📄 一个模型同时做流式识别与合成：Uni-Stream 如何交错语音文本并分两阶段训练
英文题目：Uni-Stream: A Unified Streaming Speech Language Model for Speech Synthesis and Recognition
评分：6.3/10 | 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 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
- Xuan Shi：University of Southern California, USA
- Chang Zeng：National Institute of Informatics, Japan
- Tiantian Feng：University of Southern California, USA
- Ye Zhang：Massachusetts Institute of Technology, USA
- Jun Liu：机构信息未能在本次解析中与作者逐人可靠绑定
- Shih-Heng Wang：University of Southern California, USA
- Lie Lu：机构信息未能在本次解析中与作者逐人可靠绑定
- Shrikanth Narayanan：University of Southern California, USA
📌 核心摘要
读者需要理解的对象是同时做语音识别和语音合成的流式语言模型，输入在识别时是陆续到达的语音，在合成时是陆续给出的文本，输出是另一模态的增量结果，困难是在共享权重下两方向互相干扰且延迟需要受控。模型先把语音和文本切成小块并按任务交错成一个序列，识别按语音帧推进并填入对应词，合成按时间对齐交替给出文本块和语音块，为增量解码提供上下文。同一主干对该序列建模，识别经文本头输出转写，合成经扩散头输出语音隐表示，两任务共享解码器权重。训练分两段完成，先把合成与识别分别适配到流式格式，再从合成适配模型出发联合训练并用教师约束保持合成能力。与已有离线统一模型和单任务流式模型的区别是输入端真正流式且两任务共享解码器。在LibriSpeech评测中，统一模型识别字错率在test-clean为3.63%，接近适配后专用识别模型的3.56%。在Seed-TTS-Eval英文集上合成字错率为3.20%，优于时间对齐专用合成模型的3.54%。结论适用于英语朗读类数据和自动指标，复杂噪声下识别差距会放大，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
要解决的实时语音文字互转任务是什么
这篇论文要同时做好 2 个方向：把进来的语音转成文字的语音识别，以及把给定的文字转成语音的语音合成，而且都要求流式。流式在这里指输入一边到来一边处理，只允许有限的提前偷看，不能等整段语音或整段文本到齐再一次性输出。论文强调流式不仅是逐步输出，还要求输入也是逐步到来的。
对刚入门的研究生来说，关键约束是延迟和共享。识别希望尽快吐出词，合成希望尽快发出第一个音频包，同时又希望只维护一套权重以降低部署成本。难点在于 2 个任务对语音表示的要求互相拉扯，放在一起联合训练容易比各自单独训练更差。论文的目标就是在流式输入条件下，用一套共享的解码器语言模型主干同时支持 2 个方向，并尽量保持各自专用模型的水平。
这种统一的价值在于实时人机交互，例如一边听一边转写、一边看文本一边发声。如果 2 个方向各用一个大模型，显存和维护成本都会翻倍。作者希望证明，一套权重可以兼顾 2 个方向，而不必在准确率和可懂度上付出很大代价。
此前统一模型与流式模型各走了哪条路
此前的统一语音语言模型大多用一个共享主干同时做识别与合成，但多数是非离线的，需要完整输入。另一条线是流式单任务模型：识别把音频块和增量转写交替放在一个序列里，合成把文本和语音按固定比例交替，或让一路相对另一路延迟。还有并行双流和全双工对话的思路，但识别和合成往往还是分开训练的模型。
论文提到唯一的双向流式先行工作是基于神经传感器的 Speech-T，但只在单说话人数据上验证。作者因此把空白点定位为：用单个共享的解码器语言模型主干，同时支持流式输入的识别与合成，并在多说话人英文数据上验证能否留住专用模型的性能。
理解这段划分很重要：统一解决的是用不用一套权重的问题，流式解决的是输入能不能分块到来的问题。两者各有代价，统一可能互相干扰，流式可能因上下文不足而掉点。论文要同时回答这两个代价能否被控制住。
为什么交错格式和起点选择很关键
如果把语音和文本简单拼在一起，模型不知道何时该读、何时该写，也不知道一个语音块对应哪几个词。切块太大延迟高，切块太小语境不够，还容易在合成时停不下来，一直多说。论文在合成上就观察到这类停不准问题，成为选择格式的直接依据。
另一个困难是起点。直接从随机初始化同时学 2 个方向代价大，而语音合成与识别的预训练模型各有所长。论文选择从 VibeVoice 家族出发，因为它的合成变体与识别变体结构相近，特别是语音分词器相同，声学与语义分词器都把 24 kHz 语音编码为每秒 7.5 帧的低帧率隐表示，便于把已有能力迁移到流式统一模型。
此外，时间对齐格式依赖词级时间戳，而大规模野外数据的转写和边界并不完美。如何得到可用的转写和边界、如何过滤不可靠的句子，本身就是训练管线的一部分。论文为此做了投票与合并，这决定了后续序列构造是否可信。
Uni-Stream 的整体流程是怎样的
Uni-Stream 的输入序列先放 1 个任务词元，指明这次是做合成还是识别，后面跟交错的文本块与语音块。模型主干是 VibeVoice 合成模型的主干，配两个输出头：文本头做识别，扩散头做合成。训练分 2 个阶段：第一阶段把合成模型和识别模型分别适配到各自的流式交错格式，得到两个专用模型；第二阶段以适配后的合成专用模型为起点，在 2 个任务上联合训练，只在推理时保留统一模型。
下面这张总览图把序列样子、主干与双头、2 阶段与蒸馏分支画在了一起，可以对照着看数据怎么走、监督加在哪里。
看图路径： 1. 先看上面两条交错序列：识别是语音块后跟文字块，合成是文字块后跟语音块；2. 再看中间主干如何同时连接文本头和扩散头；3. 最后看右侧两阶段箭头：先各自适配，再由合成模型初始化统一模型
论文图 1。原论文 Figure 1:：“Overview of Uni-Stream. (a) Streaming ASR and time-aligned TTS sequences (frame counts illustrative).”。
图的上半部分显示识别序列是语音块后跟文字块，合成序列是文字块后跟语音块，并标出分块步长与前视；中间显示共享的因果变换器同时接到文本头和扩散头，语音经过语义与声学编码器进入主干；右侧显示第一阶段各自微调，第二阶段用合成锚定和识别蒸馏约束统一模型，推理只留统一权重。这张图帮助理解分支在哪里分开、共享在哪里发生。图中还标出冻结的编码器与解码器、已训练的主干，以及各类损失作用在哪些行上，对应后文的消融配置。
流式识别序列如何切块和吐词
识别时语音帧按每步 m 帧推进，并允许 l 帧前视。每个文本块包含结束时间落在这一步 m 帧区间内的词。序列形式是语音块与文本块交替。
\[[S_{1},T_{1},S_{2},T_{2},\ldots].\]具体做法是第一步吃进 m 加 l 帧，之后每步只新增 m 帧而不重复前视帧，音频结束时模型把剩余文本吐完。论文的流式设置取 m 为 4 个语音帧、l 为 3 个前视帧。词的结束时间决定它属于哪一块，块内词数过多会被过滤，尾部剩余词随可用音频一起输出。这种设计把延迟控制在块级别，同时让转写增量可读。
流式交错 × 前视： 流式交错指把长语音和长文本切成小块，按语音块文本块交替的顺序输入，模型不必等整句结束就能读写；前视指每一步多看后面一小段输入，识别中多看几帧语音，合成中多看几个词，用很小的延迟换取切分和发音更准确，两者组合才实现边到边生成。
举例来说，一句长语音被切成连续的语音槽，每个槽后面跟着该时间区间内结束的词。模型每读一个槽就尝试吐词，而不是等整句读完。前视帧相当于让模型在决定当前词时多听一点未来，有助于切分连读，但会增加一点理论延迟。推理时识别采用贪心解码，输入语音用后验均值隐变量。
合成的两种交错方式有何不同
合成时在声音提示之后交替放文本块与生成语音块，序列形式是文本块与语音块交替。
\[[T_{1},S_{1},T_{2},S_{2},\ldots].\]固定比例方式每步配 n 个文本词元和 m 帧语音，块大小与单词时间无关，文本走完后语音继续生成到整句结束。时间对齐方式按词推进，每步新推进 n 个词并多看 l 个词，语音块只对应前 n 个词的音频，后视词只提供文本语境并在下一步重现。论文的设置是时间对齐取每步 2 个词加 2 个前视词，固定比例取 5 个文本词元配 6 个语音帧。训练时对齐决定每段语音在哪里结束，推理时由模型预测这些边界。
固定比例交错 × 时间对齐交错： 固定比例交错按固定个文本词元配固定帧语音切块，与单词边界无关，实现简单但停止信号只在句尾出现；时间对齐交错按单词结束时间切分语音块，每个语音块只对应新到的几个词并附带后视词做语境，停止监督落在每个局部块上，两者对比说明局部停止监督是合成可懂度差异的关键。
文本头 × 扩散头： 文本头是与词嵌入绑定的输出头，负责预测下一个识别词元、块结束和序列结束；扩散头是以主干隐状态为条件、经多步去噪生成下一帧声学隐变量的输出头，负责合成声音，两者共享同一个因果变换器主干，一个模型因此能分头输出文字或声音。
可以把时间对齐想象成按单词朗读：每次真正要读的只有新到的两个词，但眼睛多看后面两个词以确定语调和断句，读完这两个词的音频就停一下，再往前滑。固定比例则像按固定长度切，不管词有没有说完。论文后续用实验比较了这两种切法在可懂度和停止行为上的差别。
共享主干与双头如何分工
主干把输入文本和此前语音编码成隐状态。做识别时，这个隐状态直接驱动文本头自回归生成文字；做合成时，它作为条件驱动扩散头对下 1 帧声学隐变量去噪。论文沿用 VibeVoice 合成主干，推理时合成用 10 步扩散，文本与声音的分类器自由引导尺度分别为 3.0 和 4.0，识别用贪心解码。
输入语音同时走声学与语义两路分词表示，低帧率有助于兼顾声学细节与语义内容。训练时两路分词器保持冻结，只训练主干、模态连接器与输出头。这种分工让一套权重能双向使用，但也意味着联合训练的梯度会同时改变共享表示，需要后面的锚定与蒸馏来稳住。
合成的反馈还有一个细节：生成的语音帧会进入下一个槽，其音频由语义编码器重新编码。这种回路让模型在长句生成中能利用已生成的声音上下文，但也要求训练与推理的切分方式一致，否则容易出现漂移。
两阶段训练与三种损失组合如何工作
第一阶段各自适配：合成用目标语音隐变量上的扩散损失加帧继续与语音结束位置的交叉熵，识别用转写词元、文本块结束符和序列结束符上的交叉熵。第二阶段以适配后的合成专用模型为起点，在 2 个任务上用有监督目标联合训练。
\[\mathcal{L}_{\mathrm{SFT}}=\mathcal{L}_{\mathrm{diff}}+\mathcal{L}_{\mathrm{TTS\text{-}CE}}+\mathcal{L}_{\mathrm{ASR\text{-}CE}}.\]上式把扩散损失、合成停止交叉熵与识别交叉熵相加，每项在其任务的目标帧或词元位置上平均。只用这一项联合训练时，学识别可能冲掉从合成起点继承来的合成能力，因此再引入合成锚定与识别蒸馏。合成锚定包含速度蒸馏与停止蒸馏，识别蒸馏匹配识别教师的下一词全词表分布。
\[\mathcal{L}_{\mathrm{stop}}=\frac{1}{|\mathcal{P}|}\sum_{p\in\mathcal{P}}\mathrm{KL}\big(q_{\theta_{\mathrm{T}}}(\cdot\mid p)\,\big\|\,q_{\theta}(\cdot\mid p)\big).\]上式在有监督的停止位置上，让学生与合成教师在继续与结束两个词元上的分布做 KL 约束。
\[\mathcal{L}_{\mathrm{ASR\text{-}KD}}=\frac{1}{|\mathcal{A}|}\sum_{p\in\mathcal{A}}\mathrm{KL}\big(r_{\theta_{\mathrm{A}}}(\cdot\mid p)\,\big\|\,r_{\theta}(\cdot\mid p)\big).\]上式在识别有监督位置上，让学生模仿识别教师的下一词分布。最终目标再加权相加，打开的蒸馏项权重为 1。教师在训练时冻结并采用教师强制，推理只用统一模型。
合成锚定 × 识别蒸馏： 合成锚定是让统一模型在合成样本上模仿已适配好的合成专用模型的扩散速度和停止分布，防止学识别时丢掉合成能力；识别蒸馏是让统一模型在识别样本上模仿已适配好的识别专用模型的下一词分布，加速学到识别映射，前者保合成，后者带识别，联合训练时各管一类样本。
3 种配置分别对应只用有监督项、再加合成教师、同时加合成与识别教师。论文比较它们在早期和最终检查点的表现，以判断锚定保合成、蒸馏带识别的说法是否成立。
数据标注、训练量与评测条件是什么
训练用 Emilia 英文子集同时做合成与识别，再用 GigaSpeech XL 和 LibriSpeech train-960 补充识别。为了得到流式序列所需的词级时间戳，论文对 Emilia 把原始转写与两个识别假设做多数投票提纯，再合并 3 个对齐来源的词边界估计，经一致性、对齐质量与块长过滤后保留约 40,000 小时，开发与测试说话人与训练不重叠。GigaSpeech 与 LibriSpeech 用提供的转写做规范化，再用强制对齐器得到词时间戳。
第一阶段在 10,000 小时子集上分别适配，第二阶段用 Emilia 40,000 小时做合成，识别用 Emilia 28,000 小时加 GigaSpeech 10,000 小时加两遍 960 小时 LibriSpeech 训练集，按语音时长大致平衡两任务。2 阶段都用 AdamW，峰值学习率为 1e-5 加余弦衰减，分词器冻结。评测中合成在 Seed-TTS 英文集上报告词错误率、说话人相似度和 UTMOS，识别在 LibriSpeech test-clean 与 test-other 上报告语料级词错误率，另有首包延迟、词发出延迟与实时率。基线结果取自对应论文与模型卡，不是同条件重跑。
词错误率 × 说话人相似度 × 首包延迟： 词错误率衡量合成语音被转写后与目标文本的不一致程度和识别转写的错误程度，越低越好；说话人相似度衡量合成音色与提示音色的接近程度，越高越好；首包延迟衡量从调用合成到第一个可播放音频包的时间，越低实时感越强，三者分别回答说得对不对、像不像、快不快。
词结束时间按采样率与分帧步长映射到隐帧，再分别构造识别的按块增量文本序列和合成的按词推进的时间对齐序列。超长分段按合成每段不超过 32 帧、识别每块不超过 32 个文本词元的规则拒绝。延迟的统计方式也需要留意：合成首包延迟包含提示编码，识别词发出延迟只算音频消耗与参考词尾之差而不含计算时间。
第一阶段适配保住了多少性能、哪种合成格式更好
这里要回答的比较问题是：在把识别块调小以降低延迟后，准确率掉了多少；在两种合成交错格式下，可懂度与音色和延迟如何取舍。识别的词错误率越低越好，发出延迟越低越好；合成的词错误率越低越好，说话人相似度与 UTMOS 越高越好，首包延迟与实时率越低越好。
| Model | WER (%)↓ | WER (%)↓ | Emit delay (s)↓ | Emit delay (s)↓ | RTF↓ |
|---|---|---|---|---|---|
| Model | clean | other | clean | other | RTF↓ |
| VibeVoice-ASR-Streaming | 3.54 | 9.45 | 1.68 | 1.65 | 0.17 |
| Ours (Adapted ASR) | 3.56 | 10.56 | 0.66 | 0.67 | 0.19 |
上表显示把每步语音帧从 22 减到 4、前视从 4 减到 3 后，平均词发出延迟从 1.68 s 与 1.65 s 降到 0.66 s 与 0.67 s，test-clean 词错误率基本持平在 3.54% 与 3.56%，test-other 从 9.45% 升到 10.56%，实时率从 0.17 略增到 0.19。这是用小块换延迟的直接代价，在干净集上成立，在更难的 other 集上准确率有所损失，说明延迟收益不是免费的。
| Model | WER(%)↓ | SIM↑ | UTMOS↑ | FPL(ms)↓ | RTF↓ |
|---|---|---|---|---|---|
| Human recording | 2.14 | 0.734 | 3.527 | – | – |
| VibeVoice-1.5B | 3.04 | 0.689 | 3.971 | – | – |
| Fixed-ratio | 7.67 | 0.720 | 3.813 | 122 | 0.57 |
| Time-aligned | 3.54 | 0.712 | 4.005 | 130 | 0.66 |
上表显示时间对齐合成的词错误率 3.54% 明显低于固定比例的 7.67%，音色 0.712 略低于固定比例的 0.720，首包延迟 130 ms 略高于 122 ms。论文检查高错误样本发现固定比例多在说完目标文本后继续多说，全集统计中说完后多出至少 3 个词的输出固定比例有 42 个而时间对齐只有 4 个，支持局部停止监督有助于停准的解释。因此后续统一模型选用时间对齐格式。这个结论只在该数据量和块设置下成立，不能推广为时间对齐永远最优。
统一模型的表示是靠拢了还是更分工了
要回答的问题是：双向联合训练是否让配对的语音与文本表示更接近，跨任务的表示又随层如何变化。方法是取 64 条开发集话语，在教师强制下按词平均每词的文本词元与对齐语音帧的各层隐状态，先分别中心化再算同词余弦减去异句词相似度，并用说话人配对自助给出置信带。该度量去掉了整体偏移，只看内容匹配带来的相似。
看图路径： 1. 先对比左右两组：跨模态相似度整体很低，跨任务相似度随层变化；2. 再看每条实线与虚线的差距：实线是统一模型，虚线是合成初始化；3. 注意横轴是层号，纵轴是同词减去异词后的余弦相似
论文图 2。原论文 Figure 2:：“Content-matched similarity across layers.”。
图中前两块显示语音与文本的跨模态相似度在各层都很低，联合训练后也没有升高；后两块显示文本与语音各自跨任务的相似度在浅层很高而在深层下降，深层比初始化更低。具体为浅层 1 到 9 层跨任务相似度平均文本 0.78、语音 0.96，深层 20 到 28 层降到 0.19 与 0.43。这支持两个判断：在该度量下双向学习没有拉近配对语音文本，浅层保留跨任务共享的词表示，深层变得更任务相关。但这只是该相似度定义下的结论，不能直接等同于模型没有共享信息，也不能推出因果。
联合训练中合成锚定与识别蒸馏各起了什么作用
比较的问题是：只用有监督联合训练、只加合成教师、同时加合成与识别教师，三者在训练早期与训练结束时对合成与识别有何影响。论文在 40,000 步与 300,000 步两个检查点报告，300,000 步约为一轮全量训练。早期结果显示加合成教师把合成词错误率从 5.03% 降到 4.31%，音色与 UTMOS 也有提升；再加识别教师把早期识别在 clean 与 other 上降到 6.13% 与 15.65%，优于另两种配置。
到 300,000 步时，只加合成教师的合成词错误率为 3.20%，优于只用有监督的 4.35% 与双教师的 3.40%，音色三者接近；识别三者相近，clean 在 3.63% 到 3.68% 之间，other 在 10.56% 到 10.74% 之间。也就是说合成锚定在两个检查点都帮助保住合成质量，识别蒸馏主要加速早期识别学习，最终增益不大。论文用配对自助法估计不确定性，发现最终与专用模型的差异和双教师与单教师的差异都没有统计显著性，后续评测选用只加合成教师的统一模型。
流式响应在联合训练后基本保持：识别平均词发出延迟仍为 0.66 s，合成中位首包延迟为 129 ms，与专用模型的 0.66 到 0.67 s 和 130 ms 相当，识别与合成实时率分别为 0.16 与 0.64，在评测设置下快于实时。这说明统一没有以牺牲响应为代价，但准确率与可懂度仍落后于最强专用系统，需要在结论中如实保留这一差距。
结论在什么条件下成立、还有哪些不足
主结论成立的条件很具体：英文、约 40,000 小时每任务的第二阶段数据量、所选块大小与前视、自动指标与所用归一化。统一模型接近的是作者自己适配后的专用流式模型，而不是最强的专用系统。在 LibriSpeech test-other 和合成可懂度上，专用流式系统仍更好。与离线统一模型的对比也只是放在一起看背景，因为架构与数据都不同，不能当成同条件胜负。
下面这张对齐误差表要回答的是数据管线中 3 路合并是否比单路更准，指标是词边界平均绝对误差，越低越好，评测只在有人工边界的 TIMIT 集上进行。
| Aligner | Mean | Start | End |
|---|---|---|---|
| CrisperWhisper | 34.9 | 31.4 | 38.5 |
| Three-way merge | 24.4 | 24.9 | 23.9 |
该表比较 3 种对齐器与 3 路合并的平均边界误差，合并误差最低，平均 24.4 ms，优于各单路的 34.9 ms、37.1 ms 与 30.4 ms。这支持用加权平均与离群剔除来合并边界的做法，但只回答边界误差问题，不回答转写投票本身的错误率，也不能保证在野外数据上同样误差。
下面这张配对差异表要回答的是最终差异是否显著，区间包含零则不能宣称显著胜负，评测依赖说话人与声音提示的配对自助。
| Metric | Uni-Stream −- specialist | Both teachers −- TTS teacher only |
|---|---|---|
| ASR WER | +0.13 | −-0.07 |
| TTS WER | −-0.33 | +0.19 |
| SIM | +0.002 | −-0.001 |
| UTMOS | −-0.010 | −-0.006 |
该表显示统一模型与专用模型的识别与合成差异，以及双教师与单教师的差异，识别词错误率差异为 +0.13 与 -0.07，合成词错误率差异为 -0.33 与 +0.19，区间都跨过零。因此不能宣称统一模型显著更好或双教师最终更好，只能说在该评测下表现接近。论文也明确局限为英文、块与前视未穷举搜索、质量仍有差距。
复现第一步做什么、资源现状如何
复现应先复现数据管线：对 Emilia 英文子集，把原有转写与另外两路识别结果先做归一化再做对齐投票，至少两路支持的词才保留，争议过多的整句丢弃，再把 3 路词边界估计按误差加权合并并剔除偏离较大的路，随后按单调性、打分和长度做过滤，保留约 40,000 小时训练语音且训练与评测说话人不重叠。词结束时间按采样率与分帧步长映射到隐帧，再分别构造识别的按块增量文本序列和合成的按词推进的时间对齐序列，超长分段按合成每段不超过 32 帧、识别每块不超过 32 个文本词元的规则拒绝。
模型侧先用 10,000 小时子集把合成与识别分别适配到流式格式，合成比较固定比例与时间对齐两种交错方式，识别把每步语音帧数收窄以降低词发放延迟；再以合成专用模型为起点联合训练约 300,000 步，合成用约 40,000 小时 Emilia 数据，识别用 Emilia、GigaSpeech 与多遍 LibriSpeech 训练集按时长大致配平，2 阶段都用 AdamW 与余弦衰减并在第二阶段重置优化器与调度，分词器始终冻结，推理时只用统一模型。
关于可用性，按本次收到的证据尚不能确认作者资源已公开，因此本文不声称代码、模型或数据已公开。论文表示将公开投票后的转写与词级时间戳且不含音频，但这属于未来计划，应以作者后续实际发布为准。基线数字取自论文与模型卡，复现对比时需保持数据划分、输入条件与指标聚合一致，合成与识别分别按原评测集和原归一化方式计算。
什么时候值得尝试这种统一流式路线
当需要在一个模型里同时提供低延迟识别与合成、且能接受与最强专用系统的一点差距时，这条路线值得尝试。它的实用价值在于用时间对齐交错给出局部停止监督，用 2 阶段加合成锚定稳住合成，再让识别在联合训练中跟上，最终保留流式响应。在干净识别集和合成音色上，统一模型与专用适配模型相当；在更难的识别集和合成可懂度上，差距仍然存在，选型时要留出余量。
还需要补的验证包括更难识别集上的鲁棒性、合成可懂度的进一步提升、多语言与更大范围的块和前视权衡，以及人工听感与真实延迟测量。表示探测提示不必追求语音文本合一，浅层共享、深层分工也可能正是兼顾两任务的方式。理解了这些条件，就能复述关键步骤并判断该方法是否适合自己的场景。
📎 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