📄 Audio-R1：用自监督音频任务构造可验证奖励的强化学习后训练
英文题目：Audio-R1: Audio Reasoning through Reinforcement Learning on Self-Supervised Tasks
评分：7.1/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.3/1.5 | 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
- Jihoon Jeong：机构信息未能在本次解析中与作者逐人可靠绑定
- Mirco Ravanelli：机构信息未能在本次解析中与作者逐人可靠绑定
- Zhepei Wang：机构信息未能在本次解析中与作者逐人可靠绑定
- Cem Subakan：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大音频语言模型，它同时接收音频和文字问题并输出答案与推理过程，困难在于音频推理数据难以人工标注，而仅奖励最终问答正确性又不能保证模型真正使用了声音证据。Audio-R1先从原始录音自动切分并重组音频，构造答案在构造时已知的四选一选择题，分别考查跨片段身份对应、被静音遮盖片段的上下文补全和三段乱序恢复时间顺序。模型对每道题采样多条包含思考与答案的回复，其文本进入基于规则的奖励函数，先核对抽取答案与构造答案是否一致，再检查是否符合思考与答案标签格式。奖励的组内差异经带KL约束的GRPO转化为优势信号，用于更新语言模型骨干与音频对齐模块并冻结编码器，从而把可验证的声音证据使用沉淀为策略。多任务训练下Qwen2.5-Omni在MMAR、MMAU-mini和MMAU-Pro上的准确率相对其基线58.2%、73.4%和55.1%分别提升至62.6%、77.2%和58.7%。Audio-R1处理后的Qwen3-Omni在同一三项基准准确率上相对其基线68.5%、74.9%和61.5%分别达到70.3%、77.5%和63.6%，超过表中所列闭源与强化学习对照。结论适用于所选候选式自监督任务和已具备基础能力的基座，开放式理解与更广分布的稳健性尚未验证。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
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
大音频语言模型要解决什么输入输出问题
论文面对的是大音频语言模型，输入是音频加文字问题，输出是文字答案和中间推理。音频可以是语音、音乐、环境声，问题从语音识别到常识推理都有。与纯文本模型不同，模型必须真正听到录音里的内容和结构，而不能只靠语言先验猜。一个刚入门的例子是：给 3 段被打乱的对话录音，模型要先听清每段说了什么，再找到问答衔接、代词指代、话题延续等线索，最后输出正确的先后顺序。这要求保留的信息包括说话内容、说话人、背景声、时间流。
如果模型只看选项文字而不听音频，就可能选出通顺但与录音不符的答案。论文指出，显式推理在音频上并不总比直接回答好，有时甚至更差，说明音频推理能力相对文本和视觉语言模型更不成熟。
背景只需要理解到这里：统一模型范式让一个模型做多种音频任务，但推理质量不稳定；收集高质量监督推理数据贵且难覆盖复杂真实音频；常规问答的对错奖励不能保证模型用了声学证据。因此论文要找一种不依赖人工标注、又能迫使模型用音频内容和结构的可扩展后训练信号。后文的方法、任务和评测都是围绕这个目标展开的，不涉及图像或纯文本推理的新理论。
已有两条路线为什么不够
第一条是音频自监督学习，以前主要做预训练表示。做法是从录音自身派生目标，例如对比学习、掩码预测、自蒸馏、声学 token 预测，用大量无标注音频学通用表示。它的输入是原始录音，监督来自录音自身，运行阶段在预训练。Audio-R1 与它的相同点是都从录音自身得到答案，不同点是 Audio-R1 把这种构造用在后训练的强化学习奖励上，目标不是学表示，而是改善超出训练任务的推理和下游表现。
第二条是对大音频语言模型做基于强化学习的推理优化。已有做法包括用音频问答数据集的答案奖励，以及鼓励结构化、一致或声学接地的过程反馈。但论文指出，这些做法依赖人工标注问答对、模型生成的推理轨迹或任务专用评估器，限制了可扩展性和任务多样性。Audio-R1 的对比条件不同：监督不来自外部答案或判断，而来自自监督任务构造时就已知的答案，再用它算强化学习奖励。所以不能把两类方法在同一数据规模下直接排胜负，论文也没有这样做，只是说明来源和运行阶段的差异。理解这点才能看懂后文为什么用 3 个自动构造任务，而不是去收集更多人工问答。
论文把困难具体化为哪两个挑战
第一个挑战是监督难扩展。要让模型学会音频推理，监督微调需要高质量推理示范，但复杂真实音频任务多样，人工写推理链成本高。第二个挑战是奖励不一定接地。即使在常规音频问答上用答案对错做奖励，模型也可能靠文字常识答对，而没有真正用声学证据。论文举的动机是需要自动构造、且解法依赖音频内容和结构的任务。
于是问题变成：能否只用音频自身构造出答案已知、批量可生成、可规则验证的任务，把答案正确性变成奖励去做策略优化，并让学到的能力迁移到构造任务之外的基准。论文把成功标准定为三点：在多个基座和多个基准上一致提升；每个自监督任务单独有用且联合更好；推理轨迹质量也被音频条件法官认可。这些标准决定了后文实验要同时报告自监督能力、基准平均分和法官分数，而不是只报告训练任务准确率。
Audio-R1 的整体流程是什么
整体流程沿一个样本走是这样的：先取原始录音，按规则切出或重组成任务实例，构造时就知道正确答案；再把音频加选择题提示喂给策略模型，让它输出包在 think 标签里的推理和包在 answer 标签里的最终选项；最后用规则验证器比较抽取答案与构造答案，给出奖励并做组相对策略优化。图 1 左侧就是这条从原始音频到任务实例再到奖励优化的链路，右侧给出 3 个任务的例子。训练只更新大语言模型骨干和音频对齐器的 LoRA 参数，编码器冻结，用相对参考策略的 KL 正则约束更新幅度。
自监督学习 × 可验证奖励： 自监督学习指从音频自身派生训练目标，不依赖人工标注；可验证奖励指用规则判定回答对错而不用学到的奖励模型。二者搭配的理由是自监督构造天然知道正确答案，正好给可验证奖励提供可扩展的判定依据，组合后让后训练既不用标注推理过程，又能对音频证据相关的选择题做结果反馈。
这个框架的通用性在于任务可替换，只要能自动知道答案就能接入同一奖励接口。论文实际只验证了 3 个候选式任务，没有验证开放式问答。推理过程本身没有直接监督，奖励只看最终答案和格式，这既是可扩展的原因，也是后文局限中推理可能不忠实的根源。
三个自监督任务各要模型做什么
3 个任务都做成选择题，输入记为 a′，可以含多段音频，目标答案按任务是索引集、单个索引或索引序列。Identity Detection 的输入是一个 5 秒锚点加两个 5 秒候选，正例是锚点片段的精确拷贝，负例从同一池子均匀采样且排除锚点。模型要选出与锚点来自同一源录音的子集，考的是跨片段对应，不能只看话题相关，例如锚点讲历史事件而候选有枪声效果并不等于同一录音。
\[y^{*}_{\mathrm{id}}=\left\{i\in\{1,\ldots,N_{\mathrm{id}}\}\;\middle|\;\rho(\mathbf{c}_{i})=\rho(\mathbf{a})\right\}.\]上式中 rho 表示源录音身份，真值是满足与锚点同源的候选下标集合，实现时候选数为 2，四选项覆盖只有第一对、只有第二对、都对、都不对。Region Inpainting 是把一段音频的中间连续段挖掉并置静音，保留上下文，给 4 个等长候选，其中一个是被挖掉的原段，另 3 个从其他录音中心裁剪。模型要靠语音内容、说话人、背景连续和时间流选出原段，考的是局部上下文相容。Temporal Ordering 是把一段连续对话切成 3 段并随机打乱后分别播放，选项是 6 种排列中抽出的候选，模型要恢复原始时间顺序，提示明确要求先逐段转写再找问答对、话语标记、代词、未说完的句子和轮转韵律，考的是时间结构。
\[y^{*}_{\mathrm{ord}}=\operatorname{argsort}(\boldsymbol{\pi}),\]上式中置换是打乱顺序，argsort 给出按播放序号排列的时间先后。3 个任务看似简单，但分别需要声学、语义和时序线索。
Identity Detection × Region Inpainting × Temporal Ordering： Identity Detection 负责跨片段对应，判断候选是否与锚点来自同一录音；Region Inpainting 负责局部上下文相容，判断哪段能填回被挖掉的中间段；Temporal Ordering 负责时间结构，恢复三段的原始先后。三者分工覆盖从单片段到长时跨度的不同粒度，联合起来要求模型同时用声学相似、语义连续和话语衔接线索。
任务实例的构造细节与输入处理
数据池约 24000 条源录音，来自 MELD、LibriSpeech、VoxCeleb2、Multispeaker、YouTube-8M 和 CoVoST 2，全部转成 16 kHz 单声道。Identity 每例锚点和候选各 5 秒；Inpainting 被遮蔽的是中间段，候选等长；Ordering 用 3 段，答案选项随机采样且保证含正确顺序。这种构造让答案由过程决定，不需要人工标注，也不需要外部判断器。
对模型而言，一次前向看到的是文字提示加多个音频槽位，附录提示显示 Identity 明确写出锚点和候选 1、2，Inpainting 给出带缺失的音频加 4 个音频选项，Ordering 给出按播放顺序编号的 3 段并要求按步骤转写和衔接。模型必须先处理音频再做文字推理，输出必须符合格式才能被抽取。代价是任务都是候选式，含精确拷贝等构造痕迹，与开放真实分布有差距，论文在局限中承认覆盖的只是选定的对应、补全和排序形式。held-out 自监督测试用 MMAU-mini 和 MMAR 的录音另行构造，用于检验训练直接针对的能力是否真的学到。
奖励与 GRPO 更新如何计算
对每个提示，策略采样多个回答，对每个回答用规则函数算奖励。GRPO 把组内奖励的均值和标准差求出来，优势为奖励减均值除以标准差加小量，优势为正的回答在更新中被鼓励。这意味着只有组内有对有错、奖励混合时才有非零优势，全对或全错的组不提供学习信号。论文每提示采样 8 个回答，温度 0.8，top-p 为 0.9，训练一轮，学习率 5e-6，3% 线性热身，无权重衰减，KL 系数为 0.04，格式权重为 0.2。
\[r_{i}=\mathcal{V}(y_{i},y^{*}),\qquad i=1,\ldots,L.\]上式中 V 是规则奖励函数，真值是构造真值，组大小即采样数。奖励本身是两项和，准确率项是抽取答案等于真值则 1 否则 0，格式项是符合 think 与 answer 结构则 1 否则 0。
\[\mathcal{V}(y_{i},y^{*})=R_{\mathrm{acc},i}+\lambda R_{\mathrm{format},i},\]上式中 lambda 控制格式相对准确率的权重，论文取 0.2，说明主要信号是答对，格式只是保证可解析。更新只动 LoRA 参数，编码器不动，KL 正则防止偏离参考策略太远。
GRPO × 准确率奖励 × 格式奖励： GRPO 指组相对策略优化，对同一提示采样一组回答并按组内均值方差算优势；准确率奖励指最终答案与构造答案一致得 1 否则得 0；格式奖励指推理包在 think 标签、答案包在 answer 标签才得 1。三者组合是同一提示的多个探索轨迹先用两项奖励打分，再用组内相对优势决定更新方向，格式项只占较小权重以保证可抽取而不主导学习。
实验用什么数据和基准来检验迁移
训练数据就是上述三任务的自动构造实例，评测分两层。一层是 3 个自监督能力的 held-out 测试，看训练直接针对的能力；另一层是 3 个已有的音频感知与推理基准 MMAR、MMAU-mini、MMAU-Pro，看是否迁移到与训练任务不同的下游题目。指标都是准确率，方向是越高越好，子类分析还按各基准自带类别拆分，要求 MMAU-mini 每类至少 20 题、MMAR 至少 15 题、MMAU-Pro 多选中至少 40 题才列出。
基座覆盖 Gemma4-e4b、AF-Next-Think、Qwen2.5-Omni、Qwen3-Omni 4 个开权重模型，每个都报告加 Audio-R1 前后的分数，并与闭源和已有强化学习微调模型同表列出但不声称同训练条件。消融用 Qwen2.5-Omni 做单任务与多任务对比，为公平把单任务的轮数调到与多任务总步数一致，并做三次随机种子取均值加标准差。另设监督微调基线，用完全相同的自监督实例和构造答案训练，只换学习目标，以分离数据与目标的作用。推理质量用音频条件法官，输入音频、题面、推理链、参考答案及构造元数据，对完整性、逻辑连贯性、音频依据性打 1 到 5 分，不评最终答案对错。
多基座多基准的主结果说明什么
要回答的问题是 Audio-R1 是否跨模型家族都带来下游提升，比较条件是同一基座加与不加 Audio-R1，指标是 3 个基准的准确率，越高越好。下表先给出论文报告的最强一行，即 Qwen3-Omni 加 Audio-R1 后的 3 个基准分数，数值与单位沿用原文写法。
| 模型与条件 | MMAR 准确率 | MMAU-mini 准确率 | MMAU-Pro 准确率 |
|---|---|---|---|
| Qwen3-Omni 加 Audio-R1 | 70.3% | 77.5% | 63.6% |
论文同时报告 4 个基座在 3 个基准上全部提升，Qwen2.5-Omni 提升约 4 个百分点左右，较弱基座也有 1 到 2 个百分点的提升，Qwen3-Omni 达到表中最高的 3 个分数。限制是这些是同一基座的前后对比，不是与闭源模型同数据同预算的公平竞赛，闭源分数只说明位置。平均提升不等于每类都升，个别音乐与语音组合子类出现下降，后文局限会回到这一点。
完整性 × 逻辑连贯性 × 音频依据性： 完整性指推理链是否给出足够的证据和中间步骤；逻辑连贯性指主张之间无矛盾且结论能从证据推出；音频依据性指涉及音频的具体断言能否被录音支持而非凭先验猜测。三者都是音频条件法官对推理过程打的 1 到 5 分，不看最终答案对错，组合起来才能区分答对但理由空洞和答对且理由扎实两种情况。
四幅雷达图把自监督三轴与 3 个基准轴放在同一包络里对比，先看蓝色多任务线相对虚线基座的外扩位置，再区分自监督轴的大外扩与基准轴的小外扩。
看图路径： 1. 先看每幅雷达图的六个轴分别对应哪三个自监督能力和哪三个下游基准；2. 对比虚线基座与蓝色多任务线的包络差异，注意 Qwen3-Omni 起点高但增量小；3. 注意每轴旁标注的百分点增量，区分自监督轴的大增量与基准轴的小增量
论文图 2。原论文 Figure 2:：“Accuracy comparison before and after Audio-R1 across different LALMs. Radar plots show performance on three self-supervised tasks and three downstream benchmarks.”。
像素可见虚线基座基本被蓝色多任务线包住，Qwen2.5-Omni 在排序轴外扩约 32 个百分点，补全与身份轴外扩 15 个百分点以上，而 3 个基准轴只外扩 3 到 4 个百分点。Qwen3-Omni 起点已很高，身份轴增量很小，剩余空间有限。这说明自监督能力学到很多，下游迁移是小而一致的增益，不能把雷达图自监督轴的大增量误读为基准同样大增。
基座起点不同如何影响可学信号
要理解为什么 3 个任务难度不同，先看 Qwen2.5-Omni 基座在 3 个自监督能力上的起点，指标是 held-out 准确率，越高越好。下表数值沿用原文写法，括号内为任务名。
| 评测能力 | 基座准确率 |
|---|---|
| Identity Detection | 80.7% |
| Region Inpainting | 75.0% |
| Temporal Ordering | 27.3% |
起点显示身份与补全已远高于四选项随机猜的 25%，而排序接近随机猜，说明排序最难且剩余学习空间最大。这也预示 GRPO 的信号密度会不同：已接近做对的任务容易出现全对组而无优势，接近随机的任务则长期保留混合组。论文的训练曲线诊断证实了这一点，身份迅速到顶而排序长期波动。因此不能只看最终增量大小，起点低的任务增量大不代表学得更好，也可能只是起点低。
子类拆分进一步显示平均分提升分布较广，时间推理、音位重音、空间分析等涨幅居前，与排序的时间线索和补全的声学连续线索相关。增益也扩到音乐、情感与知识题，但题数少的子类波动大，单题就占几个百分点，不能当作稳定能力证据。
单任务与多任务谁更互补
要回答每个自监督任务是否单独有用且联合是否更好，论文在 Qwen2.5-Omni 上比较只练一种任务与三者联合训练，单任务通过调整轮数对齐联合训练的总步数，指标是 3 个自监督能力准确率与 3 个下游基准的平均分。下表是论文报告的联合相对基座的增益，单位为百分点，数值沿用原文写法。
| 比较范围 | 身份增益 | 补全增益 | 排序增益 | 基准平均增益 |
|---|---|---|---|---|
| 多任务相对基座 | +16.9 | +15.4 | +32.4 pp | +4.0 pp |
这一比较显示每种单任务在其自身任务上最高，且相对基座对另 2 个任务也有提升，说明存在跨任务迁移。联合训练在 3 个能力上都超过任一单任务，基准平均也高于单任务的区间。局限是排序单练的基准平均最低，固定混合下身份任务很快到顶会继续占用采样预算。论文因此建议按奖励变异做自适应课程，而不是一直平均混合。
监督微调 × 强化学习后训练： 监督微调指用同样的自监督实例和构造答案做答案模仿；强化学习后训练指用同样的实例只给结果奖励并允许采样探索。二者输入数据相同，区别在监督来自哪里和是否鼓励探索，对比才能说明下游迁移增益是来自数据本身还是来自强化学习的目标与探索方式。
同样数据下监督微调与强化学习差在哪里
要回答增益是来自数据还是来自目标，论文用完全相同的自监督实例和构造答案训练监督微调基线，只换目标，对比基座、监督微调、Audio-R1 在任务准确率、基准准确率和法官 3 维分数上的差异。下表是论文报告的基准迁移增量，单位为点，数值沿用原文写法。
| 学习方式 | 基准迁移增量 |
|---|---|
| 监督微调相对基座 | +1.5 points |
| Audio-R1 相对基座 | +4.0 points |
监督微调与 Audio-R1 在自监督总体上相近，但基准迁移差距明显，说明只提高任务准确率不保证基准提升。法官分上 Audio-R1 在两层评估的 3 维都高于基座和监督微调，而监督微调在补全完整性等多维低于基座，轨迹更短且完整性低。论文的措辞是提示性证据而非因果证明，即答案监督可能改善答题而不保留完整音频接地推理。反例是排序准确率上监督微调反而高于 Audio-R1，说明强化学习并非每项任务都赢，优势在迁移与推理质量。
导读图 3 时注意左右纵轴：左轴 1 到 5 是法官分，右轴百分比是准确率浅底柱，不要把柱高当法官分。
看图路径： 1. 先区分上下两排：上排是自监督任务，下排是基准，注意左右纵轴不同；2. 对比灰色基座、橙色监督微调、蓝色 Audio-R1 在三项法官分数上的高低；3. 再看最右侧浅底准确率柱，确认任务准确率相近但基准迁移差距较大
论文图 3。原论文 Figure 3:：“Answer accuracy and judged reasoning quality under different learning approaches.”。
图后解释：像素可见上排自监督准确率橙蓝两柱都远高于灰柱，但左 3 组法官分中橙柱低于灰柱而蓝柱最高；下排基准准确率蓝柱高于橙柱与灰柱，法官分蓝柱仍最高但差距缩小。这可视化了关键结论：数据相同下强化学习目标放大了迁移并保持了推理质量，而单纯模仿答案会压缩推理链。限制是法官仍是模型代理，不能证明忠实性或推理对准确率的因果作用，附录失败例也显示 Audio-R1 会出现推理写对顺序却输出错选项的不一致，这正是只奖结果不罚过程的后果。
训练信号密度与参数几何揭示什么局限
论文用两个诊断解释多任务为何互补又有浪费。第一个是奖励信号密度：GRPO 只有混合奖励组才有非零优势。基座在身份与补全已远高于随机猜，排序接近随机。训练中身份迅速接近全对且混合组近乎消失，补全缓慢上升且混合组持续存在，排序从低位波动上升且后期仍有大量混合组。这说明任务难度和学习节奏不同，固定混合在后期会把预算花在已解任务的全对组上。
看图路径： 1. 先看每子图横轴训练步、左纵轴提示占比、右纵轴 rollout 准确率与黑色曲线；2. 区分蓝色混合奖励、红色全错、灰色全对三类提示组随训练的变化；3. 注意 Identity 快速被灰色占满而 Ordering 长期保留蓝色与红色
论文图 5。原论文 Figure 5:：“GRPO learning signal during multi-task training of Qwen2.5-Omni.”。
像素可见左图灰色全对迅速铺满且黑色准确率贴顶，中图蓝色混合带逐渐变薄但未消失，右图蓝红交织且黑色曲线起伏，标题栏标注信号与准确率区间，证实了上述节奏差异。这只是准确率信号的视角，不代表没有其他可学信号。第二个是参数更新几何：单任务更新两两余弦只有弱对齐，联合更新对每个单任务的余弦更高，范数满足单任务最大小于联合小于三者和的范数，说明联合是重新加权的组合而非简单相加。
看图路径： 1. 先看对角线更新范数，再看非对角余弦相似度，注意颜色深浅含义；2. 比较单任务两两相似度与联合更新对每个单任务相似度的大小；3. 结合范数不等式理解联合不是简单相加而是重新加权组合
论文图 6。原论文 Figure 6:：“Pairwise cosine similarities and norms of parameter updates from single-task and multi-task training.”。
像素热图对角为更新范数，非对角颜色深浅对应相似度，最后一行三格颜色明显深于左上三格两两格，支持联合整合了各方向。局限仍在：任务覆盖窄且有精确拷贝等构造痕迹，奖励不验中间推理，增益依赖基座已有可用能力，不能证明能从零发展出推理，也不能推广到更广真实分布。
要复现第一步做什么与资源现状
复现先按原文搭数据与训练：收集所列 6 个来源录音并转 16 kHz 单声道，按 5 秒、中间挖空置静音、3 段打乱等规则生成三任务实例，保证选项含正确答案；冻结编码器，对语言模型骨干和音频对齐器加 LoRA，用 GRPO 每提示采 8 个回答，温度 0.8、top-p 0.9，格式权重 0.2，KL 系数 0.04，学习率 5e-6 加 3% 热身训一轮。评测要同时跑 held-out 自监督测试与 MMAR、MMAU-mini、MMAU-Pro，并用同样的音频条件法官模板打 3 维分，附录有任务与法官原文提示可照抄。
关键超参数与信息条件是上述采样数、温度、格式权重、KL 系数、学习率和 LoRA 范围，缺的是具体 LoRA 秩、批量大小与步数，原文只说一轮与 8 卡 H200，没有给出可直接照抄的完整脚本。来源方面，本次未发现来源绑定且完成 HTTPS 验证的资源，不得声称代码、模型或数据已公开；原文只提到演示样例在项目页，不能当作作者已开源。代码开源、权重可下载、系统可运行是三件事，本篇三者都未确认，复现只能从论文描述重建。
什么时候值得尝试还缺哪项验证
当你的大音频语言模型已有可用听辨基础，但显式推理不稳定，且你有大量无标注音频却缺推理标注时，值得尝试这种把自监督构造转成可验证奖励的后训练。它适合选择题式、可规则验证的场景，能以较小格式代价换取广泛但温和的下游提升，多任务联合通常优于单任务。若任务是开放生成或需要严格忠实推理，则不应直接套用，因为奖励只看最终选项，论文失败例已显示推理与答案可脱节。
还缺的验证包括：开放真实分布的鲁棒性、法官之外的忠实性检验、推理对准确率的因果贡献，以及自适应任务混合是否真能省预算。初学者复述关键步骤可记为：音频池转单声道，按同源拷贝、中间挖空、3 段打乱构造三任务，用答案对错加格式做奖励，组内归一算优势更新 LoRA，held-out 与 3 个基准双层评估并加法官 3 维分。记住条件：一致增益是在 4 个指定基座和 3 个指定基准上测得，百分点是绝对差而非相对百分比，排序单项上监督微调曾更高，平均好不等于每类都好。
📎 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