📄 离线模型如何自己学会同声传译：SimPOTrans 的两阶段强化学习自适应
评分：6.8/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Haotian Tan：机构信息未能在本次解析中与作者逐人可靠绑定
- Hiroki Ouchi：机构信息未能在本次解析中与作者逐人可靠绑定
- Sakriani Sakti：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
同时语音翻译（Simultaneous speech translation，SimulST）要在语音未结束时边听边译，输入是连续到达的源语音流，输出是逐步增长的目标译文，难点在于决定每轮翻译多少已有内容以及如何措辞，才能兼顾质量与延迟。对话式建模把语音块当作用户提示，把增量译文当作助手回复，复用键值缓存实现长语音高效推理，但已有做法依赖词对齐或大语言模型（Large Language Model，LLM）合成的读写轨迹，质量受对齐误差影响。SimPOTrans 先在完整话语上做监督微调建立离线翻译能力，再用群组相对策略优化（Group Relative Policy Optimization，GRPO）提升完整话语质量，随后在部分语音输入的多轮轨迹上自适应，只用标准离线平行数据和完整译文级奖励。推理时无需外部决策模块，改变输入块时长即可调节延迟。在 MCIF 开发集低延迟条件下，En→De 取得 COMET 0.87、LongYAAL 1.6 秒，En→Zh 取得 COMET 0.76、LongYAAL 1.7 秒，均优于多数受控基线和共享任务系统。局限是固定切块与仅文本输出的设定，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://github.com/Tan-ht/SimPOTrans — 链接可访问（HTTP 200）
第三方资源：https://tan-ht.github.io/naist-simulst-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
同声传译要解决什么输入输出问题
同声语音翻译的输入是持续到来的源语语音，输出是目标语文本，目标是在说话人还没讲完时就开始产生可用的译文。与离线翻译等整句语音到齐后再翻译不同，同声系统每次只能看到前缀语音，却要决定是继续等待更多语音还是立即写出一段译文。必须保留的信息是已听到内容的语义，同时要控制延迟，不能等太久。
已有路线大致有 3 类。第一类在离线模型推理时加外部决策策略，例如等待固定词数再译，或比较相邻块假设的一致性，或看注意力来丢弃不稳定的尾部。这类方法不用重新训练模型，但性能依赖手工规则。第二类把同声过程写成多轮对话，用词对齐或大语言模型合成读入写出轨迹做监督训练，可以复用键值缓存处理长语音，但合成轨迹可能有切分和对齐错误。第 3 类用强化学习联合优化质量和延迟，但需要时间戳监督或显式延迟目标，不同目标竞争可能带来优化不稳定。
离线语音翻译 × 同声语音翻译： 离线语音翻译指等整句语音到齐后再一次性生成译文，输入完整因而可以任意调整语序；同声语音翻译指语音还在持续到来时就要边听边译，每次只能看到部分语音，还要决定读入还是写出。两者分工不同：前者保证完整语境下的质量，后者要在不完整输入下权衡质量与延迟。SimPOTrans 的组合意义在于让前者的模型学会后者的行为，即在部分输入下决定本轮译什么、如何措辞，从而把完整语境能力迁移到流式场景。
本文与三类已有工作的条件有何不同
在对话式同声方向上，InfiniSST 用词对齐从离线平行数据构造交错轨迹，EASiST 和 CLASI 用大语言模型提示合成轨迹，都依赖合成的读入写出监督。SimPOTrans 的不同在于只用常规离线语音翻译数据，即语音、源文转写和参考译文三元组，不构造任何块级参考或合成轨迹。
在强化学习方向上，CLASI 在有监督同声模型上再用人工口译数据和过程加结果奖励做后训练，Hibiki-Zero 用带时间索引的参考前缀计算中间奖励，HPO 在对话式骨干上用层次奖励联合优化质量和延迟。这些方法分别需要高质量人工口译、时间同步监督或合成轨迹加显式延迟优化。SimPOTrans 不设显式延迟优化目标，也不要求时间监督，而是奖励在部分输入下自发出现的适合同时传译的行为。
在离线模型直接做同声的方向上，MoSST 加声学单元发现找词边界再用等待策略，局部一致策略只提交相邻两块共有假设，注意力方法用交叉注意力丢弃不稳定尾部。它们让同一个离线模型通过改变推理块大小适应不同延迟，但模型本身没有学过如何处理部分语音。SimPOTrans 则要改变模型本身，让它学会在每轮决定译什么内容、如何措辞，推理时只需按固定时长逐块生成。
为什么离线模型直接逐块翻译会出问题
离线模型训练时看到的总是完整话语，学习的是在全句语境下重新组织语序的翻译习惯。例如英译中时，英语状语或从句位置与中文习惯不同，离线模型可以等整句听完再做大幅度语序调整。如果推理时只给它前 2 秒语音，它可能面临两种失败：一是过早把不完整信息译成完整句子，后续语音到来时无法衔接；二是把每块都当完整句子重复翻译，导致相邻轮次重复。
论文的直觉是，离线模型在给定部分语音时，偶尔也会产生适合同时传译的片段，例如只译已经确定的核心成分、措辞更贴近源语顺序。如果能用奖励把这类自发行为挑出来并强化，模型就可能在没有合成轨迹的情况下，自己学会适合流式的措辞。这就是所谓离线到同时的自我适应。
要验证这个想法，需要回答 3 个具体问题：如何先保证离线翻译质量足够好，如何让模型在部分输入的多轮过程中生成可评价的完整译文，以及用什么奖励既保持语义又塑造单调不重复的风格。本文的方法和实验正是围绕这三点展开。
两阶段强化学习总体做了什么
SimPOTrans 从一个常规离线语音翻译模型出发，经过监督微调建立离线能力，再做 2 阶段强化学习。第一阶段仍给完整语音，用翻译质量奖励提升整句质量。第二阶段把同一模型放到部分语音的多轮对话中，让它自己采样多条多轮轨迹，再用质量、单调性和重复三部分组合奖励做组相对策略优化。
下面这张训练流程图把 3 个阶段并列展示，左边是输入形态，中间是模型结构，右边是监督或奖励来源，可以对照理解从完整到部分的切换。
看图路径： 1. 先看左上监督微调分支完整语音如何进入编码器适配器和大语言模型；2. 再看右上第一阶段分支多个假设如何只用质量奖励优化；3. 最后看下方第二阶段多条轨迹如何汇入三路奖励并回传更新
论文图 1。原论文 Figure 1:：“Overview of the SimPOTrans training pipeline.”。
从图中可见，监督微调阶段用词级交叉熵做教师强制，第一阶段强化学习对完整语音采样多个假设并用质量奖励打分，第二阶段对部分语音采样多条从第一轮到最后一轮的轨迹，并把质量、单调性、重复 3 路信号送入优化更新。推理时不再需要外部决策模块，只需改变输入块时长就能调节质量延迟权衡。长语音推理时还会根据保留语音时长做上下文重置，避免对话过长。
语音如何变成大语言模型能读的表示
骨干由语音编码器、适配器和大语言模型组成。具体实现是 Whisper-large-v3 编码器、两层多层感知机适配器和 Qwen3-8B，其中大语言模型用低秩适配。给定源语音，编码器提取声学表示，适配器把它投影到大语言模型的嵌入空间，再拼入提示词中由大语言模型自回归生成译文。监督微调时编码器冻结，只更新适配器和低秩参数。
第二阶段处理部分语音的方式比较细致。整句语音先按固定时长切成多块，每轮读入截至当前轮的所有语音并用编码器编码，但只截取最新一块对应的编码帧再过适配器，得到本轮语音表示。本轮生成以上轮之前的语音表示和已生成译文段为条件，全部轮次结束后把各轮译文段拼接成完整译文用于算奖励。这种切片复编码的设计既保留了声学上下文，又让每轮新增表示与块边界对齐。
多轮对话式同声传译 × 读入写出轨迹： 多轮对话式同声传译把流式过程组织为多轮对话，每轮用户提示是新到的语音块，助手回复是增量译文，历史语音和译文保留在上下文中并复用键值缓存。读入写出轨迹记录了这个交错过程，即哪些语音块在何时被读入、每轮写出哪段译文。两者搭配时，对话格式提供高效推理载体，轨迹提供训练监督。SimPOTrans 的特殊之处是不用外部合成的轨迹，而是让模型自己生成多轮轨迹再用奖励筛选。
\[\hat{\mathbf{Y}}_{g,m}\sim\pi_{\psi_{\mathrm{old}}}\left(\cdot\mid\mathbf{H}_{1},\hat{\mathbf{Y}}_{g,1},\ldots,\mathbf{H}_{m-1},\hat{\mathbf{Y}}_{g,m-1},\mathbf{H}_{m}\right).\]第二阶段的三部分奖励各管什么
第二阶段的轨迹级奖励由三项组成。质量项对拼接后的完整译文计算质量奖励，不需要块级参考。单调性项先用词对齐工具得到源文转写与生成译文的词对齐，取对齐词对的源端和目标端位置计算等级相关，再映射到与质量奖励相同的区间。只有当单调性低于阈值时才给予负奖励，避免对已经足够单调的轨迹过度干预。重复项计算相邻两轮输出段的词组集合重叠率，超过阈值的部分在所有相邻对上取平均作为惩罚。论文指出相邻轮重复是适应过程中最常见的错误，因此单独设项抑制。
三项按权重相加，单调性与重复权重分别取较小值。这样的组合只奖励语义和措辞风格，不直接优化延迟。延迟控制留给推理时选择块大小，块越大延迟越高但每轮上下文越完整。
单调性奖励 × 重复惩罚： 单调性奖励鼓励译文词序与源语词序保持一致，用源文转写与生成译文的词对齐计算斯皮尔曼等级相关并映射到零到一区间，低于阈值才惩罚。重复惩罚度量相邻两轮输出段之间的词组重叠，超过阈值的部分取平均作为惩罚。前者管整体语序是否适合边听边说，后者管相邻轮次是否重复前面已说内容。两者与质量奖励相加，共同塑造适合同时传译的措辞习惯。
监督微调和两阶段优化如何更新参数
训练数据是 CoVoST 2 的英译德、英译中、英译日 3 个方向，每个方向约四百余小时训练语音。每个样本是语音、源文转写和参考译文三元组。先做监督微调，用标准交叉熵损失学习在完整语音下逐词预测参考译文，为后续强化学习提供起点。
\[\mathcal{L}_{\mathrm{SFT}}=-\frac{1}{N}\sum_{i=1}^{N}\log\pi_{\theta}\left(y_{i}\mid y_{\lt i},\mathbf{H}\right).\]上式表示在完整语音表示条件下，对参考译文每个位置计算对数概率并取平均负值。教师强制在这里指训练时以前文参考词为条件，而强化学习阶段则以模型自己采样的词为条件。
2 阶段强化学习都用组相对策略优化。对同一输入用旧策略采样一组输出，根据各自奖励计算组内均值方差归一化的优势值，同一输出内所有词共享该优势值，再用裁剪的替代目标更新参数。不加散度正则。第一阶段对完整语音采样多个假设，第二阶段对部分语音采样多条轨迹，每批采样数据复用多个轮次。
\[R^{\mathrm{I}}_{g}=Q_{\mathrm{COMET}}\left(\mathbf{X},\hat{\mathbf{Y}}_{g},\mathbf{Y}\right).\]上式是第一阶段的质量奖励，用学到的度量以源文转写和参考译文为参照给每个采样假设打分。第二阶段质量部分形式相同，只是对象是从多轮拼接得到的完整译文。第一阶段更新适配器和低秩参数，编码器冻结；第二阶段冻结编码器和适配器，只更新大语言模型的低秩参数。
组相对策略优化 × 翻译质量奖励： 组相对策略优化是对同一输入采样一组输出，用组内相对优劣计算优势值来更新策略的方法，避免依赖单独的价值估计。翻译质量奖励在这里用 COMET 对完整译文打分，提供序列级优劣信号。两者搭配时，前者解决如何从多个候选中稳定学习，后者解决学什么才是好翻译。组合后模型能在没有词级教师强制的情况下，直接向整句质量更高的方向调整。
在什么数据和指标上比较质量延迟
评估用两个长语音科学演讲基准。ACL 60/60 来自演讲录音及多语翻译，MCIF 开发集是长篇科学演讲，作为同时传译赛道的开发数据。训练只用短句离线数据，评估却是长篇连续演讲，这种跨长度评估能检验模型对无界语音的泛化。
质量主要用学到的参考度量 XCOMET-XL 和 MetricX-24，并附带 BLEU 以便与前人比较。前者越高越好，但它同时被用作训练奖励，因此论文引入独立的后者作为互补，该指标预测错误分，越低越好。延迟用非计算感知的长语音延迟度量，在连续无界语音上度量延迟并缓解传统平均滞后的切分偏置。
对照基线包括 3 类可控复现系统：用独立决策模块触发翻译的系统、用合成交错轨迹训练的对话式系统、在其上再做质量延迟联合强化学习的系统，三者都用与本文相同的训练数据和大语言模型骨干。另有赛道系统的低延迟结果作为外部参照，但训练条件和上下文不同，不构成严格对照。推理时用不同块大小画出质量延迟曲线，块越大延迟越高。
训练优化的关键设置与原文一致，便于对照复现时的采样和优化条件，数值细节以来源绑定中的逐字引文为准。实际复现时应与原文的编码器冻结策略配合使用。第二阶段训练用固定块长，但推理时可用不同块大小调节延迟，这一点在消融中有专门验证，初学者不要误以为训练块与推理块必须一致。
主结果在什么延迟下成立
在 ACL 60/60 3 个语言方向上，SimPOTrans 在两类语义度量下都优于 3 个可控基线，曲线覆盖从低延迟到高延迟多个工作点。词重叠度量呈现不同趋势，SimPOTrans 明显低于基线，论文没有回避这一点，而是把它归因于措辞风格变化，后文有专门分析。
训练配置决定了复现条件，下表把原文模型配置段落中的学习率、采样复用与组大小奖励设置整理为配置一览，用于回答各阶段超参数如何设置这一比较问题。
| 阶段 | 学习率 | 采样与复用 | 组与奖励 |
|---|---|---|---|
| SFT | 1×10−4 | — | — |
| RL-Stage I | 2×10−6 | temperature 0.7 top-p 0.95 reuse 10 epochs | group 12 XCOMET-XL |
| RL-Stage II | 5×10−6 | temperature 0.7 top-p 0.95 reuse 10 epochs | group 8 XCOMET-XL 2.0-second chunks λmono 0.2 λrep 0.05 |
上表数字完整保留原文写法，学习率、温度、top-p、复用轮数、组大小、块时长与权重系数均与原文配置段落一致，奖励模型为 XCOMET-XL，为理解后文 2 阶段强化学习打下基础。本表数值与单位依据论文 PDF。
低延迟区的外部参照更能说明适用条件。下表完整复刻原论文 Table 1 在 MCIF 开发集低延迟区间的全部比较，用于回答相同时延约束下质量高低以及是否用了额外上下文这一比较问题。原表共 9 行 5 列，LongYAAL 以秒为单位报告，PDF 列表示是否使用 PDF 衍生的额外上下文，星号表示级联系统。
| Lang. | System | COMET | LongYAAL | |
|---|---|---|---|---|
| En→\rightarrowDe | NeMo* | 0.93 | 2.0 | √\surd |
| En→\rightarrowDe | CUHKSZ | 0.85 | 1.5 | √\surd |
| En→\rightarrowDe | PINCH-AST* | 0.84 | 1.8 | × |
| En→\rightarrowDe | CUNI-POCKET | 0.77 | 1.7 | × |
| En→\rightarrowDe | Ours | 0.87 | 1.6 | × |
| En→\rightarrowZh | CUHKSZ | 0.74 | 1.5 | √\surd |
| En→\rightarrowZh | PINCH-AST* | 0.72 | 1.8 | × |
| En→\rightarrowZh | Ours | 0.76 | 1.7 | × |
上表数字和单位保留原始写法，LongYAAL 单位秒见表注。可见在英译德方向，本方法 COMET 为 0.87、LongYAAL 为 1.6 秒，超过除级联且用文档上下文系统之外的所有对照系统。这说明结论成立的条件是低延迟且不依赖外部文档上下文；若允许文档上下文，级联系统 NeMo 在该方向上仍更高，达到 0.93。
再看英译中方向的低延迟单点摘录，条件同样是延迟不超过 2 秒且关注是否使用额外上下文，延迟单位为秒。
| 语言方向 | 系统 | COMET | LongYAAL |
|---|---|---|---|
| 英译中 | 本方法 | 0.76 | 1.7 |
上表是上个完整原表的子集摘录，仅用于强调本方法在相近低延迟区间内取得表中最高的语义质量，且没有用额外上下文，LongYAAL 单位为秒。但各系统延迟并不完全相等，延迟越低通常质量越难做，因此只能说在相近低延迟区间内权衡更好，不能理解为固定延迟下的绝对胜负。
最后看单例的词重叠分数对比，用于解释为何语义度量与词重叠度量趋势不一致，以及单例分数不能推广为系统级结论这一限制问题。
| 系统 | BLEU |
|---|---|
| offline model | 54.2 |
| SimPOTrans | 30.8 |
上表复刻原文英译中示例中报告的两个 BLEU 单点分数，离线模型为 54.2 而 SimPOTrans 为 30.8，差距来自措辞与语序的单调改写导致的 n-gram 重叠下降。该示例只说明 BLEU 可能惩罚更适合同传的改写，不能据此得出系统级 BLEU 高低结论，系统级趋势仍以质量延迟曲线为准。本表数值与单位依据论文 PDF。
语义度量 × 词重叠度量： 语义度量如 XCOMET-XL 和 MetricX-24 用学到的模型判断译文与参考在含义上的接近程度，前者分数越高越好，后者是零到二十五的错误分越低越好。词重叠度量如 BLEU 计算词组与参考的字面重合。两者分工不同：语义度量容忍换词换序，词重叠度量要求字面一致。当模型为适应同声而改写语序时，两类指标可能分化，这正是理解本文 BLEU 下降的关键。
单调性变化和实例说明了什么
要理解词重叠度量与语义度量的分化，需要看单调性。下图比较 3 个训练阶段后在固定块长推理时的单调性，横轴是 3 个语言方向，纵轴是单调性得分，同一方向内三根柱子分别对应监督微调、第一阶段和第二阶段后。
看图路径： 1. 对比每个语言方向内浅蓝深黄红三根柱子的高度变化；2. 注意英译德提升幅度最大，英译中基线已较高但仍有提升
论文图 2。原论文 Figure 4:：“Monotonicity across SimPOTrans training stages under simultaneous inference with a fixed chunk size of 1.5 seconds.”。
从像素可见，在 3 个语言方向上，第二阶段后的红色柱子都高于前两个阶段的柱子，即第二阶段后单调性一致提升，其中英译德提升幅度最大，英译中基线已较高但仍有提升。这支持了第二阶段确实改变了措辞顺序的判断，而不仅仅是提高了整体质量。单调性提升与语义质量同时变好一起出现，说明更贴近源语顺序的表达在同声场景下没有损失语义。
下面这个英译中实例把机制讲得更具体，图中三行分别展示参考、离线模型和本方法的源目标对齐连线，颜色块表示对齐的词或短语。
看图路径： 1. 先看参考译文连线交叉程度，理解大幅度语序调整；2. 再对比离线模型与 SimPOTrans 的连线平行程度与中文措辞差异
论文图 3。原论文 Figure 5:：“An En\rightarrowZh example comparing translation behaviors before and after offline-to-simultaneous self-adaptation.”。
图中可见，参考译文的连线交叉严重，说明参考做了大幅度语序调整。离线模型基本跟随参考顺序，词重叠分数很高。本方法则把核心含义按更接近源语的顺序表达，单调性很高，但词重叠分数明显降低。表后这组数字需要连起来读：词重叠奖励字面重合，单调改写必然降低该分数，因此分数低在这里不直接等于语义差。
该实例中两个系统的词重叠分数对比以来源绑定中的逐字引文为准，用于说明单调改写对字面重合的影响，数值细节不在正文重复罗列。它只说明在该例子中单调性与词重叠分数反向变化，支持用语义度量补充评价的必要性。若只看词重叠度量会误判本方法变差，而语义度量显示其语义保持甚至更好，论文也提醒另一种将其归因于奖励作弊的解释并不全面。
哪些组件对适应过程必不可少
消融从 3 个角度展开。第一是训练阶段的作用。只经过监督微调或第一阶段的模型在部分语音输入下表现差，改变块大小时质量延迟曲线不规则，说明离线模型本身不具备稳定的流式行为。经过第二阶段后，增大块大小能带来质量单调提升和延迟增加，形成平滑曲线，从而可以用块大小灵活选择工作点。这证明第二阶段是实现离线到同时适应的关键。
第二是辅助奖励的作用。单调性奖励带来不稳定的质量增益，重复惩罚带来更一致的改善，两者结合取得最好的质量延迟权衡。这说明抑制相邻轮重复是更基础的需求，而鼓励单调需要在不损害语义的前提下使用，阈值设计正是为此。
第三是第二阶段训练块大小的选择。用中等块长训练的模型整体权衡最好，过短块上下文不足，过长块在低延迟推理时表现差。因此论文固定用训练块长做第二阶段训练，推理时再用从 1 秒到 5 秒的块调节延迟。初学者容易误以为训练块与推理块必须一致，实际上这里是训练选一个折中值，推理按需变化。
本文的结论有哪些边界
首先是切块方式的局限。训练和推理都用固定时长切块，可能把语义或声学上完整的单元切断。论文在局限中明确提出未来可探索边界感知的切块策略。当前结果只证明固定块下的有效性，不能推广到按语义边界切分一定更好或更差。
其次是任务范围的局限。评估只做语音到文本翻译，没有评估语音到语音翻译。语音到语音还涉及语音合成的延迟和韵律问题，本文的单调性和重复结论不能直接套用。
再次是指标与奖励重叠的局限。学到的质量度量既是训练奖励又是主要评估指标，存在向奖励模型过拟合的风险。论文用独立的互补度量做对照，且两者趋势一致，这增强了可信度，但仍不能等同于人工评价。词重叠分数的下降已经提醒，自动指标各有偏好，重要结论应限定为在语义度量下成立。
最后是比较条件的局限。可控基线用了相同数据和骨干，结论较可靠；赛道系统的比较则训练数据、是否用文档上下文、是否为级联系统都不一致，只能作为低延迟区间的参照，不能当作同条件胜负。
复现第一步要准备什么
复现应从数据和骨干开始。准备 CoVoST 2 英译德、英译中、英译日 3 个方向的离线三元组，搭建编码器加两层适配器加大语言模型的结构，并配置低秩适配。先做监督微调并冻结编码器，确认离线整句质量达到合理水平，再进入强化学习，否则第二阶段的多轮采样会在很差的起点上浪费计算。
强化学习阶段要注意参数冻结差异。第一阶段更新适配器和低秩参数，第二阶段只更新低秩参数，编码器始终冻结。采样温度、截断、分组大小、复用轮次、裁剪等设置应与原文保持一致。质量奖励用学到的度量，单调性与重复阈值和权重不要随意改动，消融显示它们是互补的。
推理复现要实现按固定秒数切块的多轮生成，并实现上下文重置逻辑。先用训练好的模型，再分别用不同块长推理画曲线，检查是否得到平滑的质量延迟权衡。如果只测单点延迟，无法验证灵活控制的结论。论文正文提到了代码和演示链接，但本次解读依据的可用性信息显示它们是第三方镜像可达，不能当作作者官方开源的证据，复现时应以论文描述为准并自行记录环境。
什么时候值得尝试这种自我适应
当你已经有一个不错的离线语音翻译模型，但没有合成的读入写出轨迹，也不想引入显式延迟目标或时间戳监督，却希望让它直接做边听边译时，2 阶段思路值得尝试。它的代价是需要做组采样强化学习，第二阶段每样本要采样多条多轮轨迹，计算开销明显大于纯监督微调，且奖励依赖质量模型和词对齐工具。
复现的第一步是把离线整句质量做扎实，再引入部分语音多轮采样。还需要补的验证包括人工评价是否与语义度量一致、在更多语种和噪声环境下单调改写是否仍保持语义、以及边界感知切块能否进一步改善延迟。固定块切断语义单元的风险在长演讲中更突出，这也是落地前应先测的一点。
总的来说，本文的贡献不是提出新的延迟优化目标，而是证明只用离线数据加三部分奖励，就能让模型自己发现并强化适合同时传译的措辞习惯。记住它的成立条件：在语义度量下、低延迟区间内、不依赖外部文档时权衡更好，而词重叠度量会因改写而下降，这不是质量崩溃，而是评价视角不同造成的分化。
📎 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