📄 MI-MIDI 2：文本生成 MIDI 中稀疏自编码器特征能否从观察走向控制
英文题目：MI-MIDI 2: From Observation to Control with Sparse Autoencoders in Text-to-MIDI Generation
评分：6.0/10 | 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 0.2/1.5 | 可复现 0.3/0.5 | 工程/实践 0.7/1.5
👥 作者与机构
- Jakub Poćwiardowski：Institute of Computer Science；Warsaw University of Technology
- Mateusz Modrzejewski：Warsaw, Poland
📌 核心摘要
文本到符号音乐生成以文字提示为输入，以多轨MIDI事件序列为输出，难点在于无监督发现的内部特征是否真能改变乐谱。方法先在text2midi和MIDI-LLM解码器残差流状态上训练TopK稀疏自编码器，将其分解为稀疏字典方向，每个特征以模型、层和编号标识，其字典方向可直接用于回加干预。三类观察证据并行表征候选并各配对照：特征激活与MusPy音乐指标的相关经音符数残差化校正，发现、验证与测试片段需同号复现，大语言模型看激活样例写出描述并用打乱对照校准，激活片段共享的通用MIDI乐器编号提供乐器假设，三类输出共同确定干预目标与预测方向。干预把候选方向加回残差流，在生成MIDI中直接对比未修改生成与匹配随机方向，先在筛选排序估计家族效应，再用新提示确认单个特征。合成器主音特征在20个新提示的预注册确认中，以MIDI程序号存在为指标，特征方向比匹配随机方向产生更多程序81阳性输出，配对检验p=0.000122，方向为特征方向高于随机方向。经密度校正筛选的42个特征在8个共享提示、P90干预强度下，以MusPy目标指标定向差为指标，特征方向比随机方向平均向预测方向高0.18个基线标准差，而原始相关筛选的24个特征同设置下平均为负向、低于随机方向。结论只适用于显式记谱、可精确测量的符号属性，听感、跨层多点干预和必要性尚未验证。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
- 第三方资源：https://jpocwiar.github.io/MI-MIDIv2-Demo/ — 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
文本生成 MIDI 要解决什么输入输出问题
这篇论文研究的任务是文本到 MIDI 生成。输入是一句自然语言提示，例如想要的乐器、情绪或风格，输出是一段符号化乐谱，包含音高、时值、力度与乐器编号等离散事件。与直接生成波形不同，符号输出的每个音符和乐器编号都可以精确读取和计数，因此干预是否改变了某个乐器或某项统计量可以直接在 MIDI 文件中验证。
读者需要先理解两个被研究模型的输入处理差别。text2midi 用冻结的 Flan-T5 编码器理解文本，再用 18 层解码器生成 REMI 加事件，乐器作为独立事件写入。MIDI-LLM 基于 Llama 3.2 1B 结构，共 16 层，使用预期音乐 Transformer 的词表，把绝对开始时间、持续时间和乐器加音高联合编码进每个音符。两者都建立在带文字标注的 MidiCaps 相关数据上，但结构、词表和切分方式不同，论文明确说明不把模型间差异归因于某一个因素。
论文要回答的核心问题不是能否生成好听的音乐，而是无监督发现的特征是否可控。稀疏自编码器可以在没有人工标签的情况下，把隐藏状态分解成大量稀疏激活的方向，每个方向可能对应某种音乐概念。但在语言模型中已有教训，对输入响应强烈的特征不一定能推动输出，基于输入例子写出的描述也常常预测不了干预效果。音乐生成器此前没有做过这种从观察到控制的严格检验，本文就是补上这一环。
已有操控路线与本文验证路线有何不同
已有的音乐生成操控大多是有监督的，也就是先选定要控制的属性，再构造对比方向。例如在 MusicGen 上用乐器、风格、速度和音色亮度的对比方向做激活引导，在符号模型上用音高和时值的均值差方向做引导。这些方法省去了发现概念的步骤，但 1 次只能处理预先想好的属性。
稀疏自编码器路线相反，它先无标签地学出一大本字典，再去解释每个方向代表什么。MusicGen 上的工作曾用多模态语言模型描述特征并做引导，符号模型上也有用 TopK 稀疏自编码器加反馈控制预定属性的工作。问题在于描述和引导效果之间的联系没有被对照检验，听感评价也难以定位到底改变了哪个符号属性。
本文与直接前作 MI-MIDI 的关系需要分清。前作在同一类模型上做探针、logit 透镜、激活补丁，并评价有监督均值差方向的双向引导。本文是互补的无监督路线，字典暴露事先没有指定的可控属性，并把每个观察证据配一个对照，把每次干预同时与基线和随机方向比较。论文还沿用了语言模型可解释性中的检测评分思想，即用描述能否预测新例子上的激活来打分，并借鉴了不同随机种子下字典部分重合的稳定性检查。
为什么观察到的特征不一定能控制输出
论文把困难拆成 3 个具体的混杂。第一是音符数量混杂，许多音乐统计量会随音符变多而变大，特征激活的最大值也可能随音符变多而变大，两者相关可能只是共同依赖音符数。第二是语言模型善于找规律的混杂，即使把激活随机打乱，它也可能为任意一组谱例编出看似合理的共同描述。第三是一般扰动混杂，沿任何方向推动隐藏状态都可能改变输出，如果只和不干预的基线比，会把随机扰动的效果误算成特征特有的控制。
为此论文设计了端到端 4 阶段流程，训练字典、收集 3 种观察证据并各自加对照、沿字典方向干预并在 MIDI 中测量、用少量提示做筛选排序再用新提示确认个体。筛选解决候选太多而每个特征只能测少量提示的问题，确认解决筛选阶段分辨率不足的问题。整个流程的目标是定位解释在哪个环节失效，而不是宣称所有特征都可控。
从字典到确认的整体流程是怎样的
流程起点是残差状态。残差状态指模型每一层输出的隐藏向量，论文在 text2midi 的第 2、8、13、16 层和 MIDI-LLM 的第 2、7、12、14 层上提取它，字典学习、表征和干预都作用在这 1 位置。数据来自 Lakh MIDI 数据集的 1500 个文件，按文件划分为训练、验证和测试，激活语料经窗口切分后分别得到 2 模型上千万量级的状态点。表征用的则是 4941 个四拍片段，每个至少 4 个音符，最多每文件取 4 个，再按发现、验证和测试划分。
下面这张总览图把 4 个阶段和每条证据的对照放在同一画面，适合先建立全局位置感再读细节。图中从左到右依次是字典学习、3 种观察证据及其对照、干预时基线与特征与随机 3 路比较、筛选加确认 2 级检验，干预端点直接读 MIDI 并辅以盲评。
看图路径： 1. 先沿从左到右四个编号看字典学习到观察再到干预最后到检验的主路径；2. 再看观察框内三种证据各自所配的对照文字；3. 最后看干预框中基线与特征与随机三条输出箭头的分叉与汇合
论文图 1。原论文 Figure 1:：“Overview of the experiments. Each observational route has its own control; interventions compare the feature direction with baseline generation and a matched random direction,…”。
总览图确实可见 4 个编号框，字典框标出残差状态经 TopK 稀疏自编码器得到稀疏特征，观察框并列指标相关、乐器程序频率和自动描述 3 条路线，并分别注明音符密度、匹配非活跃谱例和打乱激活的对照。干预框写出编辑公式并分出提示输入与 3 条输出箭头，端点注明从 MIDI 读取并做盲评，检验框区分筛选排序与新提示确认。这张图帮助理解后文为何每种观察都有对应的干预家族，以及为何筛选的家族效应和个体的确认检验是分开报告的。
稀疏自编码器如何把隐藏状态变成可干预方向
稀疏自编码器在这里的作用是把稠密的残差状态分解为少量非零系数的组合。先把状态中心化并除以 50000 个训练 token 上中位范数做归一化，论文说明这是为了避免少数范数很大的 token 主导均值归一化并反复出现在多个特征的最强例子中。编码器经 ReLU 后做 TopK 截断，每次只保留 k 等于 32 个最大的激活，其余置零，解码器再用这些系数线性重构输入。text2midi 字典每个 6144 维，MIDI-LLM 每个 8192 维，目的是在相同稀疏度下规模接近。
\[f(x)=\operatorname{TopK}_{k}\!\left(\operatorname{ReLU}(W_{\rm enc}x+b_{\rm enc})\right),\qquad\widehat{x}=W_{\rm dec}f(x)+b_{\rm dec},\]上式要计算的是给定归一化输入的稀疏编码和重构。其中 x 是归一化后的残差向量，编码参数经 ReLU 与 TopK 得到稀疏系数，f 的第 j 个分量是特征 j 的激活强度，解码矩阵的第 j 列就是后文干预所沿的字典方向。解码列在每次更新后重新归一化，连续 10 个周期不激活的特征会被重置到重构差的例子附近，训练用均方误差跑 100 个周期。
稀疏自编码器 × 字典方向： 稀疏自编码器负责把残差状态分解为少量激活的特征系数，字典方向是解码矩阵中每个特征对应的单位向量；前者解决如何无标签地发现候选表示，后者解决干预时沿哪个方向推动隐藏状态，两者组合才把观察到的特征变成可施加的控制量。
下表比较 2 个模型各层字典的规模与频率过滤结果，比较问题是不同层和不同模型在相同稀疏度下能保留多少候选特征，指标方向是死特征越少越好、保留特征越多候选池越大，但保留多不等于可控多。
| Model | Layer | FVU | Frequent (%) | Retained |
|---|---|---|---|---|
| text2midi | 13 | 0.1750 | 63.17 | 1746 |
| text2midi | 16 | 0.1568 | 61.12 | 2082 |
| MIDI-LLM | 2 | 0.2493 | 22.66 | 3742 |
| MIDI-LLM | 7 | 0.3672 | 21.02 | 4422 |
该表可见 text2midi 各层保留 1700 到 2300 余个特征，MIDI-LLM 各层保留 3700 到 4800 余个特征，死特征比例最高仅 2.42%。FVU 是提取语料上的归一化重构误差，数值越小重构越好。论文只对 text2midi 第 13 层和 MIDI-LLM 第 12 层报告了功能保真度，即用重构状态替换残差后相对均值替换的交叉熵恢复比例，其余 6 个字典只有重构诊断。这一限制意味着后文的干预结论不能直接推广到所有层都同样保真。
干预时如何沿特征方向推动生成
干预公式要解决的是如何在生成过程中定量地增强某个特征。论文取字典方向的单位向量，在每个已消费 MIDI 状态上加上标量增量，增量是目标激活减去当前激活，当前已超过目标则不加。目标取该特征在发现集正例最大值分布的第 50、75 或 90 分位数，预先设定的主剂量是 90 分位数。编辑作用于每个已消费的 MIDI 状态，不改提示处理和首个 MIDI token 之前的状态。
\[h^{\prime}_{\ell,t}=h_{\ell,t}+s\,\Delta f_{j}\,d_{j},\qquad\Delta f_{j}=\max\{0,f^{\star}-f_{j}((h_{\ell,t}-\mu)/s)\},\]上式中 h 是原始残差状态，h 撇是编辑后状态，s 是归一化时的尺度，增量只在需要补足到目标时为正。对照的随机方向是与目标方向正交的固定随机单位向量，用同样规则在自己的轨迹上计算增量，因此两条轨迹一旦分叉实际范数可能不同。消融条件则反向把自然激活减掉，并配自己的随机对照。
残差状态 × 重构保真度： 残差状态是每一层输出的隐藏向量，是稀疏自编码器的输入材料，重构保真度衡量用重构状态替换残差后交叉熵损失的恢复程度；前者提供被分解的对象，后者检验分解是否保真，只有保真足够，后续解释和干预才有意义。
操作检查显示 90 分位数下编辑改变量占状态范数的 text2midi 约 20%，MIDI-LLM 约 10%，重编码后目标特征在 text2midi 约半数以上编辑状态上为正，MIDI-LLM 约三成多，随机方向下至多 0.3%，且全部 7200 条记录都是合法 MIDI，音符数相近。一个关键边界是许多基于无提示片段选出的特征在带提示生成时基线下很少激活，因此实验检验的是方向是否足以改变输出，而不是自然生成是否必需该特征。
三种观察证据各自配了什么对照
第一种证据是指标相关。对每个表征片段计算 12 个 MusPy 指标，包括音高熵、音高类别熵、音高数、音高类别数、音程范围、复调度、复调率、调式一致性、空拍率和鼓点网格对齐等，特征在片段上的取值取其 token 激活的最大值。对通过窗口频率过滤且在部分发现片段上激活的特征，选发现集上相关最强的指标，若在发现、验证和测试集上同号且绝对值超过阈值则称复制。原始阈值下每个字典有数十到近 200 个通过，且多数能在测试集上保持。
原始相关 × 音符密度校正： 原始相关指特征在谱例上的最大激活与 MusPy 音乐指标之间的 Pearson 相关，音符密度校正指先对激活和指标关于音符数与 token 数的对数做回归再取残差相关；前者容易被音符多则指标大的混杂推高，后者剥离这种混杂，组合后才能区分真正与音乐结构有关的关联。
校正做法是对激活和指标关于音符数与 token 数的对数做回归，系数在发现集拟合，再对残差做同样的复制检验。结果是 8 个最终字典的原始关联上 10000 个，校正后只剩数百个，每字典保留百分之几到十余 percent 的量级。剩余中复调度最多，音高熵只剩个位数。这说明大部分原始相关只是音符多的副产品，筛选候选必须用校正后关联。论文还对 21 个字典做了同样重分析，包括 13 个早期检查点，趋势一致。
第二种证据是自动描述。每个最终字典取 50 个有稳定指标关联和 50 个无关联的特征建卡，每卡有 4 个最强激活、4 个典型正激活和 4 个按音符数与指标匹配的非活跃谱例，附钢琴卷帘、统计量、算法和弦与调性估计。语言模型评审者在不知道模型、层、特征和对照状态的情况下写共享模式，再从 8 个打乱的留出谱例中选出 4 个激活者。随机期望命中 2 个，全部命中概率很低。打乱激活的置换校准同样走全流程。
结果是 786 卡平均命中略高于随机，但置换校准也接近，两者差值区间包含零。唯一例外是乐器分组，72 卡平均明显更高，超出校准较多，并贡献了近半数全中卡。
自动描述 × 置换校准： 自动描述指大语言模型根据激活强弱不同的谱例写出共享模式并在留出谱例上做四选四识别，置换校准指把激活与谱例的对应关系打乱后走同样流程；前者给出可读假设，后者给出语言模型凭空找规律的基线，两者对比才能判断描述是否超出随机拼凑。
第 3 种证据是共享乐器程序。两个词表都显式编码每个音符的乐器编号，若某特征的活跃发现例高度共享同一通用 MIDI 程序，而匹配的非活跃例中没有，则形成可直接在输出中检验的假设。共找到 27 个此类特征。合成主音特征是特例，它的最强激活例都含 81 号 Lead 2 锯齿波，典型激活和匹配非活跃例都不含，因此未被频率规则选中，而是凭描述进入干预。
筛选与确认如何分工及双参照如何判定
候选池由 3 条路线合并，每模型每指标取发现与验证绝对相关最小者最强的特征，共 15 个特征 24 个假设，27 个乐器程序特征，48 个描述全中的特征，其中 12 个通过审计为主要子集。重叠去重后得 80 个目标筛选特征。另有密度校正筛选，从 21 个字典各取两个校正相关达标的特征，共 42 个，指标集中在复调度和音高范围或复调率。
基线生成 × 随机方向： 基线生成指不做任何编辑的原始模型输出，随机方向指与目标特征方向正交的固定随机单位向量并按同样规则施加同样幅度的编辑；前者回答不干预时会怎样，后者回答任意同等扰动会怎样，只有同时超过两者，特征方向的作用才不是对称漂移或一般扰动。
设计上目标筛选每特征测 10 个提示乘配对种子，共 9 种条件即基线加 3 个目标剂量与消融及其对照，基线在模型内共享。密度校正筛选每特征测 8 个新提示。主对比是高剂量下特征减随机，指标假设按相关符号定向做配对符号翻转检验，乐器假设检验至少一个非鼓目标程序音符的出现，用提示对上仅一侧出现的精确单侧检验，并以校正方法在每个端点家族内校正。描述用盲评量表。由于每特征提示少，单特征精确检验分辨率粗，筛选同时报告家族平均定向效应，即每假设的定向效应除以同提示基线标准差再平均，区间通过重采样共享提示得到。论文说明家族分析是筛选后设定的。
下表概括 3 条路线如何定义候选与如何评价，比较问题是不同观察证据各自对应什么样的干预端点，公平条件是三者都去重后进入同一筛选框架，指标方向是各自假设预测的方向变化。
| Pool | Features | Hypotheses | Evaluation |
|---|---|---|---|
| MusPy | 15 | 24 | The metric changes in the direction predicted by its correlation. |
| MIDI programs | 27 | 27 | The target program occurs; note and duration shares describe its contribution. |
| Descriptions | 48 | 48 | Blinded ratings measure agreement with the fixed description. |
该表显示指标路线重在预测方向的统计量变化，乐器路线重在目标程序是否出现及其音符占比，描述路线重在盲评与固定描述的一致性。三者端点不同，不能直接比大小。重叠特征的存在也意味着家族效应是按假设而非按互斥特征计算的，解读时需注意同一特征可能贡献多次。
合成主音特征的预设确认结果是什么
合成主音特征的检验路径值得单独说明。它在描述阶段之前已出现在探索性干预中，描述写出时不知道那次运行结果，描述揭示后早先运行被当作预试验，在高剂量下 10 个特征方向输出中有 4 个出现 81 号程序，基线和随机输出中都没有。之后论文预先设定了假设、端点、对比、20 个新提示、种子和 4 条成功标准，包括配对检验显著、高于基线、提示表前后半段都为正、重编码激活的操作检查。
下面这张剂量图把合成主音与另外两个探索性最强效应放在同一标尺下，适合先看剂量单调性再读确认数字。图中横轴是目标分位数，纵轴是目标程序音符占比或音高熵的变化，点为配对均值差并带自助区间，高剂量为预设剂量。
看图路径： 1. 先看三面板横轴目标分位数从 50 到 90 的剂量走向；2. 再比较每个面板中特征减基线与特征减随机两条线的分离程度；3. 最后看纵轴单位是百分点还是比特以及区间是否包含零
论文图 3。原论文 Figure 3:：“Dose responses of selected text2midi features relative to the baseline and the matched random direction.”。
剂量图确实可见左面板合成主音在低剂量为零、中剂量上升、高剂量进一步上升，且特征减基线与特征减随机两条线基本重合，因为基线和随机输出都不含 81 号音符。中右面板电钢琴与音高熵的最大探索效应区间更宽且低剂量下不稳定，说明它们仍是待确认的候选而非已确认的结论。该图只展示 text2midi 的 3 个例子，不能推广到所有家族。
该表比较合成主音特征在确认与重复两个互不重叠提示集上的乐器出现计数，比较问题是高剂量下特征方向是否比匹配随机方向更常引入 81 号程序，公平条件是同一提示配对与不同种子，指标方向是出现越多越支持控制。
| Study | Prompts | Feature | Random | Lift (pp) [95% CI] | pp |
|---|---|---|---|---|---|
| Confirmation | 20 | 14 | 1 | 65 [45, 85] | 0.000122 |
| Replication | 10 | 6 | 0 | 60 [30, 90] | 0.015625 |
该表显示确认集中 20 个提示下基线 2 个、特征 14 个、随机 1 个出现 81 号，提升 65 个百分点，精确单侧检验 p 很小，重复集中 10 个新提示与新种子下基线 0 个、特征 6 个、随机 0 个，提升 60 个百分点。论文报告 4 条标准全部通过，且高剂量下目标程序音符占比上升约 6.6 个百分点。该特征还在独立训练的同层字典中找到高相关对应，而同层仅约三成特征能达到高匹配。端点是 MIDI 文件中写入的程序号，因此结论是控制了模型选择的程序编号，而非证明了感知音色的表征。
只有乐器描述超出了随机拼凑的基线吗
描述识别的分组结果是理解为何只有乐器路线走通的关键。总体 786 卡的平均命中略高于随机，但与置换校准无显著差异，说明大语言模型确实能为任意分组编出看似合理的描述。有无稳定指标关联的两组分数相近，审计标记约 500 卡，全中 48 卡中仅 12 卡通过审计，说明通过审计与识别全中是两件不同的事。
下图按分组展示平均命中及其重采样区间，并叠加随机线与置换校准带，适合判断哪组真正超出基线。图中横轴是四选中平均命中数，纵轴是各分组及校准，乐器分组明显右移，其他分组与阴影带重叠。
看图路径： 1. 先看横轴四选中平均命中数与纵轴各描述分组的对应位置；2. 再比较乐器分组的点与置换校准阴影带的相对位置；3. 最后看其他分组的置信区间是否与阴影带重叠
论文图 2。原论文 Figure 2:：“Only instrumentation descriptions exceed the permutation calibration.”。
该图确实可见乐器 72 卡的点与区间整体位于校准带右侧，而节奏、打击乐、音高音区、和声调性、时值、混合、织体复调等分组的区间都与校准带或随机线重叠。审计通过的描述例子包括合成主音、独奏原声钢琴旋律、短促稀疏重叠音符、密集鼓组半音织体等，但只有乐器组在统计上超出校准。论文据此把乐器组作为唯一通过置换对照的描述家族，这也是合成主音特征值得确认的直接依据。
这一结果的条件很具体，描述与选择在同一次调用中完成，模型能看到乐器名与统计摘要，这可能帮助了乐器识别，评分者与描述者是同一模型，所有端点是符号或视觉的，没有听感实验。因此不能把乐器描述的成功推广为所有语义描述都有效。
密度校正后的指标家族是否整体向预测方向移动
密度校正筛选的家族效应是论文第二个主要证据。在高剂量下 42 个假设的定向效应平均为特征减随机 0.17 个基线标准差，区间下限略高于零，特征减基线 0.18 但区间包含零，随机减基线仅 0.01。低剂量下效应接近零，说明需要足够剂量才显现。42 个定向效应中有 27 个为正。分模型看 2 个模型方向一致但后者区间更宽。最大单例是试点字典的复调特征，复调提升明显。
相比之下原始相关筛选的 24 个假设在高剂量下平均为负，区间很宽且包含零，仅 8 个方向正确。最大单例是音高熵特征，特征超随机约 0.4 比特，超基线约 0.27 比特且随剂量增长，但家族整体不支持原始相关能筛选可控特征。论文明确指出 2 次筛选在提示、字典和指标上也不同，因此这是两种选择的对比，而非单纯剥离校正这一步的因果效应。
该表列出审计通过的自动描述例子，比较问题是哪些描述既能全中留出谱例又能通过集中在单 token 或音符数失衡方面的审计，指标方向是识别全中且无审计标记。
| Feature | Description | Recognition |
|---|---|---|
| text2midi L13 f3340 | Synth-lead (Lead 2 sawtooth) / electronic-patch instrumentation | 4/4 |
| MIDI-LLM L7 f499 | Solo acoustic-piano melody | 4/4 |
| MIDI-LLM L2 f5880 | Short, detached notes with thin overlap | 4/4 |
该表显示合成主音、独奏钢琴、短促音符、密集鼓组、静态和声等例子都达到四选中四中，但全中 48 卡中仅 12 卡通过审计。乐器程序家族整体未显示一致的出现率提升，27 个特征中特征方向多于随机的 10 个、少于随机的也是 10 个。但在基线全无目标程序的子集中，特征方向引入更多。最大音符占比提升是电钢琴特征的 4 号程序，占比提升十余个百分点。描述盲评中 12 个审计通过特征平均高 0.167 分，区间包含零，合成主音单特征高 2.4 分，去掉它后均值转负，说明 pooled 评分不显著。
双参照与消融揭示了哪些容易误判的假成功
论文用 3 个例子说明只看单参照会误判。亮钢琴特征的 1 号程序在多数基线中出现，特征与随机方向都降低其占比，只是特征降得少，若只比随机方向会误以为增强。复调率特征超随机明显，但与基线差接近零，音高类别特征超随机 1.1 类、超基线仅 0.1。这类情况证明随机方向本身可能恶化目标属性，因此必须同时报告特征减基线与随机减基线。
下面这组配对连线图展示高剂量下每个提示的随机输出与特征输出，适合直观看到效应是集中在少数提示还是整体漂移。图中上排是目标程序音符占比，下排是假设指标，连线连接同一提示的两条输出，合成主音为已确认效应，其余为探索性。
看图路径： 1. 先看上排乐器占比面板中随机侧与特征侧的连线斜率；2. 再看下排指标面板中连线方向是否一致；3. 最后比较合成主音与其他面板在零线附近的表现差异
论文图 4。原论文 Figure 4:：“Paired prompts at P_90 for selected effects.”。
配对图确实可见合成主音在随机侧全为零、特征侧多条连线向上，电钢琴也是少数提示大幅上升而其余贴零，亮钢琴则多数连线向下但特征侧下降较少。音高熵、复调率与音高类别数的下排面板连线方向混杂，说明单提示变异很大。对 15 个指标特征在 12 个指标上的交叉效应显示，多数特征的最大标准化变化落在非假设指标上，说明干预常带来非目标变化。消融把自然激活减掉后通常输出不变，因为被测特征在提示生成中本就很少激活，这再次限定结论为充分性而非必要性。
单特征精确检验在 3 个探索筛选中都没有在常用阈值下通过。这意味着除预先设定的合成主音确认外，其余单特征效应都应视为待确认的排序候选，电钢琴与音高熵特征是其中最强的下一批候选。
这些结论在什么条件下才成立
首先是字典与数据的边界。每个最终字典都是单次训练，跨字典匹配只支持了合成主音特征的稳定性，不支持整本字典稳定。稀疏自编码器训练与表征划分来自同一批文件但独立切分，没有做文件级重叠审计，留出仅指表征划分内的留出。2 模型在结构、词表、预训练和字典配置上都不同，不能把差异归因于单一因素。
其次是测量与评价的边界。干预只做单层单位置，目标来自无提示片段的分位数，提示生成分布与发现分布不一致。描述的撰写与识别在同一次调用完成且能看到乐器名，盲评打分者也是同一模型，所有端点都是符号或视觉的，没有听力实验。合成主音端点是程序号，不能推出感知音色的控制。家族估计在筛选后设定，对重采样方案敏感，提示数与随机方向数都很少。
最后是资源表述的边界。论文提供的作者资源是演示网页，含 80 个目标筛选特征的 MIDI、钢琴卷帘与音频，其中部分特征有全部提示，其余每特征有一个按观察效应选的提示。第三方资源只证明论文提到该链接，作者资源当前可用性需按本次收到的可用状态判断，不能把链接存在等同于代码与权重全部开源。本文没有报告训练时长、推理开销与延迟，因此不能承诺控制方法更省成本。
复现第一步做什么与需要什么材料
值得尝试的情形是需要在符号 MIDI 上做可验证的属性控制，且能接受先筛选再确认的成本，特别是乐器程序这类词表显式编码的属性，以及经音符数校正后仍稳定的复调类指标。若目标是和声、织体等抽象描述，应先做好置换校准，否则很可能只是在复述语言模型的拼凑能力。
复现第一步是重建数据与字典位置。按论文用 Lakh MIDI 的 1500 文件切出激活窗口与四拍表征片段，在指定层提取残差状态并做中心化加中位范数归一化，用 TopK 等于 32 训练对应扩张因子的字典，再做窗口频率过滤。接着对每个特征算 12 个 MusPy 指标的最大激活相关并做对数计数残差化，对描述卡走同样的八选四识别与打乱校准。干预时实现单位字典方向的缺口补足公式，目标取发现集正例最大值的 90 分位数，并同时跑基线与正交随机方向。
需要补的验证包括更多提示与多个随机方向以提高分辨率，对确认候选做新提示的预先设定检验，检验字典方向在输出 token 上的投影是否能预测可控性，以及补听感实验区分程序号与感知音色。重复不同种子的字典训练也是必要的，因为当前稳定性证据仅针对单个特征。
从观察到控制的链条哪里断裂哪里连通
综合来看，链条在两处连通、在两处断裂。连通的是乐器程序路线与密度校正后的指标家族，前者给出经预设确认的单特征控制，后者给出小而为正的家族偏移。断裂的是原始指标相关与多数自动描述，前者在校正后数量锐减且家族效应为零附近，后者在置换校准下与随机拼凑无异，唯独乐器组例外。双参照进一步说明许多看似成功只是随机扰动恶化了基线。
对刚进入该方向的研究生，可复述的关键步骤是，先学字典并检验重构保真，再为每种观察配对照，然后沿字典方向与随机方向同等剂量干预并在 MIDI 中读数，最后用小样本筛选估计家族、用新提示确认个体。记住筛选的排序不等于确认，家族平均不等于每个特征都有效，程序号控制不等于音色感知控制。下 1 次最值得做的就是把电钢琴与音高熵等排序靠前的候选做同样的预设确认，并检验输出投影这一更直接的选择标准。
📎 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