📄 只看嘴和声音对得上吗：检测换了说话内容的音视频伪造
评分：6.0/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 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
- Jian Zong：机构信息未能在本次解析中与作者逐人可靠绑定
- Chenghan Lin：机构信息未能在本次解析中与作者逐人可靠绑定
- Meng Liu：机构信息未能在本次解析中与作者逐人可靠绑定
- Zhao Xu：机构信息未能在本次解析中与作者逐人可靠绑定
- Junyu Wang：机构信息未能在本次解析中与作者逐人可靠绑定
- Siyuan Zhang：机构信息未能在本次解析中与作者逐人可靠绑定
- Peiyuan Jiang：机构信息未能在本次解析中与作者逐人可靠绑定
- Longbiao Wang：机构信息未能在本次解析中与作者逐人可靠绑定
- Jianwu Dang：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
读者需要理解的对象是一段说话人可见的视频，输入是同步的语音声轨与口部运动，输出是当前组合为真实还是篡改的二分类判断。困难在于现代口型重生成已经修补了粗略的音画同步，全脸外观又混入姿态与纹理干扰，句子级池化还会抹掉短暂的不一致。方法沿一个短片段处理：视觉分支只裁剪嘴部区域并经三维卷积与时序建模得到运动表示，音频分支用扩展时延神经网络编码声学动态，两路经投影与重采样对齐到相同帧数与维度。随后在每一对齐帧上构造包含拼接、逐元素乘积与绝对差的交互向量，经自适应统计池化（Adaptive Statistics Pooling，ASP）压缩为定长表示，再由多层感知机输出篡改概率。与句子级融合和全脸输入相比，该设计保留了帧级发音配合关系，也不需要文本转写、语音识别特征或原始参考视频。在 SyncSpeech 受控评测中，预训练的 SyncLip-C 在五个场景平均准确率达到 95.813%，总体 AUC 为 0.9943，优于同协议下的句子级、全脸与复现的 SyncNet 基线。结论适用范围限于该基准与选定的 FakeAVCeleb 子集，在未见的 Video-Retalking 生成器上性能下降明显，且未覆盖压缩、编解码与噪声等退化条件。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
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
这篇论文要解决什么安全问题
论文研究的是说话内容篡改。输入是一段可见人脸的说话视频，目标是判断当前声音和画面是不是原配的 1 对。攻击者不想换脸是谁，而想让画面里的人说出没说过的话。弱攻击只把另一段语音拼到原视频上，嘴形和声音容易错位；强攻击再用重配音模型把嘴部按伪造语音重新生成，让粗略的唇同步看起来修好了。
这种设定削弱了两类常用线索。一类是生成纹理痕迹，不同生成器痕迹不同，换生成器就可能失效。另一类是粗同步偏移，也就是声音和嘴整体差了多少帧，而这正是重配音模型被训练去修复的东西。论文因此提出更窄的假设：即使整体同步修好了，声音动态和嘴部运动之间的局部配合仍可能被扰动。读者需要先接受这个任务边界：模型不识别说了什么字，也不查说话人身份，只看当前音频和嘴动作在帧级别是否配合。
已有路线为什么不够用
论文把相关工作分成 3 条路线。第一条找视觉伪影或身份不一致，例如纹理痕迹、声称身份核验、按词查人脸运动。这类方法需要生成器痕迹、注册身份或按人按词的标注，本文都不假设。第二条做音视频对应，例如 SyncNet 度量粗时间对齐，或者用 Wav2Lip 重建唇序列再比较。粗对齐一旦被重配音修复，灵敏度就会下降。
第 3 条做细粒度语音与唇形关系，例如按音素建唇形检测器、比较音频和视觉两路转写结果。这类方法需要音素标签、自动语音识别转写或视觉语音识别，而本文希望不用转写文本、不用语音识别语义特征、不用未篡改参考视频。
论文还承认自监督音视频模型和数据集捷径的提醒。一方面，只在真实视频上学正常对应、再做异常检测的思路更通用；另一方面，检测器可能利用前导静音等数据捷径。SyncSpeech 的应对是分离同人和异人替换、分离只换音频和重生成嘴唇，但作者明确说这只能减少明显的身份和同步捷径，不能排除所有生成器或数据集痕迹。所以后文的跨生成器结果必须按有限证据来读。
输入是什么，输出是什么
模型每次拿到 1 对已同步的序列：声音序列和嘴运动序列。声音来自 16 kHz 重采样后的 80 维对数梅尔特征，视觉来自 25 帧每秒视频中裁出的嘴部。每个样本只取 2 秒片段，很多片段实际只有 0.54 到 6.98 秒，留给判断的时间窗口很短。输出是一个概率，表示该视频被篡改的可能性，记作篡改标签为 1 时的条件概率。
关键约束是不用三样东西：不用文字转写，不用语音识别得到的语义特征，不用同一人的原始未篡改视频做参考。这意味着模型不能靠理解语义去核实说了什么，只能靠发音动力学和可见构音动作是否配合来打分。同人替换在这里最难，因为声音身份也对得上，剩下的主要证据就是这种配合关系。
音频拼接伪造 × Wav2Lip 重配音： 音频拼接伪造只换音轨、不改画面，嘴形和新语音明显对不上；Wav2Lip 重配音则用新语音重新生成嘴部，再把粗略同步修好。二者分工是给出由弱到强的两档攻击，组合起来才能检验检测器到底依赖粗同步误差，还是能发现同步修好后残留的发音配合问题。
C-MIND 的整体流程是怎样的
C-MIND 名字指跨模态的检测思路，主配置叫 SyncLip-C。流程可以沿一个 2 秒样本走一遍。音频支路用扩展时延神经网络编码帧级声音动态，视觉支路用 3 维卷积前端加残差图像编码器加时间卷积编码嘴序列。两路时间步长和通道数不同，先经过投影和插值变成同样长度 T、同样维度 d 的序列，记作 A 和 V。
然后模型在每 1 对齐时刻同时看一致和分歧，把拼接、逐元素乘积和绝对差拼成交互向量，再用池化把变长序列压成固定向量，最后用多层感知机输出真假分数。图 1 把这条主路画得很全，读图时先分清左右两条编码支路，再看中间对齐，最后看右上交互与右下分类。
下面这张官方流程图是理解分支汇合位置的关键，读图说明之后再看像素细节。
看图路径： 1. 先从左侧音频和嘴序列两条支路看编码器输出的走向；2. 再看中间帧对齐块如何把两路变成同一长度 T 的序列；3. 最后看右上显式交互的四块表示如何汇入池化和分类
论文图 1。原论文 Figure 1:：“Overview of C-MIND (SyncLip-C). Audio and visual encoders produce frame-level representations that are projected to a common dimension and temporally aligned.”。
从像素上看，左侧上方是梅尔谱图和波形示意，进入标有 E-TDNN 的音频编码器，输出 T 乘 d_A 的蓝色序列；左侧下方是嘴序列示意，进入标有 3D CNN 加 TCN 的视觉编码器，输出 T 乘 d_V 的橙色序列。中间帧对齐块用虚线双箭头把 A_t 和 V_t 逐时刻对应起来。右上显式交互块画出 A、V、乘积和差四块，再汇成拼接向量，向下经过自适应统计池化和多层感知机，得到伪造概率和二元交叉熵损失。这张图确认了对齐发生在交互之前，交互发生在池化之前，这正是保留短暂不一致的关键顺序。
为什么只看嘴，编码后如何对齐
视觉分支刻意只用嘴部，而不是全脸。原文理由是减少姿态、身份纹理和嘴外表情带来的变化，让表示集中在构音器官附近。实现上每帧先检测人脸关键点并对齐到参考形状，再裁固定嘴区，缩放到 96 乘 96 并转灰度。音频用 25 毫秒窗、10 毫秒跳的对数梅尔特征，并与视觉序列同步后再比较。
对齐要解决两个不一致：时间采样率不同，通道宽度不同。音频投影和视觉插值把两路映射到共享长度 T 和维度 d，得到每时刻的音频向量 a_t 和视觉向量 v_t。如果先把 2 模态各自在整句上平均再比较，短至几帧的发音错位就会被平均抹掉。保留逐帧对应，就是为了保住这种短不一致。
嘴部区域 × 全脸输入： 嘴部区域指裁出的嘴唇附近图像块，直接承载发音动作；全脸输入还包含姿态、纹理和表情。论文比较二者是为了验证发音信号是否被全脸的无关变化稀释，组合意义在于把检测依据收窄到构音器官附近。
每一帧的显式比较具体算什么
对齐之后，SyncLip-C 在每个时刻 t 构造一个交互向量。它把音频向量、视觉向量、两者的逐元素乘积、两者的绝对差拼在一起。拼接保留各自证据，乘积表示逐维一致，绝对差表示分歧。论文用 3 个解码器变体做对照：SyncLip-A 把 2 模态各自池化后再拼，属于句子级融合；SyncLip-B 把对齐后的拼接向量再池化，属于帧级拼接。
SyncLip-C 把显式交互向量再池化，属于帧级显式交互。全脸的 SyncFace-A 和 SyncFace-C 只是把嘴输入换成对齐全脸，解码器相同。
下面是该交互向量的原始公式，符号含义紧随其后。
\[\mathbf{c}_{t}=[\,\mathbf{a}_{t};\mathbf{v}_{t};\mathbf{a}_{t}\odot\mathbf{v}_{t};|\mathbf{a}_{t}-\mathbf{v}_{t}|\,],\qquad t=1,\ldots,T,\]其中 c_t 是 t 时刻的交互向量，a_t 和 v_t 是已对齐的音频和视觉向量，分号表示通道拼接，圆点叉表示哈达玛乘积即逐元素相乘，竖线表示逐元素绝对差，T 是共享序列长度。运算顺序是先逐帧形成 4 个分量并拼好，再把整个 c_t 序列送入池化和分类。例子可以帮助理解：可以把 a_t 想成某帧声音的浊音和共振峰变化，把 v_t 想成同帧嘴开合和唇形变化，乘积大而差小对应配合好，反之对应配合差，但这只是教学比喻，实际向量维度由网络学到，不能当成实测物理量。
帧级拼接 × 显式交互向量： 帧级拼接指同一时刻的音频向量和视觉向量先对齐再拼在一起；显式交互向量在此基础上再算逐维乘积表示一致、绝对差表示分歧。四项拼成一个向量后，模型每一帧同时看到各自证据、一致证据和分歧证据，比只拼原向量保留了更直接的比较量。
自适应统计池化 × 多层感知机： 自适应统计池化把变长帧序列变成固定维度的统计表示，避免长句平均把短暂不一致抹掉；多层感知机再把这个表示映射成真假分数。二者分工是先做时间聚合、再做分类，组合后才能处理 0.54 到 6.98 秒不等的短片段。
模型用什么监督来训练
检测器用二元交叉熵做优化。每个小批量有 N 个视频，标签 y_i 为 0 表示真实、1 表示篡改，z_i 是模型输出的分数，目标是让真实样本的预测概率靠近 0、篡改样本靠近 1。主配置把编码器初始化为另外训练好的音视频唇动说话人验证模型，再训练新加的投影、交互和分类层。注意预训练时音频用的是梅尔倒谱系数，而检测器用 80 维对数梅尔特征，因此声音输入投影是新初始化的，只有张量维度对得上的预训练层才被加载。
下面是训练目标的原始公式。
\[\mathcal{L}_{\mathrm{BCE}}=-\frac{1}{N}\sum_{i=1}^{N}\left[y_{i}\log\sigma(z_{i})+(1-y_{i})\log\bigl(1-\sigma(z_{i})\bigr)\right].\]其中 N 是批量大小，sigma 是 Sigmoid 函数，把分数转成概率。优化细节按原文交代：新层用 AdamW、初始学习率 1e-4，预训练主干在主配置中冻结，只在消融中解冻最后两块并用 3e-5 学习率微调；余弦衰减加 10% 热身，权重衰减 1e-4，全局批量 32，最多 30 轮。验证集从训练中留出视频级子集，测试视频的片段不进训练，检查点只按验证 AUC 选择，再把验证平衡准确率最优的阈值固定下来用于测试。
SyncSpeech 如何控制身份和生成方式
SyncSpeech 从 LRS3 构建，因为它有野外说话视频和多说话人变化。设计问题很明确：在说话人和嘴动作看起来都合理时，能否只从当前音频和嘴对子检出内容替换。场景 0 是真实视频。场景 1 是异人音频拼接，换不同说话人的语音但画面不动。场景 2 是同人音频拼接，换同一说话人的另一段话。
场景 3 和场景 4 是 Wav2Lip 重配音，分别对应异人和同人，嘴区按伪造语音重新生成。场景 5 和场景 6 是 Video-Retalking，作为未见生成器测试，同样分异人和同人。
配对时控制了性别平衡，避开问题说话人标签，按说话人是否在训练出现划分已见和未见。必要时用 0.8 到 1.2 的速度因子把替换语音对到目标时长。人脸跟踪或合成失败的样本只从受影响的生成子集中剔除，Video-Retalking 保留 627 个，约占预期生成数的 98%。
同人替换 × 异人替换： 同人替换指用同一说话人的另一段话替换内容，声音身份线索被控制住；异人替换指用不同说话人的语音替换，身份不匹配本身就是线索。二者搭配才能分离内容替换和身份不匹配，迫使模型在同人条件下只能依靠发音配合。
下图是理解全部场景划分的官方矩阵，读图时先看身份分支，再看生成方式列。
看图路径： 1. 先看最左真实源对如何分出异人和同人两条替换支路；2. 再横向比较音频拼接、Wav2Lip 和 Video-Retalking 三列的处理差异；3. 注意图例中虚线红框与实线红框分别对应只换音频和重生成嘴区
论文图 2。原论文 Figure 2:：“SyncSpeech manipulation matrix. Scenario 0 supplies the real source pair.”。
从像素上看，最左绿框是场景 0 的目标片段和原语音，中间分出上方不同说话人 B 和下方同一说话人 A 的两条替换语音支路，分别标为身份不匹配和身份受控。往右三列是音频拼接、Wav2Lip 重配音和 Video-Retalking，上排场景 1、3、5 对应异人，下排场景 2、4、6 对应同人。音频拼接列的波形上有红色虚线框表示被替换的音频段，画面未动；重配音两列的人脸上有红色实线框表示重生成的嘴区。这张图把同人与异人、只换音频与重生成嘴唇分开，是后文消融和泛化结论的对照基础。
数据量、划分和评价指标是什么
要回答检测是否成立，先看数据量和分母。训练有 20000 真和 20000 假。SyncSpeech 测试有 320 真和 1280 假，已见和未见说话人各占一半。Video-Retalking 测试只有伪造视频，已见 313、未见 314。FakeAVCeleb 实验是库内训练再测未见说话人，训练 8255 真和 8268 假，测试选了 70 真和 210 假的唇同步伪造子集，因此只能算库内未见人泛化，不是零样本跨库迁移。指标方向是准确率越高越好，AUC 越高越好，AUC 按全场景计算，平均准确率按 5 个场景算术平均。
下表说明最终评测划分，比较问题是各结论的分母是否一致。
| Dataset | Subset | Label or condition | Videos |
|---|---|---|---|
| SyncSpeech | Train | Real | 20,000 |
| SyncSpeech | Train | Fake | 20,000 |
| SyncSpeech | Test | Real, seen speakers | 160 |
| SyncSpeech | Test | Fake, seen speakers | 640 |
| SyncSpeech | Test | Fake, unseen speakers | 640 |
| FakeAVCeleb | Train | Real | 8,255 |
| FakeAVCeleb | Test | Real, unseen speakers | 70 |
该表确认主结果的分母是 1600 个 SyncSpeech 测试视频，Video-Retalking 结论的分母是 627 个生成视频，FakeAVCeleb 结论的分母是 280 个选中样本。小而饱和的子集只能做辅助证据，不能推广成通用深度伪造最优。阈值固定自验证集，检查点只看验证 AUC，这些选择决定了报告数字是固定测试集估计，不是分布无关的鲁棒保证。
嘴部加帧级建模带来多大提升
要回答的比较问题是：在同一协议下，嘴区是否比全脸更有效，帧级是否比句子级必要。指标方向都是越高越好，平均准确率是 5 个场景的算术平均。句子级全脸融合只有 31.688% 平均准确率和 0.5075 AUC，基本不可用。换成嘴区后句子级模型对 Wav2Lip 有所好转，但对音频拼接仍失败，说明整句池化丢掉了局部时间证据。
下表给出消融数字，比较对象包括句子级、帧级拼接、显式交互和全脸对照。
| Metric | Face-A | Lip-B | Face-C | Lip-C (pre.) |
|---|---|---|---|---|
| Scenario 0 | 81.250 | 99.375 | 45.938 | 99.063 |
| Scenario 1 | 18.125 | 91.563 | 58.750 | 95.625 |
| Scenario 4 | 20.625 | 87.813 | 57.813 | 93.438 |
| Mean accuracy | 31.688 | 92.375 | 56.000 | 95.813 |
| AUC | 0.5075 | 0.9885 | 0.5297 | 0.9943 |
表中可见帧级带来质变：SyncLip-B 达到 92.375% 和 0.9885 AUC，从零训练的 SyncLip-C 达到 94.313% 和 0.9872 AUC，而全脸交互的 SyncFace-C 只有 56.000% 和 0.5297 AUC。带说话人验证预训练的 SyncLip-C 进一步到 95.813% 和 0.9943 AUC。但 SyncLip-B 和 SyncLip-C 的 AUC 差距很小，所以最稳的结论是帧级嘴部比较必不可少，显式乘积和差分以及预训练是额外增益。未胜出的反例也要保留：全脸输入在该协议下无益，句子级融合在拼接攻击上接近失效。
已见人和未见人的差距有多大
要回答的问题是新口音和新发音习惯会不会让模型失效。条件是同一预训练 SyncLip-C，分别在已见和未见说话人上评价。平均准确率已见为 97.250%，未见为 94.375%，AUC 未见仍有 0.9918，说明下降存在但不大。同人攻击更难，因为身份线索被拿掉，但模型在同人拼接上仍有 95.938%，在同人 Wav2Lip 上仍有 93.438%。
下表给出分场景的已见、未见和平均值，比较条件是说话人是否在训练出现过。
| Scenario | Seen | Unseen | Mean |
|---|---|---|---|
| 0 Real | 98.750 | 99.375 | 99.063 |
| 1 Cheapfake, heterologous | 97.500 | 93.750 | 95.625 |
| 3 Wav2Lip, heterologous | 95.000 | 95.000 | 95.000 |
| Mean accuracy | 97.250 | 94.375 | 95.813 |
| AUC | 0.9963 | 0.9918 | 0.9943 |
该表支持的判断是发音配合信号对未见人仍有效，但只限 SyncSpeech 内部划分。限制也很清楚：未见人仍是同一数据集、同一采集分布和同一生成方式，不能当成跨域鲁棒。预训练把准确率从 94.313% 提到 95.813%，支持在该协议下用说话人构音结构做初始化，但上游是说话人验证任务，不能算额外的伪造检测鲁棒结果。
和外部基线放在一起能说明什么
比较前要先对齐条件。FakeAVCeleb 部分是各自训练后在各自选的子集上评价，AV-Lip-Sync 原文在 3 个 140 样本集上报告 98%、97% 和 96%，C-MIND 在对应训练后选出的 280 样本未见人子集上平均 99.286%，即 278 判对 280。由于样本构造不同，只能算背景参照，不是严格配对比较。SyncSpeech 加 Video-Retalking 部分是同一 4 组划分下的组平均，C-MIND 和复现 SyncNet 可以直接比组平均。
下表给出外部基线比较，指标都是准确率，越高越好。
| Dataset | Method or scenario | Accuracy (%) |
|---|---|---|
| FakeAVCeleb | C-MIND / SyncLip-C, average | 99.286 |
| SyncSpeech + Video-Retalking | SyncNet, average | 66.150 |
| SyncSpeech + Video-Retalking | C-MIND, scenario 0 | 99.063 |
| SyncSpeech + Video-Retalking | C-MIND, scenarios 3–4 | 94.219 |
| SyncSpeech + Video-Retalking | C-MIND, scenarios 5–6 | 82.775 |
| SyncSpeech + Video-Retalking | C-MIND, average | 92.960 |
表中 C-MIND 组平均 92.960%，复现 SyncNet 组平均 66.150%，最大差距在真实视频组，SyncNet 把很多真视频判错，C-MIND 为 99.063%。但关键反例在未见 Video-Retalking 组：C-MIND 只有 82.775%，即 627 中判对 519 个，只比 SyncNet 的 80.223% 高一点。这说明跨生成器重配音仍是短板，所谓更好主要是真假两端更均衡，而不是解决了生成器迁移。FakeAVCeleb 的近满分小子集也只能算辅助库内证据。
人眼觉得难的地方模型真的更容易吗
论文做了一个探索性的人观比较，10 名 21 到 27 岁、性别平衡、英语熟练的参与者判断 SyncSpeech 真假。条件要说清：这只是感知难度的描述性背景，不用于选模型、定阈值或做假设检验。人类在真实视频上 91.56% 准确，在异人拼接 86.56%、同人拼接 88.44%，但在 Wav2Lip 异人只有 37.19%、同人只有 35.00%，五场景平均 67.750%。这说明重配音样本对无辅助人眼并不总是明显失败。
同条件下预训练 SyncLip-C 在 5 个场景上分别是 99.063%、95.625%、95.938%、95.000% 和 93.438%，平均 95.813%。这个差距只能当作自动分析发音不一致的动机，不能当成模型全面优于人类判断的证明，因为任务、时间和辅助条件都不同。论文也强调模型没有转写和语义理解，只能算语音构音不一致证据，不是语言语义核验。尚未评测的范围包括压缩、编解码、分辨率和音频噪声，这些在本文都没有压力测试。
这些结论在什么条件下才成立
所有数字都是固定划分和固定选模程序下的测试集估计。原文给出 Wilson 95% 置信区间：SyncSpeech 上 95.813% 对应 1600 个视频，区间 94.72 到 96.69%；Video-Retalking 上 82.775% 对应 627 个视频，区间 79.62 到 85.53%。区间只量化采样不确定性，不代替多种子离散度、自助 AUC 区间和退化压力测试。
适用边界有 4 条。第一，证据最强的是库内消融，嘴区优于全脸、帧级优于句子级只在报告协议下成立。第二，同人控制减少了身份捷径，但不能排除生成器痕迹。第三，生成器迁移明显受限，Video-Retalking 结果只略高于复现 SyncNet。第四，同协议基线没有覆盖最新自监督音视频检测器，需要更多未见生成器才能谈通用。把相关当成因果、把库内高分当成跨域保证，都是误读。
要复现第一步该做什么
复现先从数据和预处理对齐做起。按原文用 LRS3 配对内容不同的替换语音，分同人和异人，性别平衡，必要时 0.8 到 1.2 变速对齐时长；视频 25 帧每秒取 2 秒片段，关键点对齐后裁固定嘴区到 96 乘 96 灰度，音频 16 kHz 提 80 维对数梅尔、25 毫秒窗 10 毫秒跳，并与视觉同步。失败的人脸检测和生成输出只从受影响子集剔除，不要动其他划分。
模型侧用冻结主干的预训练 SyncLip-C 做起点，新层 AdamW 训练，最多 30 轮，按验证 AUC 选检查点，再固定验证平衡准确率最优阈值去测。基线要保留句子级、全脸和复现 SyncNet，否则看不出帧级和嘴区的增益。需要说明的是，本文没有提供经验证的公开代码、模型或数据下载信息，来源清单中也没有可用作者资源，因此代码开源、权重可下载、系统可运行要分开看，不能默认都能拿到。缺来源不等于技术缺陷，只是复现时要自己实现。
什么时候值得尝试，还缺哪项验证
当攻击已经修好粗同步、身份线索也被控制，而你仍有同步音视频对时，这种嘴部帧级一致性值得一试。它不用转写、不用语音识别特征、不用参考视频，适合做第一道内容篡改筛查。预期是在同分布、同生成器下对拼接和重配音都较稳，对未见说话人下降有限。
但部署前必须补三项验证：更多重配音和神经渲染生成器的迁移，压缩、编解码、分辨率和噪声下的退化，以及与更强自监督音视频基线在同划分下的比较。当前证据支持的是受控基准上的有用但生成器敏感的法医信号，不是通用深度伪造最优。记住关键超参数和信息条件：2 秒输入、共享长度 T 和维度 d、阈值来自验证集、平均是场景算术平均。换划分、换阈值或换平均方式，数字都会变。
📎 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