📄 从逐字听写到有依据改写：有根基生成式语音识别的定义与评测
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 0.7/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.1/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Qing Wang：机构信息未能在本次解析中与作者逐人可靠绑定
- Qihan Hu：机构信息未能在本次解析中与作者逐人可靠绑定
- Hang Lv：机构信息未能在本次解析中与作者逐人可靠绑定
- Yan Yang：机构信息未能在本次解析中与作者逐人可靠绑定
- Boqing Liu：机构信息未能在本次解析中与作者逐人可靠绑定
- Xuechao Zhu：机构信息未能在本次解析中与作者逐人可靠绑定
- Zehan Li：机构信息未能在本次解析中与作者逐人可靠绑定
- Hongjie Chen：机构信息未能在本次解析中与作者逐人可靠绑定
- Jian Kang：机构信息未能在本次解析中与作者逐人可靠绑定
- Jie Li：机构信息未能在本次解析中与作者逐人可靠绑定
- Yongxiang Li：机构信息未能在本次解析中与作者逐人可靠绑定
- Lei Xie：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语音到文本的识别输出，困难在于现代语音语言模型常输出带标点、去口语化、翻译或摘要文本，逐字比对的词错率会把合理改写判为错误，又无法发现脱离语音的编造。论文提出接地生成式语音识别，要求一切输出保留在由语音信号支撑的集合内，再按可改写程度划分四个等级。处理过程先给定语音信号定义接地改写空间，以接地函数衡量文本是否被语音与显式上下文支撑并设阈值过滤，得到允许多种表述的候选集合。该集合再按改写自由度划分为字面转写、规范改写、语义改写和语音支撑的结构化四个等级，明确各任务允许的变换范围与输出形式。各等级的输出要求直接进入GSR-Bench的实例化，分别对应会议录音的规范与语义改写、四种方言到标准书面汉语的转换、长实体密集语音的摘要，以及噪声静音音乐和弱语音的空输出约束，评价同时用字符错误率查字面一致、用大模型打分查语义保真与可读性。在GSR-Refine上TeleASR级联大模型的语义打分达到4.54而字符错误率升至16.28%，同一基准下TeleASR原始字符错误率为3.46%但语义打分仅4.16，说明字面准确与改写质量不可互换。结论适用于中文会议、方言和实体密集摘要场景，静音噪声下仍有幻觉风险，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
语音识别的输入、目标和必须保留的信息是什么
这篇论文讨论的输入是一段语音信号，目标是输出一段文本。传统做法把目标定为逐字稿，要求听到什么就写出什么，词序、重复和迟疑都尽量保留。评价时用一部人工标注的唯一参考文本做字面比对，常用词错率和字错率，错一个词就算误差。
语音语言模型出现后，系统能输出的不只是逐字稿，还包括加标点、分段、把口语数字改成书面形式、去掉语气词、把方言转成普通话、做翻译或会议摘要。这些输出在字面上与逐字稿不同，但意思可能仍然来自同一段语音。如果继续用唯一参考做严格比对，就会把合理的改写误判为错误，也无法检查输出是否真的有语音支撑。
因此论文提出把任务目标改为有依据的文本改写。输入仍然是语音，加上任务指令和允许的上下文，输出可以是多种文本形式，但每句话都必须能被输入语音或明确给出的上下文支撑。超出支撑的发挥被视为幻觉。这个设定是后文定义改写空间和 4 级层次的基础。
已有路线在输入目标和评价上有什么不同
传统语音识别路线把问题看成序列转换，输入是语音，输出是唯一字面序列，训练和评价都围绕字面一致性展开。它的优点是标准清楚，缺点是容不下任何有意的改写，加标点或去掉重复都会被计错。
语音语言模型和通用音频大模型路线扩展了输出形态，能回答关于语音的各种问题、做翻译和摘要，可读性和任务适应性更强。但论文指出，这类模型的评价往往偏向生成质量，不单独检查声学依据，在静音、音乐或严重劣化语音下可能照样生成流利文本。
级联路线是先用识别模型得到中间转写，再交给大语言模型做改写或翻译。它的输入在第二阶段变成了纯文本，大语言模型看不到原始声学细节，方言发音线索和模糊音的证据在第一步就被压缩丢掉了。论文的比较保持了这一点：同样的方言语音，级联与端到端系统的输入条件不同，结论只在各自条件下成立，不能简单说谁全面更好。
论文要解决的具体评价困境是什么
论文要解决的是生成式输出与字面评价之间的矛盾。一方面，会议语音天然带有填充词、重复、假启动、自我纠正和碎片表达，直接输出逐字稿可读性差；另一方面，一旦模型做了标点恢复、逆文本规范化、去口头禅或方言规范化，字错率反而上升，因为参考文本还是字面形态。
第二个困难是依据缺失难以度量。改写自由度越大，模型越可能依赖语言先验补全内容，在噪声、静音、音乐和极弱语音下产生听起来合理但无声学支撑的文本。已有基准主要测正常语音的转写准确，不单独设置无语音或不可懂语音的压力测试。
为此论文同时做两件事：给出有根基生成式语音识别的形式化定义和 4 级层次，再围绕该定义构造覆盖字面、规范、语义、结构化和接地可靠性的基准与多维评价流程。
整体思路如何把一次识别变成受约束的生成
整体流程可以沿着一个样本理解。输入是一段会议录音或方言话语，附带一条指令，例如保留字面内容、做可读化改写、转成标准普通话或写摘要，还可能附带热词、领域说明、长上下文、对话历史或用户画像。系统在语音证据、指令和上下文共同限定的子空间里生成文本，输出形态随指令变化，但都必须满足语音依据门槛。
论文把输出自由度分成 4 级。第 0 级不允许改写，做字面转写；第 1 级允许标点、分段和书面规范化；第 2 级允许去填充、合并重复、解决自我纠正、方言规范化和翻译；第 3 级允许摘要和结构化表示，不要求逐句对应，但每条事实仍需支撑。级别反映的是允许的改写范围，不是任务难度。
评价相应分成两个正交方向。一是改写能力，看模型能否按指令从字面走向结构化；二是接地可靠性，看模型在缺失或劣化声学证据时是否拒绝编造。两套测试分别设计，避免用可读性掩盖幻觉，也避免用字面准确否定合理改写。
字面转写与改写空间在公式上如何限定
传统识别的目标是给定语音选择条件概率最大的文本序列，强调字面恢复。这个目标把任何非字面输出都当作误差，适合第 0 级但容不下改写。
\[\displaystyle\mathbf{T}^{*}=\arg\max_{\mathbf{Y}}P(\mathbf{Y}|\mathbf{S}),\]论文用有根基改写空间替代单一参考。空间中的文本都满足语音依据函数不低于阈值，低于阈值的输出被视为主要靠语言先验驱动的未验证输出，也就是幻觉的刻画方式。
\[\displaystyle\mathcal{R}(\mathbf{S})=\left\{\mathbf{Y}\mid G(\mathbf{Y},\mathbf{S})\geq\gamma\right\},\]当加入指令和上下文时，允许集合进一步缩小为任务子空间，它一定包含于上述大空间。上下文分为会话、环境和元数据 3 类，只改变可用证据，不改变改写级别。
语音信号 × 有根基改写空间： 语音信号是唯一的声学证据，有根基改写空间是该证据允许的所有文本表示的集合；前者决定内容边界，后者把边界写成 grounding 函数大于阈值的约束，组合后使多种改写都可判对判错而不必依赖唯一参考。
生成指令 × 辅助上下文： 生成指令决定要做哪一级改写目标，辅助上下文提供会话历史、环境背景和元数据三类额外证据；指令划定任务子空间，上下文只补充证据而不提高改写级别，两者共同约束同一语音下的生成。
分级阈值与四个级别的输出集合是什么
为了把改写程度写清楚，论文引入人类可理解度，它由忠实度、覆盖度、关键信息保留、简洁性和可读性 5 个方面加权组成。每个级别设定一个可理解度下限，同时仍要求满足语音依据门槛，由此得到该级别的允许输出集合。
\[\mathcal{R}_{l}(\mathbf{S})=\left\{\mathbf{Y}\;\Big|{}\;G(\mathbf{Y},\mathbf{S})\geq\gamma\land H(\mathbf{Y})\geq h_{l}\right\}\]4 个级别的集合是单调包含关系，级别越高允许的改写越灵活，但高级别集合是低级别集合的子集，因为要同时满足更高的可理解要求。论文明确这表示输出灵活性，不是难度排序。
\[\displaystyle\mathcal{R}_{3}(\mathbf{S})\subset\mathcal{R}_{2}(\mathbf{S})\subset\mathcal{R}_{1}(\mathbf{S})\subset\mathcal{R}_{0}(\mathbf{S})\subseteq\mathcal{R}(\mathbf{S}),\]第 0 级要求输出近似等于字面转写，第 1 级允许表层书写操作，第 2 级要求语义保持不变的换词和跨语言改写，第 3 级允许信息抽取和结构化表示。概率形式上，系统在任务子空间内按指令和上下文条件生成，自回归时逐词依赖已生成词和全部输入条件。
\[\displaystyle\mathbf{Y}^{*}=\arg\max_{\mathbf{Y}\in\mathcal{R}(\mathbf{S},\mathbf{P},\mathbf{C})}P(\mathbf{Y}|\mathbf{S},\mathbf{P},\mathbf{C}).\]语音依据 × 人类可理解度： 语音依据检查输出是否被语音支撑，人类可理解度从忠实度、覆盖度、关键信息、简洁性和可读性评价文本质量；前者是准入门槛，后者是分级门槛，组合后得到四个级别各自的允许输出集合。
字面转写 × 规范改写： 字面转写要求尽量保留原词、语序和迟疑重复，规范改写允许标点、分段、大小写和口语数字书面化；前者是识别基线，后者在不改变实体数值否定逻辑的前提下提高可读性，组合起来区分了错误与合法的表面差异。
语义改写 × 语音支撑的结构化： 语义改写允许换词、去口头禅、方言转普通话和翻译但保持语义不变，语音支撑的结构化进一步做摘要和信息抽取而不要求逐句对应；前者改变表达，后者改变组织形式，但每条事实仍需语音或授权上下文支撑。
没有新训练时论文实际做了哪些构造与模型工作
这篇论文不是提出一个新的训练损失来训练所有模型，它的主要工作是定义、构造基准和评测已有代表性系统。需要说明的是，原文没有报告统一的训练超参数、梯度路径或冻结更新细节，因此不能从模型名称推测具体实现。
实际执行的计算和构造包括 4 条基准线。GSR-PACE 围绕语义锚点构造同音、近音、拼音相似和易混实体，按规划器、生成器、注入器和验证器四步生成，保证目标实体自然出现在连贯上下文中且仅保留满足发音相似、语义有别、可由上下文消歧的样本。GSR-Refine 取 WenetSpeech 的 TestMeeting 自发会议录音，同一录音配两套指令分别测第 1 级和第 2 级，以隔离改写自由度的影响。
GSR-Dialect 覆盖粤语、吴语上海话、西南官话四川话和中原官话河南话，结合公开方言资源和业务场景，个人信息匿名化后用方言语音合成产生语音，再由母语者按语义自然度和口音真实性 5 分制打分，仅保留两项都高于 4.0 分的样本，标准普通话参考由双语标注者给出。GSR-Summary 从 ContextASR-Bench 的长语音中经逻辑一致性和事实合理性过滤保留约 700 例，测摘要是否保留实体、事件、时间、数值、因果、否定和不确定性。
为展示统一有根基生成的可行性，论文还构建了 UniGSR，它基于 TeleASR 语音编码器和 Qwen3-4B，通过指令条件在同一端到端结构中做转写、改写、方言翻译和摘要。原文把 UniGSR 作为代表性系统参与比较，其训练细节未在本证据中披露，解读时只按指令条件生成这一机制理解，不补造参数更新过程。
基准数据如何组织与质检
下图展示了 GSR-Bench 的数据来源、质检链条和层级归属，读图时先分清 4 条改写分支与右侧压力测试是并列关系，再看它们如何汇入统一质检。图中可见 GSR-Refine 来自会议录音并保留自发语音现象，GSR-Dialect 经过匿名化、方言合成、人工质检和人工翻译，GSR-PACE 是四步流水线，右侧单独列出噪声、静音、弱语音和音乐 4 种压力音频。底部是格式标准化、大模型评判和人工检查三道质检，再向下对应 4 个级别的任务划分。
看图路径： 1. 先看顶部四个数据源分支各自的输入与处理链条；2. 再看底部聚合质检与四个级别任务的对应关系；3. 注意右侧幻觉压力测试与左侧改写任务是并列关系
论文图 1。原论文 Figure 1:：“Overview of GSR-Bench: Data Construction, Quality Assurance, and Hierarchical Task Organization.”。
该图帮助理解方法到实验的衔接。GSR-PACE 对应第 0 级字面转写，GSR-Refine 同时对应第 1 级和第 2 级，GSR-Dialect 扩展第 2 级，GSR-Summary 实例化第 3 级摘要。压力测试不属于改写级别，而是正交的接地可靠性检验。质检栏说明所有分支在进入评测前都经过统一汇聚，方言分支还额外要求两项主观分都不低于 4.0 分。图中把 GSR-Refine 同时放在第 1 级和第 2 级，正好对应后文同一录音配不同指令的设计。
比较系统分为 4 类：传统识别、专用级联、识别加大语言模型级联、语音大模型，以及论文自带的 UniGSR。评价结合传统字错率、翻译相似度指标和大模型评判，大模型评判从忠实度、流畅度和可读性或摘要 5 维打分，可靠性用人偏好研究佐证。接地测试用 520 段音频，静音、音乐和环境噪声期望空输出，弱语音由 AISHELL-1 降幅到 3% 并加轻噪声构造到人耳和识别系统都实际不可懂，任何词输出都计为声学幻觉。
上下文对字面转写有什么帮助与代价
第 0 级 GSR-PACE 仍然要求忠实转写，上下文只能帮助消歧，不能授权改写、省略或扩写。因此字错率下降直接反映上下文利用成功，上升则表示被误导。下表比较无上下文、热词和领域 3 种条件，指标是字错率百分比，数值越低越好。
| Context | FunASR | Qwen3-ASR-1.7B | UniGSR |
|---|---|---|---|
| No Context | 6.35 | 8.73 | 8.52 |
| Hotwords | 4.30 | 7.97 | 4.79 |
| Domain | 6.20 | 8.86 | 9.65 |
从表中可见，热词对 3 个系统都有明显增益，FunASR 从 6.35 降到 4.30，UniGSR 从 8.52 降到 4.79，说明直接约束实体识别的上下文最有效。领域信息增益很小，UniGSR 甚至从 8.52 升到 9.65，说明过于宽泛的领域描述不能解决具体的同音实体混淆。热词直接给出候选实体拼写，领域只给出背景话题，两者证据强度不同。本表数值与单位依据论文 PDF。
另一组条件比较长上下文、对话历史和用户画像，同样看字错率是否低于无上下文基线。
| Context | FunASR | Qwen3-ASR-1.7B | UniGSR |
|---|---|---|---|
| Long Context | 5.87 | 6.26 | 5.73 |
| Dialogue | 3.76 | 6.31 | 6.01 |
| User Profile | 6.18 | 8.85 | 17.00 |
对话历史带来稳定增益，3 个系统都低于基线，其中 FunASR 从 6.35 降到 3.76。长上下文对 Qwen3-ASR-1.7B 和 UniGSR 有效，但对 FunASR 改善有限。用户画像则出现反例，UniGSR 从 8.52 恶化到 17.00，说明过于具体且可能与声学冲突的画像会把生成拉离语音证据。这支持论文的判断：上下文只在与声学一致时有帮助，保持声学依据仍是前提。本表数值与单位依据论文 PDF。
为什么可读性提高反而字错率变差
GSR-Refine 用同一批会议录音测第 1 级和第 2 级，传统字错率与大模型评判呈现不一致趋势。论文称之为指标悖论：做标点恢复、逆文本规范化和去口头禅必然改变表面形式，字错率上升，但文本更自然易读。大模型评判从语义忠实、表达流畅和可读性打分，1 到 5 分越高越好。
原文报告的趋势是，传统识别系统字错率最低，例如 TeleASR 和 UniGSR-ASR 保持较好的字面一致性，而 UniGSR-Post 和 TeleASR 加大语言模型级联虽然字错率明显更高，却在大模型评判的可读和流畅维度上得分最高。这说明词汇重叠不足以评价有根基改写，评价必须同时看改写质量和语音支撑。
下图把这种分工画成矩阵：传统识别只有效支持第 0 级，专用级联和识别加大语言模型级联逐级扩展支持，语音大模型 4 级都支持但接地风险更高。读图时注意最后一列接地可靠性是独立评估的，支持范围广不等于依据可靠。
看图路径： 1. 先沿第一部分从左向右看改写程度递增与数据集对应；2. 再看第二部分四类系统在四个级别上的支持符号差异；3. 注意接地可靠性是正交列，不随改写级别递增而自动满足
论文图 2。原论文 Figure 2:：“GSR-Bench Evaluation Framework: Reformulation Hierarchy, System Coverage, and Grounding Reliability.”。
该矩阵解释了上述悖论的来源。传统识别的风险标注为低风险，因为它很少编造；语音大模型标注为更高风险，因为生成能力强但在证据不足时更易发挥。级联介于中间，它能看到的只是中间转写文本，声学信息已被压缩，因此在方言等需要发音线索的任务上处于劣势。这个判断与后文方言和幻觉实验相互印证。
方言转普通话中端到端与级联有何差异
GSR-Dialect 测第 2 级语义改写，要求把粤语、吴语、西南官话和河南话转成标准书面普通话，实体、事件、数值、时间和否定必须保持有据。评价同时用 BLEU、COMET、BERTScore 和句子向量相似度，以及两个大模型对语义和自然度的 1 到 5 分评价。参考译文只有一份，因此基于参考的指标可能低估语义等价。
原文报告，级联在部分基于参考的指标上略好，但大模型评价更偏向 UniGSR，尤其在吴语和河南话上语义保持和自然度更好。论文的解释是端到端直接以声学表示为条件，能利用方言发音模式，而级联先把方言压成中间转写再做纯文本翻译，丢失了发音线索。
这个结论的成立条件很具体：输入是方言语音加翻译指令，比较对象是 TeleASR 加大语言模型级联与 UniGSR，优势主要体现在大模型语义评价上，不是所有词面指标都胜出。把它推广到所有语种或所有级联结构是没有依据的，还需在更多方言和更多基线下验证。
语音摘要在五个维度上呈现什么格局
第 3 级用 GSR-Summary 测语音支撑的摘要，要求压缩信息但保留关键语义单元，不引入无支撑内容。下表比较通用音频语言模型与 UniGSR 在忠实度、覆盖度和关键信息 3 个维度上的大模型打分，1 到 5 分越高越好。
| Metric | Gemini 3.1 Pro | StepAudio-R1 | UniGSR |
|---|---|---|---|
| Faithfulness | 4.41 | 3.79 | 3.14 |
| Coverage | 4.85 | 4.58 | 4.21 |
| Key Information | 4.66 | 4.18 | 3.53 |
表中可见通用模型在忠实度和覆盖度上占优，Gemini 3.1 Pro 的忠实度 4.41 和覆盖度 4.85 都高于 UniGSR 的 3.14 和 4.21。这与论文的定位一致：通用模型擅长长上下文理解和高层推理，而 UniGSR 的目标是在同一模型中从转写延伸到结构化，摘要能力仍需提升。差距说明统一有根基生成可行，但第 3 级尚未追平专用大模型。本表数值与单位依据论文 PDF。
另一组维度看简洁性和流畅性，同样是 1 到 5 分越高越好。
| Metric | Gemini 3.1 Pro | StepAudio-R1 | UniGSR |
|---|---|---|---|
| Conciseness | 4.95 | 4.84 | 4.74 |
| Fluency | 4.97 | 4.87 | 4.60 |
简洁性和流畅性上三者差距缩小，UniGSR 达到 4.74 和 4.60，接近通用模型的 4.9 左右。论文强调两者的目标不同：通用模型要回答关于语音的各种问题，GSR 模型要在不超出声学证据的前提下给出每种有用的文本形式。因此摘要流利不等于摘要有据，仍需结合接地测试一起看，否则会高估结构化能力。本表数值与单位依据论文 PDF。
压力语音下无依据生成如何被计数
接地可靠性用 520 段音频单独测试，包括环境噪声、静音、音乐和极弱语音。前 3 类期望空输出，任何非空输出都计为声学幻觉；弱语音已处理到实际不可懂，任何词汇输出同样计为幻觉，而不是按识别准确率评价。指标记录总生成字符数、幻觉率和平均长度，越低越好。
原文报告，StepAudio-R1 的总字符和幻觉率最低，其次是 Qwen-ASR-1.7B，说明它们在声学证据不足时抑制生成的能力较强。生成能力更强的模型往往产生更多幻觉字符，UniGSR 处于中等水平，同时支持超出传统识别的改写和结构化。这揭示了论文指出的权衡：向开放生成扩展时，保持声学依据更难。
失败模式被归纳为 3 类。声学幻觉指在无语音或不可懂语音下仍输出词汇；无支撑生成指摘要或改写中加入语音没有的事实；指令漂移指偏离当前级别指令，例如在要求字面转写时做了语义改写。这些模式说明评价必须把改写能力和接地可靠性分开，否则只看可读性会漏掉依据问题。
这些结论在什么条件下才成立
所有结论都绑定具体的数据和指标条件。上下文增益只在 GSR-PACE 的字面转写任务下成立，热词、长上下文和对话历史有效，用户画像可能有害，不能推广为上下文越多越好。改写质量的优势来自大模型评判和人偏好研究，不是字错率，换用字面指标会得出相反排序。
方言结论依赖 4 个汉语方言分支和单参考评价，基于参考的词面指标与大模型语义评价方向不完全一致，端到端的优势主要体现在后者。摘要结论来自约 700 例实体密集长语音的过滤子集，通用模型占优不代表它们更符合 GSR 的依据约束，因为两者的任务目标本来不同。
接地测试的弱语音是人工衰减构造的极端不可懂条件，与常规噪声鲁棒性测试不同，不能把低幻觉直接等同于高识别准确。论文也没有报告延迟、算力和统计显著性，跨系统比较时还存在架构和训练数据不一致的问题，因此权衡是趋势性判断，不是针对每一组输入的保证。
复现第一步要准备什么与如何核对
复现应从任务和数据划分开始，而不是从模型开始。先按 4 级层次写清每条样本的输入语音、指令文本和允许上下文，再检查输出是否满足语音依据门槛。GSR-PACE 要保留无上下文基线，逐个加上热词、领域、长上下文、对话和用户画像，用字错率验证是否低于基线；GSR-Refine 要用同一录音跑两套指令，分别检查规范改写和语义改写的约束是否被遵守。
方言复现需注意合成与筛选条件：匿名化后合成，母语者两项打分都高于 4.0 分才保留，参考译文由双语标注者给出，评价时同时保留基于参考的相似度和大模型语义分。摘要复现要保留过滤后的约 700 例划分，用忠实度、覆盖度、关键信息、简洁性和流畅性 5 维记录，不要只报平均分。
接地复现要单独准备噪声、静音、音乐和极弱语音 4 类音频，弱语音按原文降幅到 3% 并加轻噪声处理到实际不可懂，统计非空输出和总字符数。论文未绑定可验证的公开代码与模型资源，本次也未发现来源绑定且完成验证的资源，因此不能写作者资源已公开，复现时需按原文描述重建流程并记录版本差异。
什么时候值得尝试这种改写式识别
当应用需要可读会议稿、方言转普通话或语音摘要，并且能接受与字面稿不同的表达时，值得尝试有根基生成式识别。它的价值在于把多种合法输出统一到语音依据约束下，用指令切换级别，而不是在识别后套固定后处理规则。
需要补做的验证包括：在更多方言、更多噪声条件和更多基线下重复比较，报告多次运行的波动；把大模型评判与人工评价的对应关系说清楚，避免只用流利度代替忠实度；对幻觉做细粒度标注，区分完全编造与部分失实，并检查指令漂移的发生条件。
一句话总结：论文给出的是定义加基准，不是某个模型的全面胜利，传统识别保字面，生成式系统保可读和结构，但后者必须额外通过接地压力测试才能说可靠。
📎 论文与评分元数据
排名：前50% | 文档类型：数据集与基准 | 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