📄 MixAgent：按工程师流程分层规划与修正的多轨混音智能体
评分：7.0/10 | 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 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Jaywon Koo：机构信息未能在本次解析中与作者逐人可靠绑定
- Junghyun Koo：机构信息未能在本次解析中与作者逐人可靠绑定
- Marco A. Martinez-Ramirez：机构信息未能在本次解析中与作者逐人可靠绑定
- Wei-Hsiang Liao：机构信息未能在本次解析中与作者逐人可靠绑定
- Seungheon Doh：机构信息未能在本次解析中与作者逐人可靠绑定
- Qiyu Wu：机构信息未能在本次解析中与作者逐人可靠绑定
- Vicente Ordonez：机构信息未能在本次解析中与作者逐人可靠绑定
- Yuki Mitsufuji：机构信息未能在本次解析中与作者逐人可靠绑定
📌 核心摘要
混音是把鼓、人声、贝斯等多条未处理录音先逐轨处理，再把相关音轨合并到子组处理，最后在总线汇总成成品，难点在于目标音色难用语言说清，且音量、均衡、压缩、混响等音频效果的开关、顺序与数值互相牵制。分组智能体听录音并看乐器标签，把相关音轨送入同一子组，其输出的子组划分进入规划智能体。规划智能体参照检索示例，依次为音轨、子组和总线选择并排序效果器链，并按参考歌曲设定初始数值。检测器判断哪个部件需要修正，修正评论模型给出数值修正并自下而上渲染，与只预测效果器链或直接生成音频的方法不同，全程保留可编辑的效果器名和参数值。为训练修正环节，作者用拟合专业混音得到的参数制造损坏状态并配对修复意见，构建MixCritic数据集。在由17首歌的20个保留片段组成的MedleyDB评测中，MixAgent的多尺度频谱误差MSS越低越好为2.83，低于单次GPT-4o-audio的3.67，而在AlbumDB评测中其MSS为3.81，高于带自修正的GPT-4o-audio的3.77，结论随数据集而变。该结论只在以单一专业混音为目标的重建误差下成立，小样本与拟合参数近似也限制其推广，且原文未披露训练、推理或部署成本。
🔗 开源与复现资源
- 第三方资源：https://github.com/SonyResearch/Agentic_Music_Post-Production — 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
混音要解决的听感问题是什么
混音的输入是分别录制的单路声音，论文称为输入音轨，例如主唱、贝斯、单个鼓话筒。目标是把它们合成为一首立体声歌曲，过程中要用音频效果控制音量、左右位置、频率平衡和空间感。难点在于效果之间会相互影响，例如鼓太响会盖住人声，而且想要的声音风格很难只用语言说清，例如人声太轻并没有指明该动哪个旋钮、动多少。
论文研究的是参考引导的混音：额外给一首已完成混音的参考曲，智能体要模仿它的混音风格，但不能照抄音频，因为配器和编曲可能不同。输出不仅是一版混音音频，还包括完整的混音方案与参数，渲染只对输入音轨做效果处理，避免直接生成音频带来的幻觉内容和伪影。用户可以检查每一步用了哪个效果、参数是多少，并重新渲染。
已有路线为何没有解决完整建混与可靠修正
理解本文位置需要先看 3 条路线。神经与生成式混音能给出有竞争力的成品音频，但不暴露可编辑的效果设置，也没有显式的评论修正循环。固定调音台的参数估计方法能给出可编辑参数，但效果链固定，不能选择效果、排序，也不能分组。面向单轨效果链预测或按指令改已有混音的大模型方法，只覆盖建混中的一小段。
本文强调的一个经验证据是，直接让多模态大模型听当前混音再改，往往不能稳定变好，有时反而变差。这使得可靠的修正成为核心难题，而不是只要加迭代就会更好。
以下示意图对比了 3 类工作流程，有助于定位 MixAgent 的增量：它要同时做跨三层的开放式效果链规划、执行与迭代修正。
看图路径： 1. 先看(a) 神经混音是否包含显式的评论修正回路；2. 再看(b) 两类大模型方法的输入是单轨还是已有混音；3. 最后看(c)MixAgent 的三步如何对应分组、规划与修正
论文图 1。原论文 Figure 1:：“Comparison of music post-production workflows.”。
该图(a) 显示神经方法从音轨加参考音频直接到成品或参数，没有评论修正环；(b) 显示已有大模型方法处理的是单轨或已有混音加指令；(c) 显示 MixAgent 从未处理的多轨与参考音频出发，经过分组、规划效果、修正参数三步，输出混音加可编辑方案。读图时不要把(b) 的单轨链预测误认为完整多轨建混。
输入、参考与输出的形式化约定
任务输入包括未处理的输入音轨集合与乐器标签、可用的音频效果库，以及风格参考。风格参考是另一首歌的成品混音，只提供风格示例。智能体要输出分组方案与每层的效果链及其参数。记第 i 条音轨属于子组 b 的集合，音轨级、子组级、全混音级的效果链与参数分别记为相应符号。
渲染过程分 3 级求和与处理：先对每条音轨施加其效果链得到单轨结果；再把同一子组内的单轨结果加和后经子组效果链处理；最后把所有子组输出加和后经全混音效果链处理得到最终混音。论文用 3 个符号分别表示 3 级渲染后的音频，后续的修复分数与分阶段误差都按级计算。
一个关键的实验构造是，由于缺乏为其他歌曲参考制作的目标混音，训练与主要评测用同一首歌的两个不重叠片段：一段提供未处理输入与作为目标的职业混音，另一段提供风格参考。这样参考与目标风格相近，但参考没有泄露目标音频。评测时目标只用于打分。
输入音轨 × 子组 × 全混音： 输入音轨指鼓话筒、人声、贝斯等未经处理的单路录音；子组是把相关音轨先加和再一起处理的总线，例如全部鼓话筒组成鼓组；全混音是所有子组输出加和后再经母线处理的结果。三者分工是分层处理：单轨解决音色和动态，子组解决组内平衡与粘合，全混音解决整体音色与响度，组合后可以分阶段渲染并隔离相互掩蔽的影响。
MixAgent 的三步流水线如何衔接
MixAgent 全自动运行，分为决定用什么效果、决定修哪里、决定怎么修。第一步是分组智能体听输入音轨并读乐器标签，把相关音轨路由到子组，例如底鼓、军鼓与镲片组成鼓组。第二步是冻结的规划智能体在检索示例引导下依次选择音轨级、子组级、全混音级的效果链，并初始化参数。第三步是学到的检测器选出待修元素，学到的评论器逐个提出参数修正，按从音轨到子组再到全混音的自底向上顺序走一遍，后 1 阶段能听到前 1 阶段修正后的音频。
效果链一旦选定就固定，修正阶段不能增删或重排效果，只能改数值参数。每一次修正都会记录，评论器在每个被选元素上按该阶段开始时的音频提一次修正，应用并重新渲染后再进入下一个阶段。默认每阶段只走一遍。
下图展示了分组、检索增强的分层规划与分层参数估计之间的数据流向，是全文方法的总览。
看图路径： 1. 沿(a) 到(b) 再到(c) 看主路径上音频与文本分别流向哪里；2. 看(b) 中检索示例在音轨级、子组级、全混音级的先后顺序；3. 看(c) 中检测器与评论器之间传递的是被标记目标而非全部元素
论文图 2。原论文 Figure 2:：“Overview of MixAgent. (a) The grouping agent assigns tracks to subgroups.”。
从像素可见，(a) 分组把输入波形变成鼓组、吉他组、人声组等命名组；(b) 检索库同时接收音轨描述与风格参考，规划智能体按音轨、子组、全混音 3 级顺序产出效果方案，示例图中出现底鼓均衡到增益、鼓组均衡到压缩、全混音均衡到限制器等链；(c) 先初始化全部参数，再按级用阶段音频加当前混音、风格参考、效果方案与当前参数驱动检测器与评论器，最后输出最终混音加可编辑方案与日志。
分组与检索增强的效果链规划做了什么
分组只决定路由，不选效果、不调参数。规划智能体若无示例，往往倾向选很短的链。为此论文用可微分处理库拟合数据库歌曲的职业混音，再去掉对渲染影响很小的效果，得到伪真值方案与渲染混音的描述，存为检索条目。新歌到来时，用输入音轨描述做文本检索找配器相似的方案，用参考音频做音频检索找风格相似的方案，默认提供 3 条文本检索与一条音频检索方案，且排除输入歌曲的所有片段。示例只展示选了哪些效果与顺序，不给参数值。
规划按顺序进行：先定音轨链，再结合音轨链定子组链，最后结合前两层定全混音链。附录例子显示 MixAgent 的链更像工程师习惯，例如鼓组先门限后压缩、人声组类似处理，母线链在不同歌曲间有变化；这与固定调音台顺序的拟合方案不同，后者门限总在压缩之后。
音频效果 × 音频效果链 × 渲染： 音频效果指增益、均衡、压缩、混响等由数值参数控制的信号处理工具；音频效果链指按顺序串联的多个效果，例如均衡后接压缩；渲染指把选定的链与参数实际作用到输入音轨并逐级加和得到可听混音的过程。三者组合的意义是计划与声音分离：链决定用什么处理和什么顺序，参数决定处理多重，渲染把抽象计划变成可评分的音频。
检测器与评论器如何分工并执行修正
参数初始化后进入分层修正。论文把每条音轨、每个子组与全混音统称为元素。检测器在音轨与子组阶段听组内已处理音频与参考，读当前方案与参数，对每个元素预测需要修正的概率，并标出可能有问题的效果。评论器按概率从高到低检查超过阈值的元素，全混音必查。检测器阈值推理时取 0.15，验证时用 0.5 报告精度。
评论器的输入包括该元素当前效果处理后的音频、当前混音、参考，以及检测器输出与该元素的效果链和参数。它输出一个修正动作，执行器只更新该元素的参数。3 种反馈形式描述同一次修复：A1 是高层语义建议，A2 指明工具与调整方向，A1 与 A2 都需要再经规划器转成数值；A3 直接给出显式数值参数，执行器直接应用。MixAgent 实际使用 A3。
修正的采样与更新关系可写成从评论器分布中采样动作，再把动作写入参数。
\[a_{e}\sim\pi_{\phi}(\cdot\mid o_{e}),\qquad\theta\leftarrow\mathrm{Exec}(a_{e},\theta),\]其中动作服从以评论器输入为条件的分布，输入包含被修元素的音频、混音、参考、检测结果与当前链参数；更新只改该元素的参数，不动其他层。理解该式的关键是音频在每一遍开始时固定，提完修正后重新渲染，下 1 阶段才能听到已修正的声音。
MixCritic 如何构造损坏状态与三种评论
由于没有现成的混音评论加参数修复成对数据，论文构造 MixCritic。对 165 个 MedleyDB 训练片段，先固定智能体选出的效果链，用梯度优化把参数拟合到职业混音，得到伪真值参数与各级伪真值音频；同时让大模型为同一链预测参数。用大模型参数随机替换部分音轨的拟合参数并渲染，得到损坏状态。输入音轨、效果链与伪真值目标保持固定。
对每个损坏状态选一个被损坏音轨，定义将其恢复为伪真值参数的目标修正。更大的教师模型只看文本的当前值与正确值，写出 A1 到 A3 3 种形式的评论并附逐步推理。只有目标修正的修复分数超过阈值的评论才保留，共得到 45,657 条监督评论。检测器在同样状态加随机参数状态上训练，预测哪些音轨、子组与效果被损坏。伪真值参数只用于建数据，推理时不可见。
下图显示了从两路参数到随机替换，再到教师模型对比生成评论的构造路径。
看图路径： 1. 看(a) 中同一套效果链如何得到优化参数与大模型参数两路来源；2. 看随机替换发生在音轨级而链结构保持固定的位置；3. 看(b) 中教师模型对比两套参数后一次生成三种形式的评论
论文图 3。原论文 Figure 3:：“Data generation for MixCritic. (a) From a fixed tool plan, we obtain parameters through gradient-based optimization against the professional mix with GRAFX (green) and LLM…”。
像素层面，(a) 同一套工具方案分出优化参数与大模型参数两支，随机音轨级替换形成损坏态；(b) 选中一条被损坏音轨，把其参数恢复为优化参数作为目标修复，教师模型据此生成 A1、A2、A3 监督评论，评论器被训练为一次修一条被损坏音轨的参数。
检测器 × 评论器 × 数值修正： 检测器负责判断哪个元素需要修，输出每个音轨或子组的出错概率和可能出问题的效果；评论器负责判断具体怎么修，针对被选中的元素提出修正动作；数值修正是评论器三种输出形式中最具体的一种，直接给出参数新值并由执行器写入。三者搭配把听后修正拆成先定位再定量，避免对所有元素盲目重写。
监督微调与按渲染结果偏好优化如何训练评论器
评论器主体是语言模型加冻结的效果表征编码器，中间用可训练的音频适配器连接。音频输入有 3 段：被修元素当前效果处理后的音频、当前混音与参考，每段分别标注角色并编码。文本输入包含检测器输出与被修元素的效果链和当前参数。监督微调先只训练适配器，再联合训练适配器与低秩适配权重，损失在词元交叉熵之外加数值距离损失，以惩罚数值上偏远的预测。
监督微调只学了一个目标修正，但其他修正也可能改善混音。偏好优化阶段让监督后评论器对每个被检测器选中的元素采样 8 个候选评论，分别作用到相同起点参数并渲染，用修复分数排序，取最高分与两个最低分中差距足够大的配对。若被检元素本未损坏，则用初始音频误差归一化。优化目标偏好高分修正，以冻结的监督评论器为参考，只更新适配器与低秩权重。
修复分数的定义需要特别说明：本次结构化提取得到的公式右端残缺为空，不能作为有效定义展示，正文因此不展示空等式。按原文文字定义，修复分数先算损坏参数下渲染音频与该级伪真值音频的距离，再减去执行候选修正后渲染音频与伪真值音频的距离；为正表示向伪真值音频靠近。距离用多分辨率短时傅里叶误差衡量，正分表示改善。偏好对按归一化后的分数构造，阈值与采样温度等超参数在附录表中给出。
伪真值参数 × 损坏混音状态 × 修复分数： 伪真值参数是用可微分处理库对职业混音拟合得到的参数近似，不是工程师真实旋钮位置；损坏混音状态是把其中部分音轨的参数替换成大模型预测值后渲染出的有错中间态；修复分数是衡量一次修正让渲染音频向伪真值音频靠近了多少的标量。三者组合让训练有可计算的监督：用伪真值定义修好的方向，用损坏状态制造待修输入，用修复分数比较候选修正的好坏。
数据切分、基线与指标方向如何约定
数据来自 MedleyDB 的未处理录音与职业混音，经音乐结构分析在每首超过 35 秒的段落中采样 1 对不重叠的 15 秒窗口且间隔至少 5 秒，过滤后得到 123 首歌的 185 个片段，按艺人切分为 165 个训练片段与 20 个评测片段。跨库迁移用同样方式构建 AlbumDB 评测片段。所有输出在打分前归一化到相同响度，评测取片段平均。
基线用 3 组多模态大模型在相同输入、参考与可用效果下比较：单遍直接生成方案与参数；自修正听当前混音直接改；自评论先写评论再据此改，后两者最多迭代 3 轮。另有随机采样效果与参数的基线，以及固定调音台与端到端等专用混音模型的单独对比。专用模型中部分方法从职业混音分离出的声部出发，具有接触目标的优势，不可与同条件方法直接排名。
指标分 3 类：重建类比较输出与目标的频谱内容，越小越好；质量类不看目标，预测听感偏好与制作质量，越大越好；相似类比较效果表征或手工特征，方向按越大或越小各自约定。论文指出听感预测分只能发现严重劣化，对细微差别不敏感，只能作严重问题的筛查。
多尺度频谱误差 × 多分辨率短时傅里叶误差 × 风格相似度： 多尺度频谱误差比较输出与目标在多个时频分辨率下的频谱内容差异，越小表示重建越接近；多分辨率短时傅里叶误差是类似思想但按声道分别计算的音频距离，论文用它做训练分析和消融；风格相似度用效果表征或手工特征比较混音手法是否相近。三者分工不同：前两者测重建精度，后者测手法相似，另有不看目标的预测质量分只做严重劣化的筛查。
主结果在什么条件下成立、哪里不一致
在 MedleyDB 的同曲不同片段参考条件下，MixAgent 的重建误差最低，多尺度频谱误差为 2.83，低于单遍最强的 GPT-4o-audio 的 3.67，同时预测质量分最高。但效果相似类指标并非全面最优，Gemini 自修正变体在部分相似度上更好。直接用大模型听后修正并不稳定，自评论变体在两个数据集上都比自修正的重建误差更高，说明无任务训练的听后修正不可靠。
跨库到 AlbumDB 时结论变弱：MixAgent 的制作质量仍最高并与单遍 Gemini 并列听感偏好最高，但重建误差为 3.81，次于 GPT-4o-audio 自修正的 3.77；相似度最好的仍是单遍 GPT-4o-audio。评测集很小，MedleyDB 评测 20 片段、AlbumDB 评测 14 片段，听感试验 10 片段，因此跨库差异与主观比较的精度都有限。
下图是同流派异曲参考下 11 人每人 10 试次的主观制作质量评分，量尺包含随机锚点与原始人混。
看图路径： 1. 先对比随机锚点与原始人混的分数区间确认量尺有效；2. 再比较三个大模型基线箱体的中位数与重叠程度；3. 最后看 MixAgent 箱体相对基线整体上移但仍低于人混
论文图 4。原论文 Figure 4:：“Human evaluation of mixing quality.”。
像素可见，随机锚点中位数为 0.0，原始人混中位数为 90.0，3 个大模型基线中位数在 28.5 到 34.0 之间且箱体高度重叠，MixAgent 中位数为 56.5，明显高于 3 个基线但与人混仍有较大距离。论文报告 MixAgent 显著高于 3 个基线，而基线之间无显著差异。引用该结论时必须带上条件：参考来自同流派不同歌曲，且样本仅为 11 人共 110 试次。
评论器输出示例说明了三种反馈的粒度
比较 3 种反馈前需要先明确它们描述的是同一次修复，只是粒度不同。下表展示了论文给出的评论输出节选，A1 只给听感描述，A2 点名工具并说明调整方向，A3 直接给出参数数值与干湿比。
该表回答评论形式在信息粒度上有何区别，不涉及性能排序；公平条件是三者对应同一类参数修复，只是表达形式不同。
| Form | Critic output (abridged) |
|---|---|
| A1 | The vocal sounds heavily squashed and lifeless… It needs to breathe naturally with smooth dynamics, a cleaner noise floor, and a touch of high-frequency air. |
| A2 | {“tools”: [{“tool”: “noisegate”, “comment”: Raise the threshold significantly so it only engages on actual noise, and reduce the wet mix to make the processing transparent and eliminate pumping artifacts. } ]} |
| A3 | {“tool”: “noisegate”, “parameters”: {“log_threshold”: 1.28, “log_ratio”: 1.04, “log_knee”: 2.45, “z_alpha_pre”: 4.35}, “drywet”: 0.599} … |
A1 例如说人声被压得太死、需要更自然的动态与高频空气感，没有效果名与数字；A2 例如对噪声门说显著提高阈值并降低湿信号比例以消除抽吸感，仍无数字；A3 直接给出对数阈值、比率、膝点等数值与干湿比，可被执行器直接写入。这种粒度差异决定了 A1 与 A2 还需经规划器转成数值，而 A3 可直接执行，也是后文数值反馈更有效的前提。限制是示例为节选，不能据此判断某类反馈在所有歌曲上必然更好。
数值反馈与偏好优化的增益有多大
固定效果链与检测器后，论文比较了反馈形式与训练阶段。未训练的评论器用提示的通用大模型充当，其修正在 3 种形式下平均都增加误差，只有约 40% 到 50% 能降低全混音误差，最终误差高于只用规划器不修正的起点。训练后的数值修正在全混音误差上从监督微调的 1.91 降到偏好优化后的 1.75，相对降幅为 8.4%，每次修正的平均改善几乎翻倍，成功率从 64.7% 升到 66.8%。偏好优化对工具建议形式也有改善，但对语义建议形式无改善，说明越具体的反馈越能从按渲染结果的偏好训练中受益。
下表回答在相同起点与检测器下，不同训练阶段的数值修正效果如何；指标方向为各阶段误差越小越好，最终目标为真实混音；对照包含未训练评论器，实际可运行策略为监督加偏好优化的 A3。
| Critic | Track | Full mix | Final |
|---|---|---|---|
| Untrained A3 | 1.46 | 2.09 | 2.18 |
| SFT A3 | 1.42 | 1.84 | 1.91 |
| DPO A3 | 1.33 | 1.68 | 1.75 |
未训练 A3 在音轨、子组、全混音与最终 4 级误差为 1.46、1.81、2.09、2.18，监督后降为 1.42、1.88、1.84、1.91，偏好优化后进一步降为 1.33、1.80、1.68、1.75，每 1 级都最低。代价是训练需要采样 8 个候选并逐个渲染打分，且偏好对依赖伪真值音频构造，不能在推理时获得。直接拟合同一套方案到目标的上限为 0.90，说明参数估计仍远未解决。该表未包含检索消融，检索增益需看下一节。
检索、修正顺序与修正目标是否互补
检索与修正分别作用于链选择与参数，增益可叠加。去掉修正或去掉检索都会使误差上升约 0.6，去掉两者上升更多；修正顺序上自底向上优于自顶向下与一次性全部应用；修正目标上用检测器选择优于检查全部元素或随机选同样数量，说明选对目标比多检查更重要。检索还使每轨效果数从约 1.6 增至约 3.8，拟合上限随之改善，但随机示例只能带来小幅改善，文本检索贡献了主要增益。
MixCritic 本身的规模与检测器精度是复现时的重要参照。下表给出数据规模，下下表给出检测器在验证集上的精度。
第一张表回答训练数据的来源规模与切分条件，第二张表回答检测器在阈值 0.5 下的验证精度；两者共同说明修正训练的监督基础，不直接证明混音质量。
| Statistic | Value |
|---|---|
| Source clips / songs | 165 / 106 |
| Supervised critique examples (train, A1–A3) | 45,657 |
| Preference pairs (DPO) | 47,857 |
| Detector training states | 40,264 |
监督评论共 45,657 条，来自 165 片段与 106 首歌，另有 2,200 条验证与 47,857 个偏好对，检测器训练状态 40,264 个，每状态损坏 1 到 36 轨。检测器在音轨级精确率、召回率、F1 与曲线下面积分别为 0.797、0.822、0.809、0.893，效果级为 0.700、0.849、0.767、0.874。限制是验证集来自训练歌中留出的片段，与最终评测歌的艺人不重叠但分布仍接近训练，跨库精度未在此表报告。
| Target | NN | F1 | AUROC |
|---|---|---|---|
| Track | 9,779 | 0.809 | 0.893 |
| Audio effect | 33,329 | 0.767 | 0.874 |
该第二张表后补充：检测器用固定音频嵌入加变换器分类器训练，正样本要求被替换参数使该轨误差变化至少 1.0。推理阈值降到 0.15 会检出更多元素，精度与召回的权衡与验证阈值不同，复现时不要直接用 0.5 阈值比较推理行为。
哪些结论不能推广、哪些验证还缺失
第一，重建误差只相对一个职业混音计算，同一输入可有多个合理混音，误差小不等于更好听。听感预测分只对严重劣化敏感，论文明确它不足以作为独立的混音质量目标，高频细节与声像评价还受单声道与低采样率表征限制。
第二，评估规模小且跨库不一致，AlbumDB 上重建与相似度最优不是 MixAgent，专用模型中从职业混音分离出发的方法在部分指标上更好，但因接触目标而不具可比性。第三，监督与上限都来自拟合参数近似，不是工程师真实设置，拟合上限与当前最优仍有较大距离，效果库也只覆盖专业工具的一小部分，且规划后不能增删效果。
第四，可解释性尚未经用户研究验证，输出虽记录每次命名参数的改动且约三分之二降低全混音误差，但用户能否理解与有效编辑仍未知。计算上每片段需多次大模型调用，附录报告检查全部元素与不同顺序的耗时差异，实际部署成本需另行测量延迟与费用。
复现第一步做什么、需要哪些关键设置
复现应从数据构造开始：按论文规则在每首超过 35 秒的段落采样 1 对不重叠 15 秒窗口且间隔至少 5 秒，过滤后按艺人划分训练与评测，保证评测艺人与训练不重叠。效果链固定后，用可微分处理库拟合职业混音得到伪真值参数，再用大模型参数随机替换部分音轨参数构造损坏态，教师模型只看文本参数差写 3 种评论，保留修复分数超过 0.02 的样本。
模型上评论器用冻结的效果编码器加语言模型与音频适配器，先训适配器再联合训低秩权重，数值损失权重 0.3；偏好优化从监督点出发，学习率更低，每元素采样 8 候选并渲染打分，分数差距阈值 0.1，每批 24 对。检测器阈值推理用 0.15，规划与评论解码温度与长度按附录设置。评测前把输出归一化到相同响度并取片段平均。
关于可用性，论文正文给出演示链接指向第三方代码托管地址，但本次证据只证明该链接可访问，不证明作者已开源或权重可下载。代码、权重与可运行系统是三件事，复现前应分别确认仓库内容、模型权重与一键运行脚本，不把链接可达当作可复现。
什么时候值得尝试、还需补什么验证
当任务是参考引导的多轨混音，且需要可检查、可编辑的效果方案而非直接音频时，MixAgent 的流程值得尝试：先分组，再用检索示例定链与顺序，最后自底向上检测加数值修正。预期收益主要来自两处：检索改善选什么效果，学到的数值修正改善参数，两者叠加；若只能做一处，优先保证检索质量与检测选目标，因为盲目增加修正轮数并不稳定，论文中 3 轮与 5 轮未带来一致提升。
还需补的验证包括同流派异曲参考下的更大规模盲听、跨风格与跨库的稳定性、用户实际编辑计划的效率，以及推理耗时与成本的完整报告。教学上可把一个样本的完整链路作为例子：输入多轨经分组与 3 级链规划得到初始混音，检测器标出待修元素，评论器给出数值修正并重新渲染，最终输出混音加命名参数日志；该例子仅说明流程，不附带效果数值承诺。
📎 论文与评分元数据
排名：前50% | 文档类型：系统技术报告 | 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