📄 不再一刀切求不变：按因子区分处理多模态分布偏移

英文题目：Beyond Invariance: Factor-wise Selective Treatment of Shifts for Multimodal Learning

评分：6.0/10 | 创新 1.4/2 | 技术严谨 1.1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 0.4/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5

👥 作者与机构

  • Guimin Hu：Guangdong University of Technology
  • Qiwei Peng：University of Copenhagen

📌 核心摘要

多模态情感分析的输入是同一视频片段的文本、音频和视觉信号，输出是二分类情感标签。难点在于说话人、采集条件和时间变化会改变表示分布，而偏移本身不等于无用或有害，有的偏移仍具预测价值且稳定性各异。FaShift（Factor-wise Shift Discovery，因子级偏移发现框架）先把融合表示分解为多个低冗余隐因子，以保留任务信息并形成可单独替换的表示单元。接着它在说话人划分的训练环境之间度量每个因子的分布偏移，并用跨环境参考因子替换目标因子，以干预前后预测概率向量的变化度量预测影响。最后框架按干预效应大小和跨环境稳定性赋予保留权重，对加权后因子再经同一预测头输出结果。与追求统一不变表示的方法不同，该框架区分无预测作用的干扰偏移、稳定有用的预测偏移和有用但不稳定的预测偏移，分别抑制、保留和衰减。在 MOSI 分布外评测中它取得 81.2% 准确率和 81.4% F1，超过表中可比最强基线约 1.5 和 3.6 个百分点。结论适用于说话人构成的训练异质性可迁移到未见分布的情形，伪环境和阈值敏感性仍需验证，原文未披露训练、推理或部署成本。

🔗 开源与复现资源

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

多模态情感分析的输入输出和要保留什么

这篇论文研究的是多模态情感分析，输入是同一段视频里的文本、语音和视觉信号，目标是判断说话人的情感极性或分数，输出用二分类精度 Acc-2 和 F1 衡量，两个指标都是越高越好。读者可以把任务想象成给每条视频打一个情感标签，模型必须综合 3 种模态的互补线索。必须保留的信息是真正帮助判断情感的内容，比如语义倾向和稳定的表达模式，而不是某个说话人的口音、录制设备或特定话题带来的巧合关联。

当说话人换了、采集时间变了，输入分布就会变化，如果模型记住了训练环境里的巧合关联，测试时就会失效。论文把这种训练诊断用环境与最终评测用分布偏移分开，诊断环境来自训练集内部的说话人划分，评测用的域外数据则完全留到最后，这一点对理解结论边界很关键。

分布偏移 × 环境： 分布偏移指训练和测试数据的联合分布不一致，导致原来好用的关联在新条件下失效；环境是论文用来刻画这种不一致的操作单元，比如一位说话人或一段时间，把样本分组后才能比较同一个因子在不同条件下的分布和预测效应。

已有不变表示路线为什么不够

此前常见的做法是不变表示学习，希望去掉随环境变化的部分，只留下跨环境稳定的预测关系，论文提到的 C-MIB、CmIR、SCLF 以及用后门调整或反事实干预的变体都属于这一思路。另一条路线是因果适配和演化域泛化，承认随环境变化的信息可能有用，试图建模可迁移的机制或联合建模不变与动态表示。论文认为这两类工作都没有系统回答每个偏移因子对预测的影响是什么、这种影响在不同环境之间是否稳定。

也就是说，已有方法多是在表示层面统一压制或统一迁移，而没有先测量每个因子的偏移量、再测量干预它会带来多大预测变化、最后检查这种变化是否稳定。因此论文不是简单加大不变约束，而是把问题改成因子级别的选择性处理。

偏移大小为何不能直接决定去留

论文的核心观察是偏移程度不直接决定处理方式。一个因子在两个环境之间分布差异很大，但把它替换掉可能几乎不改变预测；另一个因子偏移不大，替换后预测却明显变化。原文用两个逻辑式表达了这一点，第一个说分布差异大于零推不出干预效应大于零，第二个说两者可以同时大于零。这意味着只看分布距离会误伤有用信息，也会漏掉看似稳定但实际影响预测的因子。

图 1 正是为了说明这种异质性，左图展示不同因子的偏移和效应不在一条直线上，右图展示保留权重需要逐因子设定。下面的读图说明先帮读者定位这种不对应关系，再看具体权重如何体现选择性。

读图说明：左散点横轴是因子偏移，纵轴是干预效应，颜色表示保留权重，点的大小表示跨环境变异，右条形是每个因子的保留权重，重点是看偏移相近的点在纵轴和颜色上拉开多大差距。

看图路径： 1. 先看左图横轴因子偏移 D_k 与纵轴干预效应 Delta_k 的散点位置，确认偏移大不一定效应大；2. 再看点的大小代表的不稳定性 V_k，区分稳定与不稳定预测性偏移；3. 最后看右图各因子的保留权重 w_k，理解衰减不是二值开关而是连续取值

原论文 Figure 1：Heterogeneous factor shifts motivate shift-aware reliance.

论文图 1。原论文 Figure 1:：“Heterogeneous factor shifts motivate shift-aware reliance. Left: Factor-wise shift and intervention effects. Right: Shift-aware factor reliance.”。

从像素可见，左图中 F4 偏移最大且效应最高但颜色偏紫对应较低保留权重，F0 偏移也较大且效应较高但颜色偏黄绿对应较高保留权重，F1、F3、F5 集中在中小偏移和中等效应区，F2 效应最低。这种布局直接支持偏移量不够用的判断，也为后文把因子分成抑制、保留和衰减 3 类做了铺垫。右图 F0 权重约 0.657 最高，F4 约 0.530 最低，其余居中，说明不稳定且效应大的因子被压低而不是直接删除。

FaShift 三阶段总流程是什么

FaShift 提出学习、诊断、精炼 3 个阶段。第一阶段学习因子化表示，用多模态编码器得到融合向量 H，再用分解模块得到 K 个因子组成的 Z，并用预测头得到预测，同时加去冗余约束让因子互不重复。第二阶段是免训练的诊断，固定编码器和预测头，在训练集构造的环境对之间计算每个因子的分布偏移，再做只替换单个因子的反事实干预，度量预测变化，并在多对环境上评估这种变化的稳定性，还会看成对联合干预偏离加和的交互。

第 3 阶段是选择性处理，按干预效应和稳定性给每个因子一个 0 到 1 之间的保留权重，不相关的抑制，稳定有用的完整保留，不稳定但有用的按不稳定程度衰减，最后用加权后的表示做最终预测。整个过程不需要因子语义标注，也不再训练额外的域适应网络。

多模态融合表示 × 因子分解： 多模态融合表示是把文本、语音和图像信息编码并融合成一个向量 H，它信息全但纠缠在一起；因子分解是用一个分解模块把 H 拆成 K 个低冗余的因子 z_k，每个因子可单独替换和干预，这样才能逐个判断偏移是否有害，组合后得到既保留任务信息又可诊断的表示 Z。

环境和分布偏移如何度量

环境是诊断的基本单位。论文在 MOSI、MOSEI 和 CH-SIMS 上用说话人划分环境，每个说话人的样本构成一个环境，环境对由不同说话人组成；当没有可靠属性时，用第一阶段因子的激活范数向量做 K 均值聚类得到伪环境，但主结果用的是观测到的说话人环境。分布偏移是对同一个因子在两个环境下的经验分布求差异，原文提到可用最大均值差异 MMD 或 Wasserstein 距离，附录明确主实验用 MMD 并在所有环境对上聚合，大于阈值才视为发生偏移。这个量只描述表示变了多少，不回答是否影响预测。

\[D_{k}=\mathcal{D}\big(P(\mathbf{z}_{k}|E_{a}),P(\mathbf{z}_{k}|E_{b})\big),\]

理解这个公式时，P(z_k|E_a) 是因子 k 在环境 a 下的分布，D 是分布差异函数，得到标量 D_k。它的输入是两组样本的因子取值，输出是偏移大小，阈值 tau_s 用来判定是否偏移。它的代价是需要足够多的同环境样本来估计分布，说话人样本很少的环境估计会更 noisy，这也是后文伪环境效果打折的原因之一。

单因子干预和联合干预怎么做

干预效应的做法是反事实替换。对来自目标环境 b 的一个样本，保持除 k 之外的其他因子不变，在参考环境 a 中按非干预因子相似度找最相近的 M 个样本，平均它们的因子 k 得到参考值，再拼成只替换 k 的新表示，然后用同一个预测头比较替换前后的预测差异。这个差异记为 Delta，用预测概率向量的 l1 距离度量，比只看标签是否翻转更细。为了捕捉多模态因子之间的配合，论文还做成对联合干预，同时替换 i 和 j，再用联合效应减去两个单独效应之和得到交互 I，正值表示协同增强，负值表示冗余饱和或冲突。跨环境稳定性则是把多个环境对上的 Delta 或 I 算变异系数，效应均值加小常数做分母，值越小越稳定。

\[\Delta_{k}^{a\rightarrow b}=d_{Y}\bigl(g(\mathbf{z}^{b}),g(\mathbf{z}^{k\leftarrow a})\bigr),\]

这里 g 是冻结的预测头，z^b 是原始因子组合，z^{k<-a}是只替换 k 后的组合，d_Y 是预测差异函数。输入是目标样本和参考环境样本库，输出是该因子对这次预测的影响幅度。匹配用余弦相似度，M 在主实验取 8，匹配质量依赖非干预因子是否真的可比，如果参考环境里找不到相似背景，干预估计会有偏差。

第一阶段学什么、什么被冻结

第一阶段需要训练，优化的是编码器、分解模块和预测头，目标是预测损失加 HSIC 去冗余项。HSIC 衡量两个随机变量的统计依赖，对所有因子对求和，最小化它可以减少因子之间的信息重叠。论文默认 K 为 6，每个因子维度 32，用 AdamW 优化，学习率和权重衰减在附录给出， decorrelation 系数在 MOSI 和 MOSEI 上取 500。第二阶段诊断时编码器和预测头被冻结，只做替换和前向计算，不更新参数；第 3 阶段直接按统计量算权重并加权表示，同样不引入新的适应网络。这种冻结设计使诊断结果反映的是已学表示的特性，而不是诊断过程又改变了表示。

\[\mathcal{L}_{\mathrm{dec}}=\sum_{i\neq j}\operatorname{HSIC}(\mathbf{z}_{i},\mathbf{z}_{j}),\]\[\mathcal{L}_{\mathrm{rep}}=\ell(\hat{Y}_{Z},Y)+\lambda_{\mathrm{dec}}\mathcal{L}_{\mathrm{dec}}.\]

第一个式子是去冗余损失，对所有 i 不等于 j 的因子对求 HSIC；第二个式子是总表示损失，l 是任务预测损失，lambda_dec 控制去冗余强度。监督来自情感标签，梯度经过预测头回到分解模块和编码器。论文用因子 l2 范数激活之间的 Pearson 相关和 PCA 投影验证低冗余，并检查分解前后预测差距很小，说明拆分没有丢掉主要任务信息。

分布偏移量 × 干预效应 × 跨环境稳定性： 分布偏移量 D_k 只回答因子分布变了多少，干预效应 Delta_k 回答把该因子换成另一环境的取值后预测变了多少，跨环境稳定性 V_k 回答这种预测变化在多对环境之间是否一致；三者分工是是否偏移、是否影响预测、影响是否可靠，组合后才能区分无用偏移、稳定有用偏移和不稳定有用偏移。

HSIC 去冗余 × 预测头： 预测头 g 是把表示映射到情感标签的分类器，提供任务监督让表示保持判别力；HSIC 去冗余是衡量因子两两之间统计依赖的正则项，迫使不同因子捕捉不重叠的信息，两者搭配使分解后的 Z 既能预测又不至于多个因子复制同一线索，为后续逐因子干预提供前提。

数据划分、环境构造和评价指标

实验用 MOSI、MOSEI、CH-SIMS 做主比较，另用 MUD3 做时间环境补充。域内评价沿用各数据集标准划分，训练测试同分布；域外评价采用引用的分布偏移设置，只用于最终测试，诊断和调参都不碰域外数据。主实验的诊断环境按说话人划分，MUD3 按同一用户每 10 个连续视频切成时间环境。指标是二分类精度和 F1，都是越高越好。

基线覆盖 Self-MM、C-MIB、DMD、DEVA、AtCAF、EMOE、DLF 等，涵盖表示、交互、融合和优化等不同路线。实现上单卡 RTX 4080，PyTorch 实现，每个实验重复 10 个随机种子取平均，超参数在验证集上选择。论文还说明带星号的结果是用作者公开代码复现，横线表示无结果且无代码，这对判断比较是否同条件很重要。

域内评价 × 域外评价： 域内评价指训练和测试来自同一划分，检验模型拟合常规数据的能力；域外评价指测试集带有论文引用的说话人或分布变化构造，检验学到的保留与衰减策略能否迁移，两者搭配才能看出方法是只提高了拟合还是真正改善了鲁棒性。

主结果在什么条件下成立

论文报告 FaShift 在三个数据集的域内精度和 F1 都是最好，域外相对已报告域外结果的最强对手，在 MOSI 上提升 1.5 和 3.6 个点，在 MOSEI 上提升 1.7 和 2.7 个点，在 CH-SIMS 上也是已报告中的最好。这个结论成立的条件是说话人环境诊断加阈值处理，且比较范围限于原文能拿到域外数字的对手，很多方法在域外列是缺失的，不能理解成击败了所有方法的所有设置。下表把摘要中的提升幅度整理成可读形式，重点是看提升同时发生在精度和 F1 上，且域外提升幅度大于域内拟合差异，支持选择性保留确实帮助了迁移。

下表比较的问题是相对有域外数字的最强基线，FaShift 在域外二分类精度和 F1 上多出多少个百分点，指标方向都是越高越好，比较只在相同数据集的域外测试上进行。

数据集评价设置指标相对最强基线的提升比较范围
MOSI域外测试精度1.5 个点已报告域外结果的最强对手
MOSI域外测试F13.6 个点已报告域外结果的最强对手
MOSEI域外测试精度1.7 个点已报告域外结果的最强对手
MOSEI域外测试F12.7 个点已报告域外结果的最强对手
CH-SIMS域外测试精度与 F1已报告中最好已报告域外结果的方法

提升幅度表明方法在域外保留了更多有用变化，而不是靠压低所有偏移换鲁棒性。但限制也很明显，CH-SIMS 没有给出具体领先点数，部分基线缺失域外结果，而且域外构造本身来自特定文献的划分，换一种说话人或时间切分，提升能否保持还需要看附录的时间和平伪环境实验。未胜出的细节是部分基线在域内也很接近，说明域内优势较小，主要差距在域外。

读图说明：下面两幅散点分别看偏移与效应、偏移与稳定性的关系，横轴都是偏移，纵轴分别是干预效应和稳定性，重点是找偏移相近但纵轴拉开的因子。

看图路径： 1. 对比左面板偏移与效应的单调趋势和离散点，找出小偏移但有效应的因子；2. 对比右面板偏移与稳定性的分布，定位稳定性明显偏低的 F4 类因子

原论文 Figure 4：Factor-wise intervention effects and stability as a function of distribution shifts.

论文图 4。原论文 Figure 4:：“Factor-wise intervention effects and stability as a function of distribution shifts.”。

从像素可见，左图 F4 偏移最大且效应最高，F0 次之，F1 居中，F2、F3、F5 在小偏移低效应区聚集，说明效应随偏移增大但不是严格线性；右图 F4 稳定性明显最低约 0.57，F0 稳定性反而较高约 0.74，F1、F2、F3 稳定性在 0.69 到 0.72 之间，F5 约 0.65。这种偏移相近但稳定性不同的例子正是论文分类的依据，F1、F3、F5 被归为稳定预测性，F2 为无用，F0 和 F4 为不稳定预测性。

哪些组件去掉后会变差

消融比较了去掉分解、去掉诊断直接保留全部因子、以及保留诊断但所有因子用同一平均权重的均匀处理。完整 FaShift 在域内和域外都明显高于三者，说明分解提供细粒度操作对象，诊断提供逐因子依据，自适应权重提供差异化处理，缺一不可。原表 4 中，均匀处理仅在部分域外指标较前两种消融改善，在域内 MOSEI 和 CH-SIMS 上均低于它们；原文概括为优于两种消融，与表中域内结果不一致。完整 FaShift 仍高于这些变体，支持逐因子处理的价值。下表只展示每个设置下的代表行以便阅读完整趋势，公平条件是同数据划分和同评价协议，指标越高越好。

下表比较的问题是分解、诊断和逐因子权重各自贡献多少，条件是相同数据集的域内或域外划分，指标为二分类精度和 F1，方向越高越好。

SettingVariantAcc.F1
ID: MOSEIFaShift88.288.3
ID: CH-SIMSFaShift83.383.3
OOD: CH-SIMSFaShift73.774.2
OOD: MOSEIFaShift78.578.4

以 MOSEI 域外为例，完整版精度 78.5、F1 78.4，而无分解只有 73.9 和 73.3，无诊断 74.1 和 74.2，均匀处理 74.1 和 74.6，差距主要来自对不稳定因子的过度保留或对稳定因子的误伤。代价是需要调 M 和两个阈值，以及为每个因子存环境样本做匹配，推理之外的诊断开销随环境对数增长。负结果是均匀处理在域内 CH-SIMS 上的精度和 F1 均低于无分解与无诊断变体，因此不能概括为所有设置下都有收益。

读图说明：左图比较成对联合效应与两个单独效应之和，偏离对角线越多交互越强；右矩阵看正负符号和数值大小，重点是协同与拮抗是否同时存在。

看图路径： 1. 先看左图联合效应相对加性基线的偏离方向，判断协同还是拮抗占多；2. 再看右图成对交互矩阵的正负符号，确认因子之间不可简单相加

原论文 Figure 5：Pairwise joint intervention effects under distribution shifts.

论文图 5。原论文 Figure 5:：“Pairwise joint intervention effects under distribution shifts.”。

从像素可见，左图多数点偏离虚线对角线，标注平均绝对交互 0.084，正交互占 53.3%，负占 46.7%，说明加和假设不成立；右矩阵同时出现正值如 +0.15 和负值如 -0.17，证实因子之间既有增强也有冗余或冲突。交互是否进入权重，原文说明不一致：方法式 16 通过 S_k 把交互相关项写入权重分母，局限部分却称交互仅用于分析。封存原文未明确本次实验是否启用该项，因此这里不把仅用于分析当作已确定的实现事实。

读图说明：6 个热力图分别对应因子 0 到 5，每个小格是两个环境之间的偏移量，颜色越深偏移越大，重点比较哪个因子整体更深、哪个因子内部不均匀。

看图路径： 1. 逐个因子比较 8x8 环境对之间的颜色深浅，找出偏移普遍偏大的因子；2. 注意同一因子内部不同环境对的差异，理解平均偏移掩盖的不均匀性

原论文 Figure 6：Cross-environment shift magnitude across the learned factors.

论文图 6。原论文 Figure 6:：“Cross-environment shift magnitude across the learned factors.”。

从像素可见，因子 4 整体颜色最深，多格达到 0.15 到 0.23，而因子 1、因子 2 和因子 5 整体很浅多在 0.05 以下，因子 0 和因子 3 居中。这种异质性支持逐因子处理，但也提醒平均偏移会掩盖某些环境对特别大的情况，实际部署时如果遇到训练没见过的环境组合，衰减系数可能需要重新估计。

因子数量和超参数是否敏感

论文在 MOSEI 上测试了因子数 K 对平均因子相关和域外精度的影响，K 为 6 时平均相关最低约 0.15 且域外精度最高，其余 K 偏大或偏小都会让相关上升、精度回落。这支持分解不是越多越好，太少则信息挤在一起，太多则样本不足以稳定估计每个因子的分布和效应。下表完整呈现了这一权衡，指标方向是相关越低越好、精度越高越好。

下表比较的问题是因子数量如何影响冗余和域外泛化，条件是 MOSEI 相同划分，指标为平均因子相关和域外二分类精度。

KKAvg. Factor CorrOOD Acc-2 (%)
20.6574.6
40.3576.8
60.1579.5
80.3875.1

K 为 6 时去冗余最成功且精度最好，K 为 2 时相关高达 0.65 说明几乎没有分开，K 为 8 时相关回升到 0.38 且精度下降，可能是过细拆分导致每个因子的环境样本稀疏、MMD 和匹配噪声变大。代价是 K 需要在验证集上选择，不能默认照搬。附录还测试了近邻数 M 和两个阈值在较宽范围内相对稳定，最优点 M 为 8、效应阈值 0.2、稳定性阈值 0.6，但这是在给定说话人环境下的结论，换伪环境或时间环境时最优点可能移动。

下表整理因子交互的总体统计和分解的信息保留差距，比较问题是联合效应能否用加和解释、分解是否丢失任务信息，指标方向是交互量反映非加性、差距越小越好。

分析对象正交互占比负交互占比平均绝对交互量信息保留差距
因子对交互53.3%46.7%0.084非加性明显
MOSEI 分解前后准确率差距F1 差距0.3 个点0.2 个点
CH-SIMS 分解前后准确率差距F1 差距0.2 个点0.1 个点

上表的交互统计来自成对干预与加和基线的比较，正负几乎各半说明不能简单相加。信息保留差距的两行按原文第 4.4 节段落转述；但原表 3 逐格给出 MOSEI 的精度与 F1 差距为 0.2 和 0.1 个点、CH-SIMS 为 0.3 和 0.2 个点，与该段落对调。两处报告的差距均不超过 0.3 个点，支持主要任务信息得到保留，但不能把两处的数据集归属视为一致。但限制是相关矩阵和 PCA 只能证明低相关和结构化分布，不能证明统计独立或因果可识别，论文也明确这只是经验验证而非独立性证据。

论文明确承认了哪些局限

论文在局限部分写得很具体。第一，替换因子的干预是预测敏感性分析，不是形式因果效应，也不保证因果可识别，未来需要显式因果结构或更强干预验证。第二，因子没有对齐到预定义语义，其可识别性依赖分解目标和初始化，语义解释仍是推测。第三，部分实验用伪环境模拟偏移，虽然补充了时间环境，但更广泛的真实环境变化仍需验证。第四，处理策略依赖经验阈值。

局限部分称成对交互仅用于分析，但方法式 16 又含交互相关项，两处说明不一致，实际实验是否启用该项仍需作者澄清。高阶交互和自适应阈值仍被列为未来方向。这些局限意味着复现时不应把因子编号当成固定语义，也不应把阈值当成普适常数。

复现第一步做什么、需要什么条件

复现应从环境构造和第一阶段表示开始。对 MOSI、MOSEI 和 CH-SIMS 按说话人分组环境，对 MUD3 按用户时间顺序每 10 条切一组，训练只用训练划分，验证集调参，测试集留到最后。用论文给出的 K、M 和阈值作起点，MOSI 和 MOSEI 默认 K 为 6、M 为 8、偏移阈值 0.02、效应阈值 0.2、稳定性阈值 0.6，CH-SIMS 和 MUD3 用 8 因子和相应阈值，先训出低冗余且预测差距小的分解表示，再冻结编码器和预测头做 MMD 和干预诊断。关键超参数和信息条件都要保留：需要同说话人有足够样本，否则 MMD 和近邻匹配会不稳定。

伪环境只在没有可靠属性时作为备选，论文显示伪环境在 MOSEI 和 CH-SIMS 上域外仍保持一定效果但明显低于观测环境。关于资源，论文只说明单卡 RTX 4080 和 PyTorch 实现，没有报告训练时长和推理延迟，编码器提到用了 Qwen3-Embedding-4B，但本次提供的链接当前未能确认可达，不能写成作者资源已公开，代码、权重和系统状态要分开核实。

什么时候值得尝试、还缺哪项验证

当多模态数据来自多说话人、多时段或多采集条件，且怀疑有些变化有用、有些有害时，值得尝试这种先分解再逐因子诊断的思路，它比统一压制更能保留稳定有用的变化。复现第一步是按自然结构构造环境并验证分解的信息保留和低冗余，再看干预效应和稳定性是否呈现异质性，如果所有因子效应都相近，均匀处理就够了。还需要补的验证是新的真实环境划分下的阈值迁移性、交互进入权重的增益，以及小样本说话人环境下的估计稳定性。

容易产生的误解是把衰减权重当成学到的注意力或因果强度，实际上它只是按训练环境统计算出的保留比例；另一个误解是把伪环境效果等同于真实环境，论文数据显示伪环境可用但差距明显，自然环境提供的异质性更 informative。总体上，证据支持在给定划分下选择性处理优于统一不变，但在其他划分和更大规模真实变化下仍待验证。

📎 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 2026-10-16 语音/音乐/音频论文速递