📄 CounselPlex：记住求助者根本困扰的全双工语音咨询模型
英文题目：CounselPlex: A Stressor-Aware Full-Duplex Counseling Model
评分：6.1/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 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 1/1.5
👥 作者与机构
- Yeonju Kim：机构信息未能在本次解析中与作者逐人可靠绑定
- Bella Godiva：机构信息未能在本次解析中与作者逐人可靠绑定
- Yong Man Ro：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
需要理解的对象是能同时听和说的全双工语音语言模型在心理咨询对话中的表现。输入是求助者连续语音流，输出是支持者语音流，难点是求助者早期披露的根本困扰在多轮后被最新话语覆盖，模型只回应表面症状。CounselPlex在求助者静默时先由对话历史判断是否生成1-7词的名词短语作为压力源状态，存为当前活动状态。在求助者下一轮开始说话时把该状态强制填入智能体文本流的<PAD>槽位，使模型在听的同时以该状态解释新话语，再生成回应。旋转位置编码偏移增强RoPE Position Shift Augmentation，RPSA在训练时随机偏移长片段的起始位置，以覆盖更高位置索引，支撑长轮次下的压力源接地。与只做领域微调的PersonaPlex†相比，CounselPlex在ESConv和ESCoT测试集上咨询质量平均分分别高0.34和0.17，代价是平滑轮替延迟为0.988秒且无检测到的附和声。该结论只在合成英语语音、单活动压力源且用文本流直接评分的条件下成立，遇重叠困扰、无明确外部压力源或自杀自伤等危机场景可能幻觉或偏置多轮回应。作者还指出30轮后性能仍下降、缺乏多种子重复与临床评估，微调成本约为45 GPU小时，故尚不能作为独立咨询系统部署。
🔗 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
咨询语音交互要同时解决什么
这篇论文研究的输入是求助者连续的语音流，目标是智能体能边听边说，给出连贯的安慰和引导。输出是智能体的语音和对应的文本流。必须保留的信息有两个：一是当前这句话在说什么，二是求助者早先披露的根本处境，例如创伤、失业、照顾负担。
全双工在这里的意思是听和说的通道同时开着，模型不必等对方说完才开始准备，可以处理停顿、抢话、简短回应。咨询场景对这一点很敏感，因为自然的节奏有助于建立信任，但如果模型为了流畅只盯着最近一句，就会丢掉长程因果。
已有做法多是文本轮流制，一问一答，收到完整句子才回复，不建模重叠和打断。全双工语音模型解决了实时性，但角色设定只告诉模型该如何表现，没有告诉它该记住哪个具体信息。论文把后一个缺口单独拿出来研究。
已有情感支持和全双工路线差在哪里
情感支持对话一路从规则系统做到神经对话，再到把支持拆成提问、复述、反映感受等显式策略。近期大模型把多轮安慰做得更流畅，还加入推理来选策略。但这些工作大多是文本、严格轮流，不处理真实语音里的停顿、重叠和打断。
全双工语音语言模型另一条线解决实时交互，代表有 Moshi、PersonaPlex 等双流结构，能同时编码用户音频和生成智能体音频。评测也开始看停顿接管、倾听回应、轮次交接和打断处理。多轮评测发现对话变长后质量下降，说明需要不破坏实时性的记忆方法。级联系统可以外挂模块但可能增加延迟。
本文的定位是留在端到端全双工结构里，不另起管线，而是把压缩后的压力源短语直接放进文本流，让模型在听下一句话时就能用上。比较时要注意，文本策略模型和全双工语音模型的输入、延迟约束并不相同，不能把类别差异当成同条件胜负。
压力源失明是一个什么失败
论文将跨轮遗漏活跃压力源、只对当前症状泛泛回应的失败称为压力源失明。图 1 的独立示例以创伤为早期压力源：8 轮之后，求助者表示一直紧张、仿佛有坏事将发生；基线讨论焦虑与正念，CounselPlex 则将当下感受接回此前创伤。这个 8 轮例子的依据是图 1 像素和图注，应与后述表 7 的 16 轮姐妹冲突例分开理解。
要理解这个例子，需要区分症状和处境。睡不着、焦虑、紧张是症状，创伤、失业、亲人离世是处境。好的咨询要透过症状看到处境。论文把这种能力称为压力源觉察理解，即在整个对话中保留压力源并用它解释新症状。
下面只按图 1 本身阅读这个 held-out 创伤示例：先看早期披露及静默时生成的更新，再看 8 轮后的症状与两种回应；正文第 5.6 节相邻的 16 轮家庭冲突叙述属于表 7，不能借用其轮数或细节解释本图。
读图时先看早期披露写了什么，再看更新存了什么，最后对比谁接回了早期信息。
看图路径： 1. 看顶部求助者在 t-8 轮披露的创伤原文；2. 看中间沉默更新如何把 trauma 存下来；3. 对比底部两条回复谁接回了创伤、谁只谈焦虑；4. 注意基线输出省略号处仅为缩短引用
论文图 1。原论文 Figure 1:：“Held-out example of Stressor Blindness.”。
这张图确实可见三块内容：灰色框是 8 轮前的创伤披露和当前觉得处于边缘的症状，蓝色框是沉默时生成的 trauma 更新并注明稍后听的时候会重新注入，红色框是只谈紧张焦虑的基线回复，绿色框是把当前感受连回创伤的本文回复。图下两行判断写明前者是泛泛支持，后者是连回了压力源。它帮助理解后文为什么要做生成加注入，而不是只做更长的上下文。
需要如实说明一个指代表述差异：本图是 8 轮间隔的创伤例子，当前症状是觉得处于边缘，基线只谈紧张焦虑，而正文第 5.6 节在对照图 1 与表 7 后，紧接着描述的是另一个 16 轮间隔的姐妹冲突例子，涉及应对与冥想讨论，标题也明确为 16 轮，位于表 7。2 例不要合并为同一例，本文不裁定哪处应修改，仅保留图 1 真实像素、图注及其压力源重连含义，也不把主题级重连夸大为完整细节回忆或临床有效。
CounselPlex 的整体流程是什么
CounselPlex 以 PersonaPlex 为骨干，后者源自 Moshi，有分开的用户流和智能体流，支持同时听和说。整个框架只有两个主要操作：更新压力源状态，在倾听时注入活跃状态。另有一个训练方法位置偏移增强用来稳定长对话。
沿一个样本走一遍：求助者说完一段后出现沉默，模型等 0.5 秒确认不是句中短停，然后根据历史决定是否生成新的短语并存为活跃状态；求助者下一轮开始说话，经语音活动检测确认是有效轮次后，系统把存着的短语强制写入智能体文本流的无声占位位置；模型接着边听边用这个短语解释新输入，再生成语音。
下图把上下 2 阶段并排放出，上半是生成，下半是注入，注意文本、音频流和损失标注的对应关系。
先沿用户音频到智能体文本再到智能体音频看主路径，再看粉色压力源段在 2 阶段分别出现在哪里。
看图路径： 1. 看上半部分生成阶段文本流中
<think>段的位置；2. 看下半部分注入阶段用户语音活跃时智能体文本如何被填入；3. 注意下方标注的注入段不计入损失
论文图 2。原论文 Figure 2:：“Overview of the CounselPlex framework.”。
这张图上半显示用户说丢失童年好友后，智能体文本流出现<think> lost childhood friend </think>，并标为生成新状态，损失分为 3 段；下半显示用户重新说话且语音活动检测激活后，同一短语被注入智能体文本流，且该段注明不计入损失计算。右下还给出文本损失加权和与总损失的公式。它说明生成和注入用不同触发器，前者在沉默时做，后者在倾听时用，不在注入时刻重新生成。
压力源状态如何标注和生成
压力源状态在本文中被定义为 1-7 词的名词短语，只写处境不写症状，例如丧亲、失业、照顾负担。训练标注用 GPT-4.1 从对话历史抽取，要求区分处境与短暂情绪症状，无外部压力源的对话则不标注。原文报告 127 个对话共 4.22% 没有标注，平均每个对话 1.19 个压力源。
全双工语音语言模型 × 压力源 × 压力源失明： 全双工语音语言模型指能同时听和说、不必等一句话结束才回应的语音模型；压力源指求助者处境中持续起作用的根本问题，如失业、丧亲，用 1-7 词短语表示；压力源失明指模型只回应最近的症状而接不上早先披露的压力源，回复听起来体贴但丢失了因果链，三者组合说明了本文要解决的不是流畅度而是长程记忆问题。
推理时生成逻辑是：求助者轮次结束后等 0.5 秒沉默，把这段沉默当作轮次结束，避免把句中停顿误判为结束，再用历史决定是否生成新的思考痕迹。如果不需要更新，当前状态保持活跃。这种稀疏更新意味着多数轮次只是沿用旧状态，只有 11.3% 的参与轮次会生成新状态，每个对话平均 1.24 个新状态。
论文用 GPT-4o-mini 检查生成的 666 个状态，发现 92.5% 能正确抓住求助者的根本情况。但这只是状态本身写得对不对，不等于后文一定用得好，失败分析里有状态正确但策略不当的例子。
注入与损失如何配合
注入的触发与生成不同。当求助者开始下一轮，系统用 Silero VAD 在 0.5 秒窗口内检查是否有足够语音活动，防止把简短回应和噪声当成正式轮次。确认后把活跃短语强制写入智能体文本流的<PAD> 槽位，让模型在解释新输入时直接看到它。
压力源状态 × 思考痕迹 × <PAD>： 压力源状态是当前起作用的短语记忆；思考痕迹是把它写成<think>…</think>形式的文本段；<PAD> 是智能体无声时文本流中的占位符，生成解决何时更新记忆，注入解决如何在倾听时让模型看得到记忆，把短语塞进<PAD> 位置就把记忆变成了下一轮理解的上下文。
训练时智能体文本被分成 3 组：思考痕迹段、代表沉默的大量<PAD> 段、包含说话词和词前<EPAD> 的语音段。每组分别算交叉熵再加权相加，音频损失只监督智能体生成流，每帧 8 个编码本取平均。
生成 × 注入： 生成是在求助者停顿 0.5 秒后根据对话历史决定是否写出新的压力源，注入是在确认求助者下一轮真正开始说话后把已存的压力源强制写入智能体文本流，前者负责更新，后者负责使用，两者触发条件不同、分开执行，才能在不打断实时倾听的情况下保持记忆可用。
总目标是文本损失加音频损失。
\[\mathcal{L}_{\text{total}}=\mathcal{L}_{\text{text}}+\mathcal{L}_{\text{audio}}\]文本损失是 3 组损失的加权和，沉默太多所以<PAD> 权重低，思考痕迹稀疏所以思考权重也低于语音权重，注入窗口的词是系统塞入的，不计入文本损失。
音频损失是对全部生成帧和 8 个码本取平均的交叉熵，符号 a 是真实声学 token，带帽的是预测分布。
\[\mathcal{L}_{\text{audio}}=\frac{1}{8T}\sum_{t=1}^{T}\sum_{c=1}^{8}\text{CE}(\hat{a}_{t,c},a_{t,c})\]原文给出的权重是思考 0.5、沉默 0.3、语音 1.5，音频权重 1.0。单独生成思考痕迹而不注入是不够的，消融显示去掉注入后质量回落，说明看得见的记忆位置很关键。
为什么要做位置偏移增强
咨询对话可长达 13 分钟，平均 3.1 分钟，平均轮次 16.5 秒含沉默。模型上下文是 2048 帧、12.5 帧每秒，训练样本多集中在小编号旋转位置，高编号见得少，长对话尾部质量容易掉。
旋转位置编码 × 位置偏移增强： 旋转位置编码是模型用位置序号区分先后顺序的机制，训练样本多集中在小编号会导致长对话尾部位置没见过；位置偏移增强是对超过上下文窗口的长截断段整体加上随机偏移，保持内部相对顺序不变而让模型见到更大的绝对位置，二者搭配是为了让长轮次对话的尾部仍能稳定解码。
位置偏移增强的做法是：对超出窗口的长对话先截一段固定长度，如果该段起始于 750 帧约 60 秒之后，以 0.7 概率加上 1000 到 4000 的均匀随机偏移，整段位置平移，保持内部顺序和相对间隔不变。这样训练时能见到更大的绝对位置。训练还加入每轮支持者后 0 到 5 秒随机停顿，教模型在求助者说话前保持沉默。
下图是训练时见到的位置直方图，读图时注意有无增强两组在高位区间的差异。
不看曲线先看柱高和图例熵值，红色代表用了增强，灰色代表没用。
看图路径： 1. 对比灰色与红色柱在 0-1k 和 1k-2k 的高度；2. 看 4k 以上区间哪种颜色出现新的覆盖；3. 结合图例中归一化熵从 0.66 到 0.85 的变化理解覆盖变广
论文图 3。原论文 Figure 3:：“Histogram of RoPE positions seen during training.”。
这张图横轴是位置区间，纵轴是占比，灰色无增强在 0-3k 占了绝大部分，4k 以上几乎为零，红色有增强在 4k-5k、5k-6k 和 6k 以上出现 8%、7%、4% 的覆盖，归一化熵从 0.66 升到 0.85。它说明增强确实把训练覆盖摊开到高位，但这只是训练见过的位置变多了，不直接等于长对话一定答好，还要看按轮次的效果。
数据、基线和评分规则是什么
语音语料由 ESConv 和 ESCoT 两个文本策略数据集经 CosyVoice3 合成，一个男声固定扮演求助者，一个女声固定扮演支持者，共 3009 个对话、80034 个 utterance 级文件、158.3 小时，24 kHz。划分沿用原文，训练 2107、验证 367、测试 535，其中 ESConv 测试 194 个对话 2286 轮，ESCoT 测试 341 个对话 3992 轮。这种固定双声设计保证角色一致，但缺少真实咨询的口吃、韵律变化和说话人多样性。
共情 × 策略恰当性 × 压力源觉察： 共情衡量是否点名并承接求助者的具体情绪，策略恰当性衡量在该时刻选的安慰、提问或建议是否合时，压力源觉察专门衡量是否触及根本处境而非只处理失眠、焦虑等表面症状，三者分开评分才能看出模型是全面变好还是只在某一维上讨巧。
基线有 3 个可运行的全双工系统：Moshi、零样本 PersonaPlex、同域微调但无压力源推理的 PersonaPlex†，最后一个用来分离微调与压力源推理的贡献。还列出人类参考作为非完美上界。咨询质量用 GPT-4.1 对文本流直接打分，避免语音转写噪声，维度是共情、连贯、上下文回忆、策略恰当、压力源觉察各 1-5 分，平均为 Avg5，未回答的轮次按 1 分计，回应率单独报告。
全双工行为在 Full-Duplex-Bench 上测停顿接管率、简短回应频率与分布差异、平稳交接与打断后的接管率、延迟和打断回应分。接管率在停顿任务越低越好，在平稳交接越希望正常接话，方向要按任务看。主评分者同时也是标注者，可能有自偏好，所以用 Gemini-2.5-Flash 重评全部 535 个测试对话做交叉验证。
咨询质量的主结果是什么
下表比较的问题是：在相同测试划分和相同 1-5 分规则下，CounselPlex 是否在 5 个维度上都超过可运行基线。公平条件是都测文本流输出、沉默按 1 分计，指标方向都是越高越好，回应率单独列出以防少答得高分。
| Model | ESConv (194 conv, 2,286 turns) | ESConv (194 conv, 2,286 turns) | ESConv (194 conv, 2,286 turns) | ESConv (194 conv, 2,286 turns) | ESConv (194 conv, 2,286 turns) | ESConv (194 conv, 2,286 turns) | ESConv (194 conv, 2,286 turns) | ESCoT (341 conv, 3,992 turns) | ESCoT (341 conv, 3,992 turns) | ESCoT (341 conv, 3,992 turns) | ESCoT (341 conv, 3,992 turns) | ESCoT (341 conv, 3,992 turns) | ESCoT (341 conv, 3,992 turns) | ESCoT (341 conv, 3,992 turns) |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Model | RR | Empathy | Coherence | Context | Strategy | Stressor | Avg5 | RR | Empathy | Coherence | Context | Strategy | Stressor | Avg5 |
| Moshi | 0.809 | 2.155 | 2.288 | 2.259 | 2.160 | 2.294 | 2.231 | 0.785 | 2.203 | 2.323 | 2.309 | 2.213 | 2.348 | 2.279 |
| PersonaPlex | 0.840 | 2.198 | 2.455 | 2.384 | 2.213 | 2.398 | 2.329 | 0.671 | 2.113 | 2.384 | 2.288 | 2.160 | 2.300 | 2.249 |
| PersonaPlex† | 0.960 | 2.038 | 2.210 | 2.206 | 2.056 | 2.204 | 2.143 | 0.939 | 2.498 | 2.740 | 2.736 | 2.525 | 2.720 | 2.644 |
| CounselPlex | 0.955 | 2.363 | 2.600 | 2.546 | 2.376 | 2.521 | 2.481 | 0.929 | 2.654 | 2.910 | 2.902 | 2.693 | 2.906 | 2.813 |
| GT (human) | 1.000 | 2.626 | 3.117 | 2.989 | 2.657 | 2.893 | 2.856 | 1.000 | 3.161 | 3.714 | 3.594 | 3.303 | 3.585 | 3.471 |
从完整原表可见，CounselPlex 在 ESConv 上 Avg5 为 2.481，在 ESCoT 上为 2.813，都是除人类参考外的最高值，分别超过同域微调基线 0.34 和 0.17。绝对分都在 2-3 分区间，人类参考也只有 2.856 和 3.471，说明 1-5 严格量表下大家都不高。与参考的差距在 ESCoT 上更大，原文提到 ESCoT 参考本身是 ChatGPT 生成而 ESConv 是众包自然对话，加上大模型评分偏好都可能影响。
这个结果支持压力源推理带来全面提升而不只是压力源单项，但不能推出临床有效。代价在后文延迟表里，平稳交接延迟 0.988 秒、打断后 1.056 秒，比零样本慢，且无可检测的简短回应。未胜出的地方是回应率略低于微调基线，ESConv 上 0.955 对 0.960，ESCoT 上 0.929 对 0.939。
换个评分者结论还成立吗
下表要回答的问题是：主结论是否只是 GPT-4.1 既当标注者又当裁判带来的自偏好。条件是同一 535 个对话、同一量表和沉默按 1 分规则，换 Gemini-2.5-Flash 重评，方向仍是越高越好。
| Model | GPT-4.1 | Gemini-2.5 |
|---|---|---|
| CounselPlex | 2.692 | 2.926 |
| PersonaPlex† | 2.461 | 2.691 |
| PersonaPlex | 2.278 | 2.595 |
| Moshi | 2.262 | 2.526 |
表中 CounselPlex 在 GPT-4.1 下 2.692、在 Gemini 下 2.926，都是第一，且对微调基线的领先都是 0.23，排序完全一致。逐回复相关约 0.73，说明 2 个模型家族的排序证据互相印证。但这只能排除单一评分者的特殊偏好，不能排除大模型裁判共有的偏好，原文也明确说了这一点。本表数值与单位依据论文 PDF。
限制是分数整体上浮 0.23-0.32，说明绝对值受裁判影响大，排序比绝对分更可信。教学上要记住，换裁判不变排序不等于人类专家也会这样排，小规模人工偏好只是 61.2% 的描述性领先。
多答会不会拉低平均分
下表要回答的问题是：主指标把沉默记 1 分，是否惩罚了少答的模型或奖励了多答的模型。比较了只算已答轮次的平均和只用 4 个模型都回答的 3472 轮的平均，后者是相同样本的公平对照。
| Model | Engaged-only | Matched |
|---|---|---|
| CounselPlex | 2.804 | 2.812 |
| PersonaPlex (ZS) | 2.745 | 2.796 |
| Moshi | 2.590 | 2.656 |
| PersonaPlex† (FT) | 2.544 | 2.537 |
可见 CounselPlex 在两种口径下都是第一，已答平均 2.804，匹配平均 2.812。但在匹配子集上零样本 PersonaPlex 达到 2.796，与 CounselPlex 的差距 p 值为 0.49，统计上区分不开，而在全部轮次上差距很大。这说明匹配子集排除了低回应率基线保持沉默的难题，偏向它们。
原文进一步报告，零样本基线在子集外下降 0.209，Moshi 下降 0.218，而 CounselPlex 几乎不变，支持本文领先主要来自在保持质量的同时答了更多轮。未胜出的细节是，在最容易的共同子集上，本文方法并没有显著超过零样本，全面领先依赖于覆盖难度更大的轮次。
拿掉注入或位置增强会怎样
下表要回答的问题是：在同一训练和评测配置下，压力源注入和位置偏移增强各自是否必要。条件是骨干相同，只开关这 2 个组件，指标仍是回应率和 5 个维度加平均。
| Model | RR | Emp | Coh | Ctx | Strat | Strs | Avg |
|---|---|---|---|---|---|---|---|
| Baseline (PersonaPlex) | 0.733 | 2.144 | 2.410 | 2.323 | 2.179 | 2.336 | 2.278 |
| Base + In-domain Data | 0.946 | 2.331 | 2.547 | 2.543 | 2.354 | 2.532 | 2.461 |
| CounselPlex w/o RPSA | 0.882 | 2.103 | 2.246 | 2.285 | 2.109 | 2.263 | 2.201 |
| CounselPlex w/o Inj. | 0.901 | 2.218 | 2.392 | 2.411 | 2.228 | 2.395 | 2.329 |
| CounselPlex | 0.938 | 2.548 | 2.797 | 2.772 | 2.577 | 2.766 | 2.692 |
表中完整模型回应率 0.938、平均 2.692 最高；只做域内微调无压力源是 0.946 和 2.461；去掉位置增强掉到 0.882 和 2.201；只生成不注入是 0.901 和 2.329。说明两者都对完整系统有贡献，只生成不注入不足以超过域内基线。
按轮次看位置增强的作用，下图把轮次由浅到深分成多段，同时看平均分和回应率，红色是有增强、灰色虚线是无增强。
先看红色有增强是否始终在上，再看 30 轮后两条线是否都往下，注意尾段样本稀疏。
看图路径： 1. 看左图平均分随轮次加深两条线的间距变化；2. 看右图回应率在 21-30 轮后谁下降更快；3. 注意 31 轮之后样本稀疏，趋势只作参考
论文图 4。原论文 Figure 4:：“RPSA effect by turn depth. Counseling quality (Avg5) and Response Rate on the combined ESConv and ESCoT test sets.”。
两张子图共同显示的定性趋势是：有增强的红色线在各轮次段高于无增强的灰色虚线，但随轮次加深两者都下滑，尾段仍退化，且都是单次训练、无多种子方差，尾段样本稀疏，所以只支持前段更稳、不支持超长都稳。作者来源内部存在不一致，需如实披露：原文称前 30 轮占 87.1%，但附录表 24 各分箱计数 2413、1934、1126、470、127 合计 6070，前 3 箱 5473 占比约 90.16%，与 87.1% 对不上；主测试 6278 轮与该表合计也不同，来源未交代原因，不做猜测也不选一方为准；附录称该表给出图 4 数值，但图 4 与该表的具体 Avg5 和回应率也有差异。
因此不能把原图、原文百分比和附表计数拼成一组精确一致的证据，这里只保留有增强更高、长轮次仍退化、单种子和尾段稀疏这一共同边界。前面图 1 8 轮创伤与表 7 16 轮姐妹冲突已经如实区分，保持原样。
长程记忆还有哪些失败
压力源分析把轮次分成无、新引入、沿用旧 3 种。沿用旧的 4780 轮最能考记忆，所有模型在沿用轮上质量和明确提及压力源的比例都低于新引入轮，人类参考也会少提但能保持质量，说明高手是用压力源作视角而非复述名词。CounselPlex 在沿用轮与参考差距 0.46，基线差距 0.99-1.00，缩小了但仍有缺口。
失败例子揭示 3 层局限。第一，状态对但策略错：求助者表达希望或极度无助时，模型仍回照顾框架或分析经济影响，错过情绪转折。第二，只保住主题丢掉细节：16 轮后能回到姐妹冲突，但把已披露的争吵原因又问一遍，压缩短语留不住细节。第三，初始抽错且无法修正：把侵入性想法误作分手，强制注入让错误持续数轮并陷入资源推荐循环。
交互上，本文系统停顿接管率最低，合成停顿 0.066、自然停顿 0.213，平稳交接接管 0.992 几乎都接，但延迟 0.988 秒、打断后 1.056 秒，打断恰当分 3.071 低于零样本的 4.210，且无简短回应。加简短回应 cues 的变体能发出 0.083 频率但接管飙升、打断分掉到 1.605，说明重叠与少抢话在此训练下难以兼得。
数据与评测的边界也要讲清：只有两个英语声音的合成语音、无真实咨询的犹豫和韵律多样性；标注、状态准确率和主评分都依赖 GPT 家族；人工只是 5 人各评 20 对，61.2% 非平局偏好且 p 值为 0.0625，未达显著；多压力源分析是描述性的，无对照基线，不能说活跃状态起到了优先机制。
复现需要什么、缺什么
复现第一步是拿到同样的输入条件：ESConv 和 ESCoT 的文本划分、CosyVoice3 固定双声合成的 24 kHz 语音、GPT-4.1 按附录提示抽的 1-7 词压力源标签，以及 2048 帧、12.5 帧每秒、文本权重 0.3、0.5、1.5、音频权重 1.0、750 帧后 0.7 概率加 1000-4000 偏移的训练配置。解码温度文本 0.3、音频 0.8，推理种子 42。
缺口要如实说。来源校验显示没有可用的代码、权重或数据公开记录，附录明确衍生语音、标注和全流程暂不发布，文本本身不等价于全双工训练输入。训练是单次运行，未报告多种子方差，训练种子未存档，超参搜索无完整日志，CPU 和驱动版本未存档。延迟分析用 Silero 和 Whisper 两种口径，与 Full-Duplex-Bench 口径不同，数值不能直接对比。
成本方面，微调约 45 GPU 小时，在 4 块 A6000 上约 11.2 小时，不含骨干预训练。状态本身很轻，平均 2.62 词、文本流约 0.40 秒，每对话约 0.50 秒，但端到端延迟还包含 0.5 秒沉默确认和后续处理，新状态轮次比无状态轮次慢约 0.35 秒，沿用旧状态则与无状态接近。这些是观测性比较，轮次类型非随机分配，不能当因果效应。
安全上，论文未覆盖自杀、自伤、虐待等危机场景，明确不应作为独立咨询系统部署，需危机检测协议，复现时只能做情感支持研究，不能当临床验证。
什么时候值得试、还需补什么验证
当任务是全双工语音、需要跨多轮记住根本处境、且能接受稍高延迟和较少重叠回应时，这个思路值得试。它的价值在于把记忆变成听的时候看得见的文本，而不是更长的窗口或外挂模块。单次实验显示 5 个维度全面提升、换裁判排序不变、匹配子集仍领先微调基线，支持记忆有用。
容易误解的有三点。一是分数全面涨不等于每个维度机制都清楚，原文说不能分离各维度提升的来源。二是位置增强改善了前 30 轮，不等于超长会话已解决，31 轮后仍掉且样本稀疏。三是单活跃状态能顺带提及旧压力源，不等于它学会了多压力源优先级，那部分只是描述性统计。
还需补的验证是：多种子重复训练看方差；真实多说话人、多口音、带犹豫的语音；临床专家而非众包的评价；危机和多压力源的对照实验；以及在保持低接管的同时恢复自然简短回应的交互研究。把这些补上，才能判断它是从演示走向可用的咨询辅助。
📎 论文与评分元数据
排名：前50% | 文档类型：模型报告 | 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