📄 看不见说话人时还能判断谁在说话吗：多人上下文与注册身份的说话人检测
英文题目：Beyond Visible Speakers: Context-Aware Active Speaker Detection with Speaker Registration
评分：7.3/10 | 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 1.2/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Pu Wang：机构信息未能在本次解析中与作者逐人可靠绑定
- Hugo Van hamme：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包含多人脸和一路场景音频的视频片段，困难是当多张脸同时有类说话动作或存在混响、重叠、遮挡时，单条脸部轨迹与音频的对应关系不再唯一，处理过程是为每条可见轨迹输出是否说话，同时在有人缺失画面时仍能判断已注册者是否说话。主动说话人检测（active speaker detection，ASD）指结合音频与可见人物视频判断各时刻谁在说话，本文的场景级推理（scene-level reasoning）指把同一时刻重叠的多条轨迹放在一起交换证据再分别判定。原有ROAM-ASD为每条轨迹独立融合音频（audio）、全脸（face）与嘴部（mouth）表示，ROAM-ASD-C在其融合表示之后增加跨候选的上下文块（context block），把同时可见的候选表示堆叠后做候选维度的自注意力，再送回原预测头分别输出。ROAM-ASD-CR进一步把注册语音（enrollment speech）编码为随时间不变的注册标记（registration token），与可见候选一起参与上下文块，并用说话头（speak head）判断注册者是否说话、用关联头（association head）计算注册者与各可见脸的相似度。与已有跨说话人方法的区别是保留了每候选独立二分类而不做跨脸互斥归一，并用零初始化投影使上下文块初始为恒等映射。与ROAM-ASD相比，ROAM-ASD-C在UniTalk上的平均精度均值（mAP）从87.9%提高到88.8%，在同一UniTalk完全去除脸与嘴部视觉时ROAM-ASD-CR注册者活动检测的平均精度（AP）为60.3%，高于同期脸级判定的36.4%。结论适用于有多人同时可见或目标轨迹部分缺失的场景，完全无视觉且无注册信息的身份归属仍未解决；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://wangpuup.github.io/ROAM-ASD-C/crowds.html — 链接可访问（HTTP 200）
第三方资源：https://wangpuup.github.io/ROAM-ASD-C/modality.html — 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
主动说话人检测要判断什么
主动说话人检测的输入是一段音视频，里面有连续的声音和若干条可见人脸轨迹，目标是对每条轨迹的每 1 帧回答这个人是否在说话。输出必须保留两种可能：全场安静，以及多人同时说话，所以不能做成人脸之间的单选。
传统做法依赖声画对应，也就是把声音里的语音活动和某张脸的嘴动对上。当画面拥挤、多人都有类似嘴动，或者有背景人声、重叠语音、遮挡时，单看目标人脸就很难确定声音是谁发出的。在野外数据上这种困难更明显，论文提到此前最好基线在 WASD 和 UniTalk 上只有 93.7% 和 83.2% mAP，而在 AVA 上已超过 95%。
主动说话人检测 × 声画对应： 主动说话人检测要回答画面里可见的每个人当前是否在说话，声画对应是指把听到的语音和看到的嘴动、人脸变化对上号。二者搭配的意义是：正常时靠对应关系就能归属语音，一旦多人抢话、遮挡或噪声干扰，对应关系模糊，检测就必须引入更多上下文或身份线索。
本文的前身 ROAM-ASD 已经在单人轨道内做了改进：除了整脸，还加入嘴部局部线索，并用联合自注意力融合音频、人脸、嘴部 3 路，训练时随机丢模态以适应缺失。它在 WASD 和 UniTalk 上达到 98.8% 和 87.9% mAP，但仍是对每条轨道独立判决，没有利用同时出现的其他人，也处理不了目标人完全看不见的情况。
已有路线为什么还不够
论文把相关路线分成两类。第一类是可见人之间的关系建模，例如 ASC 对多说话人和时间上下文建模，MAAS 用多模态图做说话人分配，LoCoNet 同时考虑说话人之间交互和单人长时上下文。这说明看别人有助于判断目标人，本文的人脸间推理沿着这条线走。
第二类是引入说话人身份的目标说话人检测，例如 TS-Talk，用事先的说话人信息帮助区分语音活动。这说明当视觉对应完全缺失时，需要身份线索才能把一段场景级音频归属到具体的人，本文的注册分支沿着这条线走。
两类路线各管一个缺口：前者仍要求人可见，后者提供看不见时的身份依据。论文的两个扩展正好分别对应这两个缺口，而不是用一个模块同时解决两个问题。
论文具体要解决的两个缺口
第一个缺口是独立判决的局限。ROAM-ASD 对每条可见人脸轨道单独预测，当目标观察模糊或不完整，而其他同时可见人脸能提供互补证据时，模型用不上这些证据。例如多个候选人竞争同一段声音，单独看每一张脸都像在说话，需要横向比较。
第二个缺口是可见集合的局限。常规人脸级检测只能对已跟踪到的可见人脸打分，当某位已知说话人完全没有视觉观察时，场景音频对所有候选人是一样的，没有身份线索就无法确定是谁在说话。论文把问题从“哪个可见人在说话” 扩展到“这位注册的人是否在说话，如果在，对应哪张可见脸”。
两条扩展如何分工
方法整体保留 ROAM-ASD 的编码器、多模态融合、随机丢模态策略和每脸预测头，只在融合后的查询表示之后插入推理。ROAM-ASD-C 增加人脸间上下文块，对同时可见的候选人做联合推理，再送回原预测头做每脸独立二分类。ROAM-ASD-CR 在此基础上再加入注册说话人表示，让注册身份和可见人脸一起进同一个上下文块，并为注册身份增加说话和关联预测。
下图是三者的总览，上方是单人 3 路融合，中部是多人上下文，下方是注册语音分支，右侧是不同的预测头。读图时注意虚线框划分了 3 个模型的范围，以及右侧预测是否跨人脸做归一化。
看图路径： 1. 先看最上虚线框内音频、人脸、嘴部三路编码到联合融合再到预测头的单人主路径；2. 再看中间四候选人表示如何堆叠进入人脸间上下文块再分头发预测；3. 最后看最下注册语音经 ECAPA-TDNN 到注册令牌如何加入同一上下文块并分出说话头和关联头
![原论文 Figure 1：Overview of ROAM-ASD \\[14\\], ROAM-ASD-C, and ROAM-ASD-CR.](https://arxiv.org/html/2610.33127v1/roam-asd-c.png)
论文图 1。原论文 Figure 1:：“Overview of ROAM-ASD [14], ROAM-ASD-C, and ROAM-ASD-CR.”。
从图中可见，ROAM-ASD 的预测头对单候选人输出帧级序列，中部把多个候选人的融合表示堆叠后经过两次同样的归一化加注意加前馈结构，再拆回每人，下方注册分支把时不变的身份向量拼到每一时刻。最终人脸预测仍是每人独立输出，没有跨人脸 softmax，这保留了安静和同时说话的表示能力，而注册关联才在候选人之间用 softmax。
同时可见的多张脸如何对齐和交换信息
先沿一个场景样本走一遍。假设某段时间有 K 条时间重叠的人脸轨道，每条轨道已由 ROAM-ASD 得到每视频帧的融合查询表示。由于各轨道帧时间戳可能不一致，论文以最长轨道的时间戳为参考网格，在每个时刻 t 为每个候选人取半帧步长内最近的表示，取不到则在上下文块中掩掉该候选人。对齐后把 K 个 d 维向量堆成矩阵，论文限定 K 不超过 6，d 为 256，超过 6 条重叠轨道就拆成多组。
ROAM-ASD × ROAM-ASD-C： ROAM-ASD 是基础轨道级模型，对每条人脸轨道独立做音频、人脸、嘴部融合和预测；ROAM-ASD-C 是在其融合表示之后加跨人脸上下文块。搭配理由是保留原编码和融合不变，只让同时可见的候选人在同一时刻交换信息，组合后单个候选人的模糊观察可以用其他人的证据来辅助判断。
融合查询表示 × 人脸间上下文块： 融合查询表示是音频、人脸、嘴部经联合自注意力融合后每视频帧的向量，是单人证据的汇总；人脸间上下文块是在候选人维度做自注意力的两层 Transformer。分工是前者管单人多模态汇总，后者管多人之间证据比较，组合后输出的是带场景上下文的人脸表示，再送回原预测头。
上下文块由两个前归一化 Transformer 层组成，每层在候选人维度做 4 头自注意力，前馈维度 512，用 GELU。关键细节是每个自注意力和前馈子层后还有一个零初始化的线性投影，使该块在初始化时近似恒等映射，原单人表示先被保留，跨候选人交互在训练中逐渐学到。只有一个人脸的组直接跳过该块。输出的每个向量对应一个候选人，但已融入其他可见人的信息，再连同原跳连特征送回各自轨道的原预测头分别打分。
注册语音如何变成可参与推理的身份向量
注册分支处理的是事先录入的语音，不是当前画面的声音。对注册说话人 r，用冻结的 ECAPA-TDNN 说话人编码器从 1 到 3 段、每段至多 3 秒的注册语音中提取 192 维嵌入，每段嵌入做 L2 归一化后再平均并重新归一化，得到注册表示。把它投影到模型维度并加上一个学到的注册类型嵌入，形成注册令牌，该令牌时不变，在每个时刻都拼到可见候选人矩阵后面。训练时最多用 6 个注册槽，注册数为零时模型退化为 ROAM-ASD-C。
进入上下文块后，注册表示和人脸表示直接交换信息，输出分为两类：上下文增强后的人脸表示仍走原人脸预测头，上下文增强后的注册表示走两个新头。线性说话头输出该注册人是否说话的 logit，关联头把注册表示和人脸表示分别线性投影到共享空间再算缩放点积相似度，作为该注册人与第 k 张可见脸在时刻 t 的关联分。
注册令牌 × 说话头 × 关联头： 注册令牌是把注册语音经说话人编码器得到的身份向量投影后加类型嵌入形成的时不变向量，说话头判断该注册人当前是否说话，关联头计算注册表示与各可见人脸表示的相似度。三者分工是令牌提供身份线索，说话头管有声无声，关联头管身份和人脸对齐，组合后即使看不见人也能做身份条件判断。
举例说明：若某注册人在当前窗口说话且其脸可见，理想情况是说话头为高分，关联头在对应人脸处最高；若该注册人不在场，说话头应全程低分。例子只是帮助理解头部分工，实际分值由训练后的模型计算得到。
注册分支的监督从哪里来
注册头的训练用自注册方式，不需要额外身份标注。出现在当前场景的说话人被当作匹配注册，其对应人脸轨道提供说话和关联目标；从别的视频取来注册但不在当前场景的人被当作场景外注册，提供说话为否的负监督。训练时以 0.2 概率对整个场景关闭注册，否则每个有可用语音的场景说话人以 0.8 概率独立注册，并额外采样 0 到 4 个场景外注册人，论文称之为过度注册，以模拟事先录入多人但只有子集在场的情况。
说话头用二元交叉熵训练，监督区间要排除注册语音与当前训练窗口重叠的部分，避免在注册语音自身上做监督。设有效时刻集合与有效注册人集合如公式所示，匹配注册为说话时标签为 1，否则为 0，场景外注册标签为 0。
\[\mathcal{L}_{\mathrm{spk}}=\frac{1}{|\mathcal{R}|}\sum_{r\in\mathcal{R}}\frac{1}{|\mathcal{T}_{r}|}\sum_{t\in\mathcal{T}_{r}}\operatorname{BCE}\left(\sigma(o_{r,t}),y_{r,t}\right),\]关联头只在匹配注册正在说话且其对应人脸可见的时刻监督，对 K 个关联分做 softmax 后用交叉熵让正确人脸得分最高。
\[\mathcal{L}_{\mathrm{assoc}}=-\frac{1}{|\mathcal{R}_{m}|}\sum_{r\in\mathcal{R}_{m}}\frac{1}{|\mathcal{T}^{+}_{r}|}\sum_{t\in\mathcal{T}^{+}_{r}}\log\frac{\exp(a_{r,k_{r},t})}{\sum_{k=1}^{K}\exp(a_{r,k,t})}.\]总目标是原人脸检测损失加 0.5 倍说话损失加 0.25 倍关联损失，原损失仍是 ROAM-ASD 的掩码帧级损失，ROAM-ASD-C 也用该原损失。冻结的是 ECAPA-TDNN 说话人编码器，论文未披露优化器、学习率等完整训练预算，复现时这部分存在缺口。
在哪些数据和缺失条件下评测
评测沿用 ROAM-ASD 的 5 个数据集设置：AVA，以及 4 个野外基准 ASW、Talkies、WASD 和 UniTalk。WASD 含最佳条件、语音障碍、人脸遮挡、人声噪声、监控场景 5 种条件，UniTalk 含低资源语言、背景噪声、拥挤场景、混合条件。指标方向都是越高越好，人脸检测用 mAP，注册分支用注册说话人平均精度、关联准确率和场景外注册的误报率。
平均精度均值 × 注册说话人平均精度 × 关联准确率： 平均精度均值衡量可见人脸每帧说话判断的准确性，注册说话人平均精度衡量注册身份当前是否说话的判断准确性，关联准确率衡量说话的注册人与哪个可见人脸对应正确的比例。三者分工不同：前者评价常规可见人检测，后两者评价看不见人时的身份推理能力，不能互相替代。
3 组实验分别回答 3 个问题。第一组看人脸间上下文对常规人脸检测的提升，并按同时可见人数和场景条件拆分。第二组看目标轨道自身观察不完整时，其他可见人能否补偿，采用连续缺失协议，对目标轨道挖去占轨道 5%、15%、30% 的小洞直到总覆盖 30%，以及 50%、75% 的大洞和 100% 整流移除，缺失段内其他人基本保留，比较用同一缺失段。第 3 组把所有候选人的人脸和嘴部在整条轨道上全部去掉，只留场景音频和注册令牌，看注册分支能否在完全无视觉时判断注册人是否说话并关联到正确的脸。
五个基准上的总体精度如何
原论文 Table 1 的标题为“Overall mAP (↑, %) across five benchmarks”；下表比较总体 mAP，数值越高越好，比较对象包括此前方法、ROAM-ASD、ROAM-ASD-C 和 ROAM-ASD-CR。阅读时注意 ROAM-ASD-CR 在 Talkies 上论文未报告，表中为缺失，不是 0 分。
| Method | AVA | WASD | UniTalk | Talkies | ASW |
|---|---|---|---|---|---|
| TalkNCE [6] | – | – | 83.2 | – | – |
| Light-ASD [4] | 94.1 | 93.7 | – | – | – |
| MuSED [8] | 95.6 | – | – | – | 98.3 |
| LoCoNet [5] | 95.2 | – | 82.2 | 96.1 | – |
| ROAM-ASD [12] | 96.5 | 98.8 | 87.9 | 98.2 | 99.3 |
| ROAM-ASD-C | 96.8 | 98.9 | 88.8 | 98.7 | 99.5 |
| ROAM-ASD-CR | 96.7 | 98.9 | 88.8 | – | 99.5 |
表中可见，ROAM-ASD-C 在 5 个基准上都高于 ROAM-ASD，分别为 AVA 96.8%、WASD 98.9%、UniTalk 88.8%、Talkies 98.7%、ASW 99.5%，论文称之为新最好成绩。ROAM-ASD-CR 在 AVA 为 96.7%，略低于 ROAM-ASD-C 的 96.8%，在其余报告的数据集上与 ROAM-ASD-C 持平，说明增加注册能力没有明显损害常规的基于人脸的主动说话人检测，但也不能理解为注册在常规条件下带来额外增益。该结论只在论文所用划分和评测规则下成立，不同划分或阈值可能改变排序。本表数值与单位依据论文 PDF。
增益在哪些场景更大
下图展示上下文增量，即 ROAM-ASD-C 减 ROAM-ASD 的 mAP 差值，按 WASD 和 UniTalk 条件拆分。读图任务是比较简单条件与困难条件的条形长度，横轴是增量，越长表示上下文帮助越大。
看图路径： 1. 对比 WASD 左图简单条件与困难条件的横条长度差异；2. 对比 UniTalk 右图噪声和拥挤两条最长横条的增量标注；3. 注意横轴是增量而不是绝对精度
论文图 2。原论文 Figure 2:：“Inter-face context gain (ΔmAP=mAP_ROAM-ASD-C-mAP_ROAM-ASD) across (a) WASD and (b) UniTalk categories.”。
图中可见，在 WASD 较简单的最佳条件和语音障碍上 ROAM-ASD 已达 99.6% 和 99.7% mAP，增量为 0；在较难的人声噪声和监控场景上 ROAM-ASD 为 96.3% 和 96.2%，增量分别为 0.4 和 1.5。在 UniTalk 上 4 个条件都有提升，噪声和拥挤各提升 1.5 mAP，为最大两项。这支持论文的解释：单人证据越不可靠，横向上下文越有用。
人数拆分也呈现同样趋势。AVA 上单人脸时 ROAM-ASD-C 与 ROAM-ASD 基本相同，多人时增益随人数增加，2 张脸提升 0.8 mAP，3 张脸提升 2.2 mAP。论文提到 5 个基准在图 3(a) 中有同样倾向，拥挤和竞争说话人的示例在论文给出的示例页面中展示，这里只说明论文提到该链接，不对页面归属做判断。
完全看不见时注册身份能做什么
原论文 Table 3 的标题为“Speaker-registration performance of ROAM-ASD-CR (%)”；下表是 ROAM-ASD-CR 的注册性能，比较完整视觉与视觉完全缺失下的注册说话人平均精度，以及视觉缺失下的基于人脸的主动说话人检测和关联准确率、额外注册 20 人时的场景外误报率。表前说明比较问题：在视觉完全去掉后，同样一段场景音频能否靠注册身份判断谁在说话。
| Dataset | Registered-speaker AP: Full | Registered-speaker AP: Visual absent | Face ASD: Visual absent | Association Acc. | FA: Out-of-scene +20 |
|---|---|---|---|---|---|
| ASW | 93.3 | 80.4% | 52.8% | 98.4 | 0.0 |
| AVA | 89.0 | 78.0% | 58.9% | 95.5 | 0.04 |
| WASD | 87.4 | 81.8% | 42.4% | 92.7 | 1.3 |
| UniTalk | 72.4 | 60.3% | 36.4% | 79.9 | 0.0 |
表中可见，视觉缺失下注册分支在 ASW、AVA、WASD、UniTalk 上分别为 80.4%、78.0%、81.8%、60.3%，明显高于同条件下基于人脸的主动说话人检测的 52.8%、58.9%、42.4%、36.4%。关联准确率在前 3 个数据集上为 98.4%、95.5%、92.7%，在 UniTalk 上为 79.9%，说明身份与可见脸的对齐在困难数据上仍有差距。过度注册 20 人时场景外误报率在 0% 到 1.3% 之间，表明对不在场注册人保持低误报，但这只在论文的自注册采样下测得，真实注册语音质量不同时结论可能变化。本表数值与单位依据论文 PDF。
目标人脸缺失时别人能补多少
下表比较 AVA 上不同可见人数的 mAP，数值越高越好，用于判断上下文是否只在多人时起作用。
| Method | 1 face | 2 faces | 3 faces |
|---|---|---|---|
| ASC [1] | 91.8 | 83.8 | 67.6 |
| MAAS [2] | 93.3 | 85.8 | 68.2 |
| TalkNet [12] | 95.4 | 89.6 | 80.3 |
| ASDNet [7] | 95.7 | 92.4 | 83.7 |
| EASEE [3] | 96.5 | 92.4 | 83.9 |
| Light-ASD [8] | 96.2 | 92.6 | 84.4 |
| MuSED [13] | 96.7 | 93.6 | 87.8 |
| LoCoNet [15] | 97.0 | 94.6 | 87.4 |
| ROAM-ASD [14] | 97.9 | 95.8 | 89.2 |
| ROAM-ASD-C | 97.8 | 96.6 | 91.4 |
表中可见，单人脸时 ROAM-ASD-C 为 97.8%，略低于 ROAM-ASD 的 97.9%，基本持平；2 张脸和 3 张脸时分别反超 0.8 和 2.2 个百分点。这说明单人时上下文没有可交换对象，增益自然消失，多人竞争时横向比较才有价值。该表也显示拥挤时绝对精度仍随人数下降，上下文只是缩小了下降幅度。本表数值与单位依据论文 PDF。
长段视觉缺失下的具体数字
下图是 4 组连续缺失下的增量热图，右下是人脸加嘴部同时缺失，最能考验跨人补偿。读图时看缺失比例从左到右增大时颜色和数值如何变化，并注意 100% 列的特殊行为。
看图路径： 1. 先看左上不同可见人数下增量随人数增加的变化；2. 再看右下面部加嘴部缺失时 75% 列颜色加深与数值变大；3. 注意右下 100% 列 WASD 出现负值，与其他数据集趋势不同
论文图 3。原论文 Figure 3:：“Inter-face context gain (ΔmAP=mAP_ROAM-ASD-C-mAP_ROAM-ASD) with (a) different numbers of visible faces and under continuous (b) mouth, (c) audio, and (d) all-visual missing…”。
图中可见，右下 75% 移除时 ROAM-ASD-C 相对 ROAM-ASD 在 AVA、WASD、UniTalk、ASW 上分别提升 3.1、8.8、13.3、10.7 mAP，缺失越长增益总体越大。但 100% 整流移除时行为分化：ASW 仍有 28.3 的大增量，UniTalk 为 5.7，而 WASD 为 -3.2，说明在该条件下上下文反而低于单人基线。论文正文强调 75% 的提升，阅读时不应把 75% 的结论推广到完全移除，完全无目标视觉时的归属需要身份线索，这正是注册分支要解决的问题。
哪些情况仍不可靠
首先，上下文增益不是均匀的。简单条件和单人脸时增益接近零，困难、拥挤、多人竞争和长段缺失时增益才大，WASD 完全视觉移除时甚至出现负增量。把平均提升理解为所有片段都有提升是不准确的。
其次，注册分支依赖事先录入的 1 到 3 段注册语音，且实验用自注册构造监督，注册语音与测试场景来自同一分布。当注册语音噪声大、时长不足或与目标场景域差异大时，论文没有给出测量，不能推断仍有同样精度。UniTalk 上注册精度和关联准确率明显低于其他数据集，也提示在语言、噪声和拥挤混合条件下身份推理更难。
最后，论文未报告训练与推理成本、延迟和参数量变化，上下文块增加的计算只给出了结构维度，没有可核对的开销数字，因此不能声称该方法更高效或可实时运行。
复现第一步要准备什么
复现应先区分 2 个模型。ROAM-ASD-C 需要原 ROAM-ASD 的音频、人脸、嘴部编码器、融合模块和预测头权重，并在融合查询表示后实现对齐和上下文块。对齐要以最长轨道为参考网格，半帧步长内取最近表示并掩掉缺席者，候选人上限为 6，上下文块为两层 256 维 4 头自注意力加 512 维前馈，每子层后加零初始化线性投影，单人组跳过。
ROAM-ASD-CR 还需冻结的 ECAPA-TDNN 提取 192 维嵌入并做归一化和平均，再投影加类型嵌入形成注册令牌，训练时按 0.2 概率关闭注册、0.8 概率注册场景说话人并加入 0 到 4 个场景外注册，损失权重为原损失加 0.5 倍说话损失加 0.25 倍关联损失。论文未公开训练代码与权重信息，本文来源未确认作者资源可用，复现时需自行准备 5 个数据集的划分和缺失段生成脚本，并保证与基线用完全相同的缺失位置，否则增量无法对比。
什么时候值得尝试这个方法
当任务中经常出现多人同框、遮挡、长段人脸丢失，且同时可见的其他人基本可用时，ROAM-ASD-C 的横向上下文值得尝试，因为论文在这些条件下测得更大增益。当有已知说话人的事先录音，且需要在其完全不在画面时仍判断他是否说话，或在可见时把身份对到人脸时，ROAM-ASD-CR 提供了超出常规可见人检测的能力。
还需要补的验证是注册语音质量、跨域注册、更大人群和更长缺失下的稳定性，以及计算开销和延迟测量。只有在这些条件与自身应用一致时，论文的数字才能作为预期效果的参考，否则只能作为特定划分和特定缺失构造下的证据。
📎 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