Harmonic Representations in Symbolic Music Transformers are Localized and Controllable

该研究考察符号音乐变换器经过终止式时是否形成可定位、可操控的和声表征，输入是巴赫众赞歌在属和弦处截断的符号序列，输出是对终止解决方向的延续生成，难点在于和声决策由多个后续音符共同决定且易与上下文混杂。研究先构造单音反事实对，把属和弦三音降低半音得到小属和弦，用交换干预把反事实残差流拼接到原始前向过程并以互换干预准确率度量因果效应。随后在每层残差流上训练调式与调性线性探测器，追踪信息何时线性可解码，并把探测器权重差作为操控方向。操控时在调式或调性峰值层区间上沿该方向加偏置，观察解决和弦分布是否按预期移动。与已有静态和弦或调性探测工作相比，该工作把自然乐曲最小编辑与因果拼接待续生成结合，直接检验终止时刻的动态决策。在巴赫众赞歌调性探测评测中，以线性探测准确率为指标，共享调号分组的相对调分组探测峰值准确率达83.4%，高于完整18类调性探测的65.5%。上述定位与操控结论仅在Aria模型、无微调评测巴赫众赞歌大调V→I与小调V→i终止并截断至属和弦条件下成立，相对调之间表征更接近而易混淆，导致平行小调操控更干净且单层即有效，相对小调操控需全层区间，对更半音化或非传统材料的泛化尚未验证。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://adisilber.github.io/harmonic-interp/ — 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

这篇论文到底要回答什么音乐问题

输入是巴赫众赞歌的符号乐谱，模型是自回归的符号音乐 Transformer Aria，它在乐曲截断处一次生成后续音符。目标很具体：当乐曲走到终止式，也就是属和弦需要解决到主和弦的关口时，模型内部是否已经形成了关于当前和声语境的可用知识，以及这份知识能不能在推理时被直接拨动，从而改变解决方向。必须保留的信息是终止前的全部声部进行和节奏位置，输出是截断点之后延续的音符序列，评价只看解决和弦属于原来调的主和弦，还是被引向了其他和声目标。

论文把大调主和弦记为 I，小调主和弦记为 i，属和弦记为 V，小属和弦记为 v，欺骗终止的典型写法是 V 到 vi，同主音小调解决是 V 到 i。这里讨论的不是整曲风格迁移，而是终止点上几个音决定的和声走向。

终止式 × 属和弦 × 主和弦： 终止式是先建立紧张再解决的短片段，属和弦负责制造紧张，主和弦负责给出解决，本文只看属到主这一步，比较模型在截断点之后更倾向生成哪一个解决目标，三者组合把和声决策压缩成一个可统计的走向选择。

打个比方，这像是只动终止前最后一个路口的路牌：一段大调众赞歌走到属和弦后通常期待回到 I，如果把属和弦里的三音降低半音，属和弦色彩变暗，解决期待就会被扰动。论文正是用这种只动一个音的办法构造对照，既不改节奏也不改其他声部，让模型行为的差异只能归因于这一个和声维度的变化，这只是帮助理解的例子，效果以论文统计为准。

已有路线为什么还缺终止时刻的因果证据

符号音乐生成一侧，早期神经网络做众赞歌建模，之后 Music Transformer 确立了 Transformer 做符号生成的路线，后续工作改进分词、条件控制和长结构，Aria 属于这类基于 LLaMA 结构的符号音乐 Transformer。另一侧是音乐模型的可解释性，常见做法是用线性探针检验冻结表示能否线性解码出流派、调性、和弦等属性，也有工作在 MusicGen 上研究乐器和风格的组合、加探针向量干预和弦表示、用稀疏自编码器或反馈环做音色速度控制。

论文明确区分了自己的位置：过去多是静态和弦与调属性探针，用的是合成刺激，而这里研究的是结构时刻上的动态和声决策，用的是真实众赞歌只改一个音的自然对照对。这样才能在相同上下文下比较原始与反事实的延续，并做层间搬运表示的因果检验，而不是只报告某个属性可解码。两条路线输入、目标和运行阶段并不相同，本文没有在同一条件下与它们比生成质量高低，只是补上了终止时刻从相关到因果的一环。

为什么选巴赫众赞歌和终止式做手术刀

巴赫众赞歌有 4 个声部，调性规范清晰，终止式位置可以用 music21 做和声分析找到。论文锁定大调里的 V 到 I 和小调里的 V 到 i 两类终止，把每首众赞歌截断到 V 和弦结束处，让模型从解决点之前开始续写。这样输入处理把长乐曲压缩成一个短而关键的决策窗口：上文固定，待预测的是解决音。反事实构造是在 V 和弦里把和弦三音降低半音，把大属和弦 V 变成小属和弦 v，只动一个音高。原文把改后版本称为小调化版本。

大调来源得到 184 对原始与反事实提示，小调来源得到 91 对，每对再用 3 个采样种子生成延续，于是形成 552 组和 273 组生成对。这个数量级决定了后面所有分布比较和层间补丁统计的样本基础，离开这个构造就无法把单音变化与解决分布变化对应起来。众赞歌越规范，这种最小对照就越干净，这也是后文结论边界的来源。

三步流程如何分工：定位、解码、拨动

整体流程分三步。第一步是因果定位，用激活补丁把反事实样本某一层的残差流表示搬到原始样本同一层，看生成是否跟着反事实走，以此判断该层是否在因果上参与和声计算。第二步是表征刻画，在每一层的残差流上训练线性探针，分别预测调式和具体调性，看哪一层开始线性可读，从而得到从粗到细的处理层级。

第三步是推理时控制，把探针权重之差做成引导向量，加回残差流再生成，看终止解决是否按预期转向关系小调主音或同主音小调主音，同时检查结构完整性和音乐质量是否被破坏。三步共用同一批截断提示和同一关注点，即终止解决音的预测，输入处理、层位置和评价对象保持一致，才使得定位结果能指导后面选哪些层做引导。定位回答在哪里，探针回答是什么层次，引导回答能不能用，三者互相约束，缺一环都不能说内部知识可控。

交换干预把哪一层的表示搬到哪里

交换干预每次只动一层。记模型为 f，记第 l 层在输入 x 上的内部表示为该层的残差流向量。给定原始输入 x 和反事实输入 x 撇，干预做法是保持原始输入的前续计算不变，只把第 l 层的表示替换成反事实前向得到的同一层表示，再让后续层继续算出干预输出。原文把这个操作称为激活补丁。评价时只看补丁后延续的首个生成音：若其音高类别只属于反事实解决和弦记为成功，只属于原始解决和弦记为失败，其他情况不计入，交换干预准确率就是成功数占计入样本的比例。这个定义很关键，它把多音延续的复杂判断简化为首音归属，避免把含糊延续算成支持或反对因果效应的证据。

\[\hat{y}_{\text{int}}=f\big(x;\,\mathbf{h}_{\ell}\leftarrow\mathbf{h}_{\ell}(x^{\prime})\big),\]

残差流 × 激活补丁 × 交换干预准确率： 残差流是每一层向下传递的内部表示，激活补丁是把反事实样本在某一层的残差流搬到原始样本同一层再继续计算，交换干预准确率统计补丁后首个生成音属于反事实解决和弦的比例，三者组合把某一层是否因果参与和声决策变成可测量的分数。

实际操作是逐层重复：对每一层单独做一次从小调化序列向原始序列的残差流搬运，记录该层的交换干预准确率。早期层搬了也没用，说明和声信息还没在那里形成；中间层之后准确率爬升，说明和声计算在网络中是逐步发展出来的，而不是输入层就已具备。这种逐层扫描的代价是计算量随层数线性增长，但它给出了后面选引导层的依据。

线性探针如何读出调式和调性

探针不改模型，只在模型跑完后取某一层残差流向量做线性分类。对每个类别学一个权重向量和偏置，预测时算内积加偏置取最大者。调式探针是两类，大调对小调；调性探针是 18 类，因为理论上两调式乘十二音是 24 类，但语料里只出现 18 个调。训练数据取自训练集每小节最后一个音符处的残差流，共 3176 个样本，每层单独训练一个探针。

准确率高意味着该属性在该层已经线性可解码，准确率低不代表信息完全不存在，只说明线性读出读不到。论文还用探针权重构造引导方向，这是探针从描述性工具变成控制工具的桥梁。

\[\hat{y}=\arg\max_{c}\;w_{c}^{\top}h^{(\ell)}+b_{c},\]

调式 × 调性 × 线性探针： 调式只区分大调还是小调，调性还要区分具体是哪个调，线性探针是在固定层残差流上训练的线性分类器，它的准确率反映该信息在该层是否已经线性可读，三者搭配可以看出模型是先建立粗的类别再落实到具体调中心。

需要提醒刚入门的读者：探针可解码是相关证据，因果作用要靠补丁和引导来确认。论文的顺序正是先用补丁看因果，再用探针看编码层次，最后用引导验证可操作性，三者互相约束，单独看任何一个都会夸大结论。

引导向量如何构造和加回网络

引导先选方向再选强度和位置。方向取自探针权重之差，例如要从原调指向关系小调或同主音小调，就用两类权重向量相减并归一化，再乘以该层残差流平均范数，使向量大小与该层正常表示量级相当。加回时是把该向量乘以强度系数后加到残差流上。强度需要扫描，论文报告关系小调最强效果在 0.15 附近，同主音小调在 0.1 附近，调式引导在 0.25 附近。位置上，调性引导在探针峰值对应的 11 到 15 层同时干预效果最强，且把所有音符位置都加上比只加局部更稳定。

调式引导则在 5 到 10 层且只加在最后小节位置时相对最好。层选择不是随意定的，而是直接沿用探针准确率最高的区间。

\[\tilde{h}_{t}^{(\ell)}=h_{t}^{(\ell)}+\alpha v,\]\[v_{\ell}=\frac{\overline{\|h_{\ell}\|}\cdot(w_{c_{1}}-w_{c_{2}})}{\|w_{c_{1}}-w_{c_{2}}\|}\]

关系小调 × 同主音小调 × 调号： 关系小调与原大调共享同一套调号和音高集合，只是主音不同，同主音小调与原大调共享同一个主音但调号和音高集合不同，本文用这两种分组重新训练探针，可以检验模型内部是按共享音高集合组织调空间还是按共享主音组织调空间。

引导向量 × 干预强度 × 残差流范数： 引导向量是两个探针类别权重之差的方向，代表从一个和声类别指向另一个类别，干预强度是加到表示上的倍数，残差流范数是把向量缩放到与该层正常表示量级相当的系数，三者相乘后加回残差流才构成一次可控的推理时干预。

这里的代价是显式的：强度越大转向越明显，但过大可能破坏结构；干预层数越多、位置越广，控制越稳，但对正常生成的扰动面也越大。后面质量评估就是用来检查这个权衡是否被控制住了，而不是只看转向比例。

本研究训练了什么，又冻结了什么

本研究没有训练或微调 Aria 生成模型本身，Aria 是直接拿来做无额外微调的评估对象，所有生成都是推理时前向得到。实际训练的只是线性探针：在冻结的 Aria 表示上，用众赞歌训练划分的每小节末尾表示训练调式、调性、关系分组和平行分组 4 个系列的线性分类器。监督来自语料自带的调式调性标注，梯度只更新探针权重，不回传进 Transformer，也不改变模型参数。原文没有报告探针优化器细节和训练轮数，缺的是这部分超参数和收敛判据，不能从模型名称猜测。

所谓无训练指的是生成模型无训练，不等于系统输出确定，因为生成阶段仍用采样种子做多次采样，分布变化需要统计多个种子才能确认。引导向量本身没有额外学习参数，它是探针权重之差的归一化组合，强度系数是推理时扫描选择的，不是梯度学出的。

截断、单音改动和生成如何对齐

实验起点都是同一类输入：截断到 V 和弦结束的众赞歌前缀。原始前缀期待解决到 I 或 i，小调化前缀只把 V 的三音降半音。模型在这两种前缀下分别续写，比较解决分布是否搬移。补丁实验固定用小调化表示搬向原始前缀，逐层测量交换干预准确率。探针实验与生成解耦，用全曲每小节末尾表示训练，与终止截断无关，因此探针层级反映的是全局调性编码，不只是终止点的局部状态。

引导实验回到大调终止前缀，只在大调上做关系小调、同主音小调和调式 3 种引导，看解决目标是否转向 vi 或 i。评价分 4 组：序列级看三元组结构错误、连续 4 个同音重复和生成时长；音符级看超音域音符比例、平均音长和音高方差；感知质量用相对巴赫原众赞歌计算的 Fréchet 音乐距离；和声看前 16 个十六分音符位置的罗马数字熵和首小节最常见罗马数字占比，前者越高表示和声越多样，后者越低表示越少卡在单一和弦上重复。

下面先看单音对照是如何构造的，这张图是理解后面所有因果比较的基础，读图时只认声部、截断线和被框出的那一个音。

看图路径： 1. 先看左侧完整众赞歌被截断的位置，再看右侧两版结尾处被框出的男高音音符；2. 比较上下两版只有那一个音相差半音，其余声部和节奏完全相同；3. 确认右上为原始大属和弦，右下为被小调化后的小属和弦

$原论文 Figure 1：Local Intervention. A V\\rightarrowI cadence is identified in a Bach chorale (left).$

论文图 1。原论文 Figure 1:：“Local Intervention. A V\rightarrowI cadence is identified in a Bach chorale (left).”。

图左侧是带终止线的完整四声部众赞歌，青色虚线标出在解决到主和弦之前截断。右侧上半是截断后的原始版本，男高音框出的是属和弦三音；下半是小调化版本，同一位置降低半音并带降号框出，其余 3 个声部完全不动。两版都停在属和弦上等待解决，唯一的差异就是这一个半音，它把大属变成小属，为后面比较解决分布和搬运表示提供了最小对照。

单音改动和逐层补丁说明了什么

先看单音是否足以改变行为。在大调来源中，解决到主和弦 I 的比例从高位降到 50% 左右，流向 vi 和其他和弦；在小调来源中，原来约 60% 解决到小主和弦 i，小调化后明显下降并分散到其他和弦。这说明模型对终止点的单音变化敏感，不是死记固定解决。接着看因果在层间的分布。

早期 0 到 5 层补丁几乎无效，6 层附近开始出现效应并向后持续增长，表明和声相关的因果信息从中间层才开始形成。综合补丁与后文探针，补丁的因果爬升区间与调式可解码区间重合，而调性落实更晚，支持先有粗类别后有具体调中心的判断。

下面这条随层变化的因果曲线要对照探针曲线一起读，重点是爬升起点而不是单点数值，横轴是层数，纵轴是交换干预准确率。

看图路径： 1. 看横轴层数从 0 到 15，纵轴交换干预准确率从 0 到 1 的变化；2. 比较大调来源和小调来源两条曲线都在中间层附近开始爬升；3. 注意浅色阴影是 95% 置信区间，早期层区间低且平坦

论文图 3。原论文 Figure 3:：“Causal Effect of Harmonic Information.”。

图中两条曲线分别对应大调来源和小调来源，横轴是层，纵轴是交换干预准确率，阴影是 95% 置信区间。早期层贴近零线，中间层开始上扬并在深层保持高位，说明把小调化表示搬进来后，越到深层越能把原始前缀的生成拉向反事实解决。这不是某一层的开关效应，而是逐层累积的渐进形成，早期层无效也排除了输入层就已决定和声走向的解释。

探针准确率的层级差异有多大

要比较调式与调性的编码难度，需要把类别数、随机基线、峰值和出现层放在同一张表里看，否则单独说两个百分比会误以为后者更差。实际上两类任务的随机基线分别是 50% 和 5.6%，18 类任务做到 60% 以上已经远超随机。更关键的是关系分组与平行分组的对照：按共享调号把 18 个调并成 9 类时峰值最高，按共享主音并成 12 类时与完整 18 类探针接近。这说明按音高集合分组更容易分开，按主音分组并没有变容易，暗示模型把关系调放得更近。

下表比较的是相同残差流和相同线性探针设定下，不同标签划分方式的峰值准确率差异是否支持某种调空间组织方式，指标方向都是越高表示线性可分性越强。

探针任务	类别数	随机基线	峰值准确率	适用层与分组依据
调式	2 类	50%	82.1%	8-9 层，大调对小调
完整调性	18 类	5.6%	65.5%	15 层，语料出现十八调
关系分组	9 类	共享调号	83.4%	共享音高集合，如 C 大调与 A 小调同类
平行分组	12 类	共享主音	65.3%	共享主音，如 C 大调与 C 小调同类

上表把 4 个探针放在同一标尺下，结论是调式早而高，调性晚而低，关系分组显著高于平行分组和完整探针。限制也要写清：类别不平衡会影响绝对值，关系分组类别更少本身会抬高准确率，但它仍高于类别更多的平行分组对照，且混淆矩阵显示完整探针的主要错误正好落在关系对之间，因此不能只用类别数来解释差异。适用条件是众赞歌训练划分上的每小节末尾表示，换到终止点或更半音化的语料时层位置可能移动。

再看探针的层级分化，它解释了上面因果爬升里装的可能是哪类信息，读图时注意两条曲线的峰值层和斜率完全不同。

看图路径： 1. 看两条准确率曲线随层数的分叉，调式曲线先抬头，调性曲线后抬头；2. 记住调式随机基线是两类，调性是十八类，纵轴是百分比；3. 观察调式峰值附近层数与调性陡升起始层数的先后关系

论文图 4。原论文 Figure 4:：“Linear probe accuracy across layers. Mode (chance = 50%) becomes decodable in the middle layers (from layer 4), while key identity (chance = 5.6%) emerges later in the network…”。

图中深色是两类调式探针，浅色是 18 类调性探针。调式曲线早期就从 50% 随机基线抬起，在中间层冲高到 82.1% 附近；调性曲线随机基线只有 5.6%，长期贴底，直到 10 层后才陡升到 65.5%。两条曲线的先后关系支持从调式到调性的层级假设。原文也提醒类别可能不平衡，因此不能把绝对准确率直接当成能力上限，只能比较层间趋势和相对先后。

引导能否把终止拨向指定的和声目标

引导实验只在大调终止上做，未引导时 80% 以上解决到 I。加上关系小调方向后 vi 达到 30% 左右，因为 vi 正是关系小调的主音；加上同主音小调方向后 i 达到近 60%，形成 V 到 i 的小调解决；调式引导虽然把 I 从 110 例降到 58 例，但没有集中到某个目标，而是分散到各类。强度上关系小调用 0.15，同主音小调用 0.1，后者用更小强度却得到更果断的转向。

位置上调性引导需要 11 到 15 层全层且覆盖所有音符位置才最稳，调式引导只在最后小节位置最好，说明调式信息对终止决策的塑造作用有限。下表把单音扰动与 3 种引导的解决变化并置，比较的是同一终止窗口下不同干预的集中程度，指标方向是目标类别占比越高表示转向越集中。

干预条件	I 解决变化	vi 占比	i 占比	干预强度与改动
单音小调化	87.5% 到 51.4%	向 vi 与其他和弦分散	分散	降低 1 个半音
未引导基线	I 81%	基线	基线	无
关系小调引导	I 下降	vi 32%	少量	0.15
同主音小调引导	I 下降	少量	i 57%	0.1
调式引导	I 从 110 到 58 例	分散	分散	0.25

上表显示只有调性引导能把分布搬到明确的 vi 或 i，单音扰动和调式引导都能降低 I 但搬移分散。未胜出的是调式引导，它证明调式可解码不等于可精确控制，调性方向才带有明确的目标指向。限制是这些比例只在大调终止前缀和报告的最优强度下成立，换强度、换层范围或换到小调与半音化段落时集中程度会变化，不能把 57% 或 32% 当成通用成功率，质量代价还要看结构错误与距离指标。

读下面柱状图时先认图例 4 种颜色，再逐组比较 I、i、vi 三组的高度变化，柱上数字是计数。

看图路径： 1. 先看未引导时主和弦一柱独高，再看三种引导后该柱如何下降；2. 比较关系小调引导向第六级集中，同主音小调引导向小主和弦集中，调式引导则分散；3. 注意柱上数字是该类别的样本计数，不只是百分比形状

论文图 5。原论文 Figure 5:：“Key and Mode Steering. Applying steering on major chorales with steering directions corresponding to relative and parallel minor keys substantially increases the frequency of…”。

图中深紫是未引导，平时 I 柱高达 81% 附近；蓝色调式引导压低 I 但其他柱普遍抬高而无主峰；绿色关系小调引导在 vi 柱形成高峰；浅绿同主音小调引导在 i 柱形成主峰。右侧两组顺阶和弦与其他解决说明转向没有靠制造大量调外杂音实现，其他组虽有抬高但未淹没主峰。这张图是全文控制结论最直接的证据，但它依赖最优强度和全层干预，代价在质量评估里另行核对，不能单独引用柱高就说方法可部署。

哪些结论有边界，哪些还没测

边界首先在语料。全部分析和引导都建立在巴赫众赞歌上，原文结论段明确说众赞歌比更广的符号音乐语料更受和声约束，能否推广到更少规范或更半音化的材料仍是开放问题。因此中间层出现调式、深层出现调性、关系调更近等几何结论，都应理解为在该风格和该模型上的观察，不是所有音乐 Transformer 的通则。

其次在评价，结构错误、音高方差、Fréchet 音乐距离、罗马数字熵和首小节主导占比都没有人工听感评价，自动指标不变不等于听起来一样好，熵升高只表示和声更多样，不代表更有逻辑。再次在统计，探针类别不平衡、补丁只计首音归属、引导只报告扫描后最强强度的结果，这些选择都会影响数字。没有测量推理延迟、显存开销和多步生成的累积漂移，就不能承诺该方法在实时交互里同样廉价稳定。

把相关当因果、把最优强度当部署性能、把众赞歌结论推广到所有调性音乐，都是本篇最容易产生的误读，需要用适用条件把它们挡住。

复现第一步要准备什么，超参数记什么

复现第一步不是训练新模型，而是复刻终止截断与单音对照。用 music21 找到大调 V 到 I 和小调 V 到 i 的终止，截断到 V 结束，把 V 的三音降半音得到小调化前缀，用同一组前缀和同一采样种子跑原始与反事实生成，先复现大调 I 从高位下降、小调 i 分散的现象，确认数据管道正确后再做逐层补丁。

关键信息条件要记全：模型是 Aria 且无微调，补丁搬的是生成前最后一个音符处的残差流，探针取每小节末尾表示共 3176 样本，引导层区间是调性 11 到 15 层、调式 5 到 10 层，强度扫描包含 0.1、0.15、0.25 附近，位置对比覆盖全序列与仅末小节。作者网页在论文中给出音频、代码与数据的链接，本次可达性检查显示该第三方页面当前可用，但这只证明链接可达，不证明代码权重已开源可运行，复现前要区分代码开源、权重可下载、系统可运行三件事并以实际仓库为准。

缺的是探针优化细节和完整计算预算，复现时应固定随机种子并报告置信区间。

什么时候值得试，什么时候先别用

当任务是众赞歌风格的终止改写，例如把大调正格终止改成欺骗终止 V 到 vi 或同主音小调 V 到 i，且允许在推理时加向量干预时，这套方法值得试，因为它不需要重训练，只需在探针峰值层加方向向量并扫描强度。做法是先用自己的众赞歌划分复训练探针确认层位置，再从小强度开始扫同主音与关系方向，同时监控结构错误、Fréchet 音乐距离和罗马数字熵，防止为追求转向而破坏完整性。

如果素材是高度半音化、频繁转调或非众赞歌织体，或者需要保证实时延迟和人工听感，先别直接套用本文数字，因为层位置、最优强度和质量结论都可能移动，还需要补听感评价、跨风格验证和开销测量。总的来说，论文提供的是一条从定位到解码再到拨动的完整链路，链路本身比某个百分比更值得带走，而每一步的数字都只在原文的输入、层区间和强度条件下成立。

📎 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

← 返回 2026-10-15 语音/音乐/音频论文速递

原文与引用

📄 符号音乐 Transformer 里的和声知识藏在哪，又怎么直接调动它#

👥 作者与机构#

📌 核心摘要#

🔗 开源与复现资源#

🧭 深度解读#

这篇论文到底要回答什么音乐问题#

已有路线为什么还缺终止时刻的因果证据#

为什么选巴赫众赞歌和终止式做手术刀#

三步流程如何分工：定位、解码、拨动#

交换干预把哪一层的表示搬到哪里#

线性探针如何读出调式和调性#

引导向量如何构造和加回网络#

本研究训练了什么，又冻结了什么#

截断、单音改动和生成如何对齐#

单音改动和逐层补丁说明了什么#

探针准确率的层级差异有多大#

引导能否把终止拨向指定的和声目标#

哪些结论有边界，哪些还没测#

复现第一步要准备什么，超参数记什么#

什么时候值得试，什么时候先别用#

⚖️ 评分明细#

📄 符号音乐 Transformer 里的和声知识藏在哪，又怎么直接调动它

👥 作者与机构

📌 核心摘要