📄 行为描述如何生成动物叫声：BeVo 数据与事件感知建模解读
标签：#音频生成 | #流匹配 | #数据集 | #基准测试 | #生物声学
评分：5.8/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.5/1.5 | 开源 0.2/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5
👥 作者与机构
- Xinlong Deng：机构信息未在 arXiv HTML 中可靠披露
- Yong Tian：机构信息未在 arXiv HTML 中可靠披露
- Jian Guan：机构信息未在 arXiv HTML 中可靠披露
- Qiuqiang Kong：机构信息未在 arXiv HTML 中可靠披露
- Jie Jiang：机构信息未在 arXiv HTML 中可靠披露
- Yin Cao：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
行为条件动物发声生成以描述行为、社会交互与情境的自然语言为输入，输出对应情境下的动物发声波形。可用行为文本监督少，发声通常短且时长变化大，固定长度训练会引入大量与事件无关的填充隐位置。论文先把六个物种录音整理为31191个发声事件，按42个发声锚点关联文献支持的行为卡，再由大语言模型生成行为条件文本，形成配对监督送入生成器。生成器沿用TangoFlux整流流框架，在音频自编码器隐空间学习从噪声指向目标隐变量的速度场，以FLAN-T5编码行为文本并附加目标时长作为条件。针对短事件填充问题，事件感知变长建模按实际时长编码、仅在批内补齐，并用掩码把填充隐位置排除在注意力与训练损失之外，推理时也按请求时长初始化隐序列。相对已有主要依赖物种、叫声类型或物种级文本的工作，该工作把条件推进到行为与社会情境描述，并用判别性、声学分布与语言对齐表示三类指标联合评测。在BeVo测试集固定条件-时长配对下，事件感知模型相对微调基线把发声锚点宏准确率从59.86%提高到61.99%，把Fréchet Audio Distance（生成与参考在VGGish特征上的分布差异，越低越好）从1.40降到1.22。结论适用于锚点层面的条件响应，尚未证明模型理解细粒度行为语义，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://huggingface.co/datasets/Xinghour/BeVo — 暂时无法访问
演示资源：https://persimmontian.github.io/BCAVG → https://persimmontian.github.io/BCAVG/ — 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
行为条件生成要解决什么输入输出问题
这篇论文研究行为条件动物叫声生成，输入是一段描述行为、社会互动与情境的自然语言，输出是一段对应叫声音频。举例来说，输入可能是描述斑鬣狗远距离联络或冲突反应的句子，输出则应是具有目标叫声类型声学特征的短音频，并尽量符合真实叫声的时长。这个例子只是帮助理解输入输出形态，不代表模型已理解行为语义。与物种或叫声类型标签不同，行为描述要提供叫声出现的社会语境，这是任务的核心增量。
论文用 6 个物种共 31191 个叫声事件和 42 个发声锚点支撑这个任务，总音频约 524.3 分钟。评价需要同时看能否分到目标锚点、声音分布是否接近真实，以及在语言对齐表示空间是否接近真实，单一指标无法覆盖这些方面。
已有路线为何还缺行为文本监督
此前的动物叫声生成多用类别条件合成来做数据增强，例如针对低资源虎鲸叫声、少样本海豚口哨或鸟类欠采样类别的生成，还有面向狨猴较长序列的生成语言建模。与本任务最接近的是 BirdDiff，它用类别标签、声学特征和固定物种级文本做可控鸟声生成。原文指出，这些工作主要依赖物种、叫声类型或物种级文本，行为条件生成仍 largely unexplored。
另一方面，BioLingual 与 NatureLM-audio 等展示了语言监督表示对生物声学理解的潜力，但现有语料多提供离散标注，成对的自然语言行为描述有限，不能直接作为行为条件生成的监督。此外，固定时长训练会引入大量不对应叫声事件的填充隐位置，这对短时变长叫声尤其浪费。因此论文把工作定位为补上文献依据的行为文本监督与变长建模，而不是在同等输入下与类别条件方法的简单胜负比较。比较时输入、目标、监督和运行阶段都需相同，不能把类别差异写成同条件胜负。
数据缺口与变长时长带来什么困难
第一个困难是成对监督缺失。公开生物声学数据按物种与标注组织，有的提供时间边界，有的直接是短片段，但普遍缺乏逐事件的行为文本。第二个困难是时长多变。若统一补长到固定波形再编码，大量隐序列位置对应填充而非叫声，训练目标会被非事件区域稀释。第三个困难是评价单一化风险。
只看分类准确率可能忽略声音真实感，只看整体分布距离又难以定位是时长、频率还是频谱形状出了问题。论文因此同时做三件事：用发声锚点把录音与文献行为知识成组连接，用事件感知方式按实际时长编码并屏蔽填充，用多维评价分别看判别力、声学分布与语言对齐表示。测试时的泛化目标也很克制，只是对训练期间已见行为知识的新语言表述的泛化，而非未见过的新行为。
整体流程如何从录音走到可控生成
整体流程分数据、模型与评价 3 段。数据段先把 6 个公开语料统一为发声事件，即带标注的时间局部音频单元作为单个样本，再做能量与相似度筛选与下采样，然后按物种与锚点内的时长分位数分层划分训练、验证与测试。接着为每个锚点整理行为卡片并保留文献依据，用大语言模型生成每锚点 500 条训练用行为条件与 100 条测试用行为条件，训练与验证事件从各自锚点池随机配对，测试事件则固定配对。
模型段以 TangoFlux 为骨干，在预训练检查点上用行为条件微调，并加入事件感知变长建模。评价段用冻结的判别器与分布距离分别度量锚点判别力与多空间保真度。推理时每个测试录音对应一个固定测试条件与真实时长，形成固定的条件加时长对，各系统用相同设置各生成一条叫声进行比较。
发声锚点与行为卡片如何分工
发声锚点是连接录音与行为文本的中间键，例如鬣狗的 Whoop、Giggle 与 Groan。它本身不是行为理解标签，而是把具有相同标注的录音归为一组，再关联到同一张行为卡片。行为卡片是对特定物种文献的总结，记录该锚点支持的行为、互动角色与情境，并保留参考文献。大语言模型以卡片为主要行为来源生成多样化自然语言条件，提示词禁止无依据推断与暴露锚点身份的标签，并有结构与多样性约束及自查再生，但原文明确没有人工逐条校验。
由于源语料一般没有事件级行为标注，这些条件是按锚点成组关联，而非对单个录音的一一行为描述。这个设计决定了后续条件分析只能支持锚点级条件响应的结论，不能直接说模型理解了行为语义。
行为条件 × 发声锚点 × 行为卡片： 行为条件是输入生成模型的自然语言文本，描述行为与社会情境；发声锚点是按物种与叫声类型把录音分组的中间键；行为卡片是按物种文献整理的该锚点行为知识摘要。分工是卡片提供文献依据，锚点建立录音与卡片的对应，大语言模型再把卡片扩展为多样行为条件，组合后使没有逐事件行为标注的录音也能获得成组的行为文本监督。
整流流生成器如何利用文本与时长
生成器采用 TangoFlux，在预训练音频自编码器隐空间做整流流匹配，以 FLAN-T5 文本表示与目标时长为条件。训练时文本条件按概率重采样为物种加行为、仅行为、仅物种或空文本，而时长条件始终保留，这种设计使模型同时见过完整条件与缺失部分信息的情况。给定目标隐变量与高斯噪声，中间隐变量由二者线性插值得到，速度场网络预测从噪声指向目标的方向，优化目标是预测方向与真实差值的平方误差。符号含义是 z0 为目标音频隐变量，epsilon 为高斯噪声，zt 为插值中间状态，v 为参数化速度场，c 与 d 分别为文本与时长条件。
\[\mathcal{L}_{\mathrm{RF}}=\mathbb{E}\left[\left\|\mathbf{v}_{\theta}(\mathbf{z}_{t},t\mid\mathbf{c},d)-(\boldsymbol{\epsilon}-\mathbf{z}_{0})\right\|_{2}^{2}\right],\]整流流 × 速度场 × 文本条件： 整流流是在音频自编码器隐空间学习从高斯噪声到目标隐变量直线路径的框架；速度场是参数化网络，负责在每个中间时刻预测应走的方向；文本条件与时长条件作为附加输入控制方向。组合后模型能按行为文本与目标时长把噪声逐步推向对应叫声的隐表示，基础目标沿用 TangoFlux 形式。
该目标沿用了 TangoFlux 的形式，论文的改动主要在变长掩码部分，基础目标本身不是新推导。冻结与更新按原文是变分自编码器与文本编码器冻结，只优化 Flux Transformer、文本投影层与时长嵌入器。
事件感知怎样屏蔽填充隐位置
固定时长做法是先把波形补到统一长度再编码，短叫声会产生大量填充衍生的隐位置。事件感知做法是每个叫声按实际时长独立编码，只保留变分自编码器跳长对齐所需的最小波形填充，避免编码前的固定长度填充。不同长度隐序列仅在小批量内补齐，并按每个样本的有效隐长度构造二值掩码。下面的示意图先说明从波形到隐序列再到掩码的主路径，有助于理解填充标记为何不进入有效计算。
看图路径： 1. 沿波形到音频变分自编码器再到隐序列的方向看主路径；2. 观察不同长度隐序列如何补齐并对应有效性掩码；3. 注意掩码流如何同时指向注意力与流匹配优化
论文图 2。原论文 Figure 2:：“Overview of the event-aware latent modeling.”。
上图展示事件感知隐建模：3 条不同时长波形经音频变分自编码器得到不同长度隐序列，仅在批量内补齐并生成有效性掩码，掩码流同时控制注意力与流匹配。可见蓝色、绿色、黄色三行的有效标记长度不同，白色为填充位置，这对应公式中按有效长度平均的设计。掩码同时用于 Transformer 注意力与整流流目标，使填充位置既不作为有效上下文，也不贡献优化。样本 i 的掩码目标是对有效位置的平方误差按有效长度平均，mi,j 为 1 表示位置 j 对样本 i 有效，否则为 0。推理时按请求目标时长初始化隐序列，而非按预设最大长度生成，避免超出目标事件时长的多余生成。
\[\mathcal{L}_{\mathrm{RF}}^{(i)}=\frac{\sum_{j}m_{i,j}\left\|v_{\theta}(z_{t,i,j},t\mid c_{i},d_{i})-(\epsilon_{i,j}-z_{0,i,j})\right\|_{2}^{2}}{\sum_{j}m_{i,j}},\]事件感知建模 × 有效掩码 × 填充隐位置： 事件感知建模指按叫声实际时长编码而非统一补长到固定时长；填充隐位置是为对齐批量长度而补的、不对应真实叫声的隐序列位置；有效掩码是用二值标记区分有效与填充位置的工具。组合后掩码同时作用于注意力与整流流损失，使填充位置既不做上下文也不贡献优化，训练集中在真实事件上。
多维评价如何分开判别与保真
评价分 3 类。发声判别力用微调的 AVEX 与 BEATs 评估器加注意力池化与物种特定锚点头，只用真实训练音频训练，先优化池化与头再联合微调骨干，在真实验证集选检查点后冻结，用于真实测试与生成音频。每个生成片段从构造提示的行为卡片继承锚点，报告发声锚点宏准确率与平均精度均值，二者都度量锚点级条件响应。声学分布保真度用冻结 VGGish 空间的弗雷歇音频距离，按物种分别计算真实测试集与对应生成集的距离再跨物种宏平均。
同时用声学特征分布距离在 13 个描述子上做可解释诊断，描述子分时域、频率位置、频谱形状与谱时 4 组，组内平均后 4 组等权，再按锚点与物种宏平均。语言对齐表示保真度用 AnimalCLAP 与 BioLingual 编码器，对归一化嵌入分布按物种算弗雷歇距离再平均，评估时不给文本，只看分布级保真度。
\[d_{s,a,k}=\frac{W_{1}(\widehat{P}^{r}_{s,a,k},\widehat{P}^{g}_{s,a,k})}{\max\{\mathrm{IQR}^{r}_{s,a,k},\,0.1\,\mathrm{IQR}^{r}_{s,\cdot,k},\,\epsilon_{k}\}}.\]发声锚点宏准确率 × 平均精度均值 × 分布保真度： 发声锚点宏准确率度量生成叫声被判为目标锚点的硬判决正确比例，平均精度均值度量按类别排序质量，二者都反映锚点级条件响应而非直接行为理解；分布保真度度量真实与生成分布的距离。组合使用是因为判别正确不等于声音真实，需要从可分性与分布接近程度两个角度共同评价。
声学特征分布距离 × 弗雷歇音频距离 × 语言对齐表示保真度： 弗雷歇音频距离在冻结的 VGGish 空间度量整体分布偏移，声学特征分布距离在 13 个可解释声学描述子上度量属性级差异，语言对齐表示保真度在 AnimalCLAP 与 BioLingual 的语言监督嵌入空间计算弗雷歇距离。三者分工是整体偏移、可解释声学诊断与高层生物声学表示保真度互补，评估时后者不给文本只看分布级接近。
数据集如何清洗划分与配对文本
音频收集覆盖斑鬣狗、猫鼬、普通狨猴、山羊、平原斑马与斑胸草雀 6 个公开语料。鬣狗与猫鼬用标注时间边界切分为事件，其余语料用预切分或短录音直接作为样本。为去低能量与声学异常样本，按物种与锚点分别设全局与帧级均方根阈值检查，部分语料再用 AnimalCLAP 或 BioLingual 做零样本过滤，去除与目标物种文本相似度低的录音，较大语料再下采样以缓解不平衡，详细阈值放在项目页。下表要回答划分后各物种在训练、验证、测试的事件数是否平衡，这是解读跨物种宏平均的前提。
| Split | Goat | Hyena | Marmo. | Meerkat | Zebra | Z. Finch | Total |
|---|---|---|---|---|---|---|---|
| Train | 2826 | 10216 | 4800 | 4475 | 353 | 2298 | 24968 |
| Val. | 360 | 1226 | 600 | 564 | 62 | 311 | 3123 |
| Test | 400 | 800 | 600 | 600 | 200 | 500 | 3100 |
| Total | 3586 | 12242 | 6000 | 5639 | 615 | 3109 | 31191 |
上表呈现 6 物种在训练、验证、测试的事件数，总计 31191 事件，其中训练 24968、验证 3123、测试 3100。可见鬣狗样本最多，斑马训练仅 353 事件，物种不平衡明显，因此跨物种宏平均会给小样本物种同等权重，解读时需结合样本量。划分时为减少时长分布偏移，在每个物种与锚点内按时长五分位数分层，鬣狗、狨猴与猫鼬每锚点抽 100 个测试样本，山羊、斑马与草雀每锚点抽 50 个，验证集按每锚点原样本 10% 从剩余样本分层抽取。文本侧每锚点生成 500 条训练条件并留 10% 做验证，测试另生成 100 条不重复条件并固定配对，还衍生仅行为与仅物种条件做条件分析。
下面先从像素层面看数据集构造图的组织方式，再理解成组配对的含义。
看图路径： 1. 先看左侧六个物种图标，确认数据覆盖范围；2. 再沿右侧行为卡片到大语言模型的箭头看文本生成路径；3. 对比上下两排同一锚点下录音频谱与行为描述的成组配对方式
论文图 1。原论文 Figure 1:：“Overview of BeVo dataset construction.”。
上图展示数据集构造：左侧为 6 物种图标，中间上排为按发声锚点组织的音频与频谱示例，下排为对应锚点的大语言模型行为描述，右侧为行为卡片经大语言模型生成自然语言描述的路径。以鬣狗 Whoop、Giggle、Groan 为例，同一锚点下多条录音共享同一行为知识池，文本与单个录音不是一一标注关系，这解释了为何评价只能到锚点级别。
生成器用哪些参数训练与推理
两个微调模型都从预训练 TangoFlux 出发，共享训练样本暴露与条件采样策略。下表要回答复现时需要固定的优化范围、条件采样概率、训练轮数与推理生成设置，比较条件是原文连续描述中的可复现配置。
| 阶段 | 优化或生成对象 | 条件采样与冻结说明 | 批量大小 | 训练轮数与学习率 | 生成步数与引导强度 |
|---|---|---|---|---|---|
| 推理 | 每个测试实例生成一条叫声 | 固定条件加时长对，真实时长作目标时长 | — | — | 50 步，4.5 |
上表说明比较的公平性来自固定优化范围与采样概率，再用锚点宏损失选检查点，结果限制是它只说明训练轮数与生成步数，不能推出实际延迟或显存占用。原文未报告硬件型号与用时，复现第一步应先按此固定优化范围与采样概率，再补测时间与资源。推理开销与延迟原文未单独测量，不能承诺改善。
比较条件与指标方向如何固定
比较对象为 TangoFlux 零样本、TangoFlux 微调与 TangoFlux 事件感知三系统，真实参考作为上限参照。真实参考的宏准确率与平均精度均值直接在测试集上计算，分布指标比较测试集与等大训练子集。推理配对固定，每个测试录音配一个测试条件并沿用真实时长，各系统生成设置相同。指标方向为宏准确率与平均精度均值越高越好，弗雷歇音频距离、声学特征分布距离与两个语言对齐距离越低越好。聚合方式为按锚点与物种宏平均，避免高频锚点或大物种主导。
类别条件分数在物种内锚点等权平均再跨物种平均，分布距离按物种分别算再平均，声学特征距离先组内平均再 4 组等权。这种固定使主结果与物种分结果可比，但也意味着样本少的斑马等物种与样本多的鬣狗在平均中权重相同，解读时需结合各物种样本量。判别器只在真实音频上训练，其在生成域的误判率未单独量化，分布距离也未做统计显著性检验。
主结果显示微调与变长各带来什么
主结果要回答两个问题：在 BeVo 上微调是否全面优于零样本，以及事件感知是否在微调之上进一步改善。下表为原文总体结果的完整呈现，比较条件是相同测试配对与相同生成步数，指标方向为前两列越高越好、后四列越低越好。
| System | Macro Acc. ↑ | mAP ↑ | FAD ↓ | AFDD ↓ | AnimalCLAP-FAD ↓ | BioLingual-FAD ↓ |
|---|---|---|---|---|---|---|
| Real Reference | 0.8852 | 0.9240 | 0.2321 | 0.2266 | 0.0075 | 0.0275 |
| TangoFlux Zero-shot | 0.1787 | 0.2022 | 6.7080 | 3.4759 | 0.3318 | 0.4904 |
| TangoFlux Fine-tuned | 0.5986 | 0.6345 | 1.4047 | 1.2480 | 0.0491 | 0.1237 |
| TangoFlux Event-Aware | 0.6199 | 0.6551 | 1.2239 | 0.9206 | 0.0492 | 0.1231 |
上表的主要收益是微调相对零样本在所有 6 个指标上大幅改善，事件感知进一步把发声锚点宏准确率从 0.5986 提高到 0.6199，弗雷歇音频距离从 1.4047 降到 1.2239，声学特征分布距离也有下降，而两个语言对齐距离几乎不变。代价与限制是即使最优生成与真实参考仍有明显差距，真实参考宏准确率为 0.8852，事件感知为 0.6199，且语言对齐空间未同步改善，说明变长建模的收益集中在判别力与声学保真度。
下面先说明 t-SNE 图的阅读方法，再看分布级保真度的定性表现。
看图路径： 1. 先看左上物种图例与左下真实与生成图例区分颜色与形状；2. 再看六个物种点簇是否按物种组织及真实圆点与生成三角是否重叠；3. 注意样本较少物种的簇大小与混杂位置
论文图 3。原论文 Figure 3:：“t-SNE of real and TangoFlux Event-Aware vocalizations in AnimalCLAP space.”。
上图为 AnimalCLAP 空间的 t-SNE，左上图例区分 6 物种颜色，左下图例区分真实圆点与生成三角。可见真实与生成在大尺度上按物种组织，同一颜色的圆点与三角多落在相近区域，例如山羊、狨猴、鬣狗各自成簇且真实与生成重叠，支持分布级保真度的定性观察，但该图不能证明单个样本的提示与音频语义正确，也不能代替数值距离。
物种差异与行为条件交换说明什么
物种分结果要回答改进是否在各物种一致。下表按物种报告真实参考与事件感知模型的宏准确率、弗雷歇音频距离与 BioLingual 距离，格式为真实参考与事件感知并列，比较条件是同一物种内真实测试与对应生成集的对照。
| Species | Macro Acc. ↑ | FAD ↓ | BioLi. FAD ↓ |
|---|---|---|---|
| Hyena | 0.9000/0.5500 | 0.1622/1.1566 | 0.0227/0.1029 |
| Meerkat | 0.7883/0.6967 | 0.2478/1.5149 | 0.0155/0.0739 |
| Marmoset | 0.9717/0.6550 | 0.1147/1.8304 | 0.0225/0.2129 |
| Goat | 0.8300/0.4050 | 0.1561/0.7219 | 0.0273/0.0974 |
| Zebra | 0.9650/0.6550 | 0.5648/1.1341 | 0.0520/0.1151 |
| Zebra Finch | 0.8560/0.7580 | 0.1470/0.9853 | 0.0249/0.1364 |
上表显示物种依赖明显，相对真实参考，猫鼬与斑胸草雀的准确率差距较小，山羊差距较大，狨猴在分布保真度上差距较大，说明生成难度随物种与评价维度变化。未胜出项是山羊与狨猴的部分维度差距仍大，不能把平均改善推广到每个物种。行为条件分析进一步比较完整条件与仅物种提示，并把条件替换为同物种另一锚点的条件后观察目标锚点概率变化。
原文报告完整条件宏准确率与平均精度均值高于仅物种提示，交换后新目标锚点概率平均上升，上升比例较高，支持锚点级条件响应而非直接行为理解。尚未评测的是跨物种交换与未见行为的泛化，原文测试仍是已见行为知识的新表述。
结论在什么条件下才成立
结论成立依赖 3 个条件。一是文本监督为成组关联而非逐事件标注，测试泛化是对新语言表述而非新行为，因此不能把锚点判别提升解读为模型理解了具体行为。二是推理使用真实测试录音时长作为目标时长，实际部署若无目标时长，需另行估计或指定，效果可能不同。三是评价聚合为宏平均且判别器只在真实音频上训练，判别器本身对生成音频的误判率未单独量化，分布距离也未做统计显著性检验。
数据侧的限制包括大语言模型生成条件无人工逐条校验、部分阈值细节只在项目页、斑马训练样本仅 353 事件而鬣狗达 10216 事件，物种不平衡可能影响跨物种平均的解读。建模侧未报告拿掉注意力掩码但保留损失掩码的单独消融，两个掩码是作为整体方案联合评估的，不能拆分归因。
复现第一步做什么与资源现状
复现生成部分先按原文固定三系统与配对方式：从预训练 TangoFlux 出发，冻结变分自编码器与文本编码器，优化 Transformer 与投影层及时长嵌入器，条件采样概率按 0.80、0.10、0.05、0.05 设置，验证用锚点宏损失选点，推理固定条件加时长对并用 50 步与 4.5 引导生成。数据部分先按划分复现分层抽样，再按行为卡片与锚点池配对文本，注意测试条件需另生成不重复的 100 条。资源方面，论文正文给出演示页链接且本次可达，可写作者演示当前可用。
数据集链接在正文出现但本次未能确认可达，只能说论文提到该链接，不能说作者已开源或可下载。代码开源、权重可下载与系统可运行是三件事，原文未明确给出代码与权重状态，复现时需把缺失项记为待确认，不要从模型名称推测实现。训练资源、推理开销与实际延迟需分开讨论，原文未测量延迟，不能承诺改善。
什么时候值得尝试与还需补什么验证
当任务是按行为文本生成短时变长动物叫声，且已有物种与叫声类型标注可整理为锚点时，值得尝试 BeVo 式的成组文本构造与事件感知变长训练。复现第一步是先重建分层划分与固定测试配对，再跑通零样本与微调的对照，确保评价聚合与指标方向一致。还需要补的验证包括不给真实时长的生成效果、人工听感与行为符合度评价、判别器在生成域的校准，以及注意力掩码与损失掩码的分别消融。
若要在新物种上应用，应先补小样本下的物种分结果与时长外推测试，再判断声学特征分布距离的哪一组描述子仍有差距。总体看，论文的证据支持任务适配与变长建模在所测条件下的改进，但不承诺延迟改善，也不承诺对未见行为的泛化。
📎 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