/.738 | .541/.568/.594 | .581/.543/.653 |
| −- Report | .417/.366/.270 | .152/.452/.152 | .603/.609/.648 | .638/.548/.589 | .448/.460/.463 | .491/.497/.492 |
| −- Library | .399/.409/.283 | .383/.447/.287 | .662/.704/.540 | .719/.725/.703 | .627/.540/.488 | .573/.555/.623 |
从明细可见完整系统在多数任务 3 种子相对集中，房颤 3 种子 0.748、0.738、0.738 非常稳定，而去掉报告后主动脉瓣狭窄 3 种子为 0.152、0.452、0.152 波动大，说明弱反馈下方向信息缺失会放大随机性。审计进一步把 18 条选中 lineage 上的 138 次有效修订逐 1 对齐，去掉数字字面量后相同的标为标量改动再判行为是否纯调参，结果 111 次为结构性并占净分数提升的 86.1%，五项任务结构占比多数且解释 83.9% 到 100% 的增益，例子包括慢性阻塞性肺疾病新增逐呼吸随机吸呼时长与室间隔缺损按严重度分频带，均是新增生成逻辑而非只调常数。
结论在什么条件下才成立还有哪些没测
论文明确评估的是仿真与观测信号的内在一致性，没有建立生理或机制保真度，也没有诊断或临床主张，合成信号可能继承源数据与评估器的偏置。结论依赖评估器能暴露的差异，模型只能改进反馈暴露的部分，在临床形态难用通用信号统计概括的模态上持久撰写的优势会减弱，房颤的例外部分源于此。
经验范围限于每种设置 3 个种子与主要使用较强的前沿模型，探索系数与骨干的敏感性只在室间隔缺损与长 QT 上测试，显示任务相关交叉而无全局最优，换更小或更弱模型会怎样尚未系统测试。留出与外部验证虽支持泛化，但心电下游与撰写同用一种表示，不能当作编码器无关或临床验证，面向个体校准、干预扰动与数字孪生等外在用途仍是未来工作。
复现第一步做什么与关键超参数是什么
复现不是重新训练权重，而是跑通生成和修改仿真程序的流程与评估器。第一步按附录固定输出契约与评估参数：音频重采样 16 千赫峰值归一化后算 13 个梅尔倒谱系数均值与过零率共 14 维直方图重叠，光电在 125 赫前 30 秒经 0.5 到 10 赫带通后按最短 300 毫秒检峰算 10 个节律形态统计量相似度，心电把双导联放入 12 导联输入其余置零、高通滤波逐导联标准化后用冻结 1024 维嵌入算能量距离再映射为分数。
关键超参数是预算 100 次、排序归一化平面池置信上界探索系数 0.25、机制提取阈值子比父高至少 0.02、每次最多带最近 8 条机制、蓝图温度 0.2 根与修改温度 0.3、每次评估固定生成 100 个输出。代码开源、权重可下载、系统可运行是三件事：论文给出第三方可达的代码与项目页链接但只证明提到该链接，冻结表示权重需按原模型渠道获取，完整跑通还需基础模型调用、评估环境与随机种子设置。
什么时候值得尝试以及还需补哪项验证
当任务有可执行仿真器可与观测比较、真实样本少而不便共享、且有领域先验可写成蓝图时，值得尝试这种以产物为中心的持续修订，尤其适合需要可检查机制而非只要一批样本的场景。复现时先固定评估器与参考划分，再跑 100 次预算的中位数轨迹并同时看终点最优与全程效率，避免只挑单一种子最优。还需补的验证是请领域专家独立评生理合理性、用与撰写无关的表示与下游任务复测、报告误判率延迟与成本而非只报相似度，并测试更弱模型与更多种子下的稳定性。只有补上这些，才能把分布相似度的提升推进为可信的科学仿真器。
📎 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