📄 用一个量子混沌判别器做语音带宽扩展：Q-BWE 解读
英文题目：Q-BWE: Quantum Chaos-Informed Speech Bandwidth Extension
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 0.7/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.5/0.5 | 工程/实践 0.9/1.5
👥 作者与机构
- Tarikul Islam Tamiti：机构信息未能在本次解析中与作者逐人可靠绑定
- Sajid Fardin Dipto：机构信息未能在本次解析中与作者逐人可靠绑定
- David Vergano：机构信息未能在本次解析中与作者逐人可靠绑定
- Luke Baja-Ricketts：机构信息未能在本次解析中与作者逐人可靠绑定
- Anomadarshi Barua：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
带宽扩展要从带限窄带语音恢复缺失的高频内容，难点在于同一个低频内容可以对应多种合理的高频细节，只用平均谱误差训练容易生成过平滑、丢失瞬态和谐波结构的波形。本文方法先用双流 Lattice-ConformerNeXt 生成器同时预测对数幅度残差和相位向量，再用多分辨率幅度判别器、多分辨率相位判别器和一个五量子比特混沌判别器在训练时提供对抗与特征匹配反馈，推理时只保留生成器和窄带条件模块。混沌判别器从 26 维语音动力学特征库中自动选出 5 个互补特征，经过归一化和有界角度编码后送入两层数据重上传电路，用正反受控非门环产生纠缠，再输出 31 维测量图和一个分散度统计量用于打分和匹配。生成器另有特征调制条件器和升余弦掩膜，前者按输入的能量、质心、平坦度、通量和相位组织调整通道，后者把可信低频、过渡带和缺失高频分开处理。在干净 VCTK 英语 8 到 16 kHz 任务上，本文方法感知语音质量评估得分 3.93，优于 CIS-BWE 基线的 3.72，训练参数总量从 33.5M 降到 19.4M，约为 1.72 倍压缩。结论适用于所测的英语与法语多说话人干净和受损条件，量子电路宽度增大时仿真代价按指数增长，本文未验证量子硬件优势，推理延迟反而略高于基线。
🔗 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
带宽扩展要补什么，为什么不能只补平均值
带宽扩展的输入是经过带限再插值回目标采样率的窄带语音，输出是宽带语音波形。任务必须保留输入中已经可靠的低频幅度和相位，只在缺失的高频区生成新的谐波、瞬态和噪声细节。评价时把重建波形与原始宽带真值比较，既看频谱距离，也看可懂度与感知质量。
已有做法常用最小化平均谱误差的回归目标，这类目标倾向于输出所有可能高频的平均值，听起来发闷，谐波边缘和辅音能量会被抹平。论文把这种现象称为过平滑，并用 LSD 衡量它，LSD 越低表示谱包络偏离越小。另一条路线是加入对抗或特征监督，让生成细节的统计特性接近真值，而不是追求逐点相等。
对刚入门的读者，可以把输入想象成以 4 kHz 采样、频率上限为 2 kHz 的窄带语音。目标是重建以 16 kHz 采样、频率上限为 8 kHz 的宽带语音。低频相同的两句话，高频擦音能量可能完全不同，这就是后文要反复提到的 1 对多映射。它决定了评价必须用多个指标互相印证，单看一个分数容易误判。
已有路线在哪里遇到判别器过多的问题
按论文梳理，幅度相位联合建模、复谱超分和多采样率处理已经能改善联合谱重建，但以平均误差为主的目标仍难保住瞬态和谐波结构。为此出现了多尺度混沌反馈思路，用有限时间发散和去趋势波动分析等非线性动力学特征做判别器，给生成器提供互补的细粒度反馈。
这类混沌监督在 CIS-BWE 等基线中被做成一个特征配一个判别器，每个判别器只看一种混沌或非线性特征。论文认为这种做法有两个代价，一是参数与计算随特征数增加，二是各判别器独立工作，没有显式刻画特征之间的联合离散，难以处理 1 对多映射需要的联合约束。
因此本文要回答的问题很具体，能否用一个紧凑的判别器自动挑选最相关的少数特征，并把它们的非线性交互建模在一个表示里，同时减少对多个专用判别器的依赖。后文的五量子比特设计就是为这个问题服务的，不是通用的量子加速主张。
论文把任务拆成哪几部分来解决
论文把带宽扩展拆成生成侧的保真重建与判别侧的联合约束。生成侧要解决输入自适应与频带分工，判别侧要解决多特征联合建模与训练稳定性。输入自适应指不同响度、频谱倾斜和相位组织需要不同的高频外推，频带分工指可靠低频不能被改坏，过渡带不能出现硬拼接。
判别侧的困难在于 26 维语音动力学库中既有谱特征也有时域与混沌特征，它们互相影响。单独看谱平坦度变化意义不大，还要看信号是周期、瞬态还是高度不规则。论文假设一个小规模的量子启发数据重上传映射能把 5 个选中特征变成包含单特征响应、特征间关联和状态离散度的更丰富表示，且只用 40 个电路参数，这个假设后文用参数量匹配的经典映射做对照。
带宽扩展 × 一对多映射： 带宽扩展指从窄带输入估计缺失的高频内容，目标是恢复听感与声学细节；一对多映射指同一段低频可能对应多种合理的高频延续，因此模型不能只输出平均意义上的平滑延续，而要给出与真值统计特性相近的细节，Q-BWE 的判别器设计正是为约束这种联合不确定性。
Q-BWE 的完整链路是怎样的
先看整体链路的观察任务，重点是双流如何分开又在何处交换信息，以及训练才用的模块在推理时去向何处。下图是官方总体架构图，左侧为窄带输入与条件分支，中间为幅度与相位双流生成器，右侧为判别器与掩膜说明。
看图路径： 1. 先沿窄带波形到 STFT 再到幅度与相位双流的主路径看输入输出；2. 再看 FiLM 条件从哪里注入两条流，升余弦掩膜在输出端如何分频控制；3. 最后看右侧三个判别器与左侧生成器的分界，确认判别器只在训练侧
论文图 1。原论文 Figure 1:：“Overall Q-BWE architecture with FiLM conditioning and raised cosine mask and QCD.”。
从像素可见，窄带波形先经 Sinc 插值与短时傅里叶变换得到对数幅度与包裹相位，分别走上下的幅度流与相位流。每条流先做 1 维卷积与层归一化，再接受来自 FiLM 条件的缩放平移，接着进入两个共享变换的格子块实现跨流耦合，最后由残差头输出幅度修正与 2 维相位向量。输出端用升余弦掩膜按频率混合观测值与预测值，再经逆短时傅里叶变换合成波形送给判别器。右侧同时画出幅度判别器、相位判别器与量子混沌判别器，底部单独展开 FiLM 条件从输入到有界输出的链条。推理时只保留生成器与窄带条件分支，所有判别器都被丢弃，这是理解参数量与延迟对比的前提。
生成器如何同时处理幅度与相位
生成器把 1024 点短时傅里叶变换得到的 513 个频点表示成对数幅度与包裹相位，两条流各映射到 512 个隐通道。幅度头只预测对数幅度残差，相位头预测归一化的 2 维单位向量再用反正切恢复角度，这样避免直接插值包裹相位在正负 π 处的不连续。幅度与相位在格子块中通过共享的 ConformerNeXt 变换交换信息，格子系数是可学习的标量，不是逐通道门控。
FiLM 条件的作用是先从观测窄带谱计算 5 个统计量，包括对数能量、谱质心、谱平坦度、谱通量和相位相干性，分别反映信号电平、频谱重心、调性、时变程度和相位组织。它们经标准化与有界角度编码后走两层五量子比特映射得到 31 维表示，再经共享线性投影成幅度与相位的通道缩放偏置以及幅度残差增益。增益被限制在 0.75 到 1.25 附近的小范围，缩放偏置也带小系数，目的是做近恒等调节，防止条件分支把生成器带偏。
升余弦掩膜的作用是按频率决定哪里可以改。它以观测奈奎斯特频率为中心设过渡带，低频权重为 0，高频权重为 1，中间按二分之一的一减余弦平滑过渡，两端斜率为零。幅度输出为观测幅度加权重残差，相位输出为观测单位向量与预测单位向量的加权归一化方向。这是一个无参数的合成约束，不是可学习的滤波器。
FiLM 条件 × 升余弦掩膜： FiLM 条件是按输入摘要对生成器通道做缩放与平移的调节，让同一生成器适应不同信号电平与频谱形态；升余弦掩膜是在观测奈奎斯特频率附近用半余弦平滑过渡的频率权重，可靠低频直接复制，过渡带混合，缺失高频才允许预测，二者分工为一个管输入自适应，一个管频率位置约束。
量子混沌判别器把五个特征变成什么表示
先说明本图的版本关系，官方 HTML 图片像素页脚自带一行英文，写的是 Figure 3: Detailed architecture of QCD，但封存正文与 PDF 第 4 页把该量子混沌判别器架构标为 Figure 2，下一幅语谱对比图才是正文 Figure 3。下文按正文编号称它为 Figure 2，读图时以像素内容为准，不受页脚编号影响。读图任务是数清特征分组与测量维度的构成，再看自适应权重在底部的位置。
看图路径： 1. 从左侧 26 特征库数出四组特征数量，再看中间选出的 5 个特征去向；2. 观察五量子比特两层电路中旋转门与环形 CNOT 的交替位置；3. 对照右侧 31 维测量向量与分数头的分支，区分对抗分与匹配损失
论文图 2。原论文 Figure 2:：“Overall QCD architecture: feature-bank selection, normalization, bounded angle encoding, simulated statevector map, and the scorer and matching heads.”。
从像素可见，最左侧输入音频进入 26 特征库，分为有限时间发散 6 维、去趋势波动分析统计 7 维、谱与高频 8 维、时域与非高斯 5 维。中间经训练集相关冗余选择得到 5 个选中特征，再经冻结的真值标准化与有界编码送入五量子比特两层状态向量电路。每层对每个量子比特做可学习的 Ry 与 Rz 旋转，再做环形 CNOT 纠缠，右侧形成 31 维测量向量，组成为 15 个单比特 XYZ 期望、10 个近邻 XX 与 ZZ 关联、5 个约化混合度与 1 个归一化玻恩熵。
测量向量一方面进多层感知打分头得到真假分数，另一方面与选中特征和隐层一起参与多层特征匹配，混合度与熵还组合成离散度统计量做额外匹配。底部是延迟奖励 Thompson 采样的自适应权重链，只改变判别器侧量子项系数。
电路的局域变换形式是先做 Ry 再做 Rz，公式如下，符号含义是第 l 层第 i 个量子比特对特征角的缩放与偏置，缩放控制灵敏度，偏置提供偏移，两层五比特双轴共 40 个参数。
\[U_{\ell i}(\theta_{i})=R_{z}(a^{z}_{\ell i}\theta_{i}+b^{z}_{\ell i})R_{y}(a^{y}_{\ell i}\theta_{i}+b^{y}_{\ell i}).\]两层纠缠拓扑分别为正向环与反向环，使每个量子比特在两层中既做过控制端也做过目标端，目的是让一个特征的表示能受其他特征影响。
\[\mathcal{E}_{\rightarrow}=\{(0,1),(1,2),(2,3),(3,4),(4,0)\},\]混合度与玻恩熵分别刻画单比特与剩余系统的耦合程度和基态分布的铺展，维度合计为 3 乘 5 加 2 乘 5 加 5 加 1 等于 31。
\[\xi_{i}=1-\left(\langle X_{i}\rangle_{\psi}^{2}+\langle Y_{i}\rangle_{\psi}^{2}+\langle Z_{i}\rangle_{\psi}^{2}\right).\]\[H_{B}=-\frac{1}{\log(2^{5})}\sum_{s=0}^{31}p_{s}\log(p_{s}+\epsilon),\]\[3(5)+2(5)+5+1=31.\]价值评估模型 × 辅助分数模型： 按本篇任务命名，价值评估模型指判断生成语音真假并给出对抗分数的打分头，辅助分数模型指估计某类分布得分以提供额外监督的分支；Q-BWE 中量子混沌判别器同时承担这两种角色，既输出真假分数，又通过多层特征匹配与离散度匹配提供辅助的结构监督，但都不在推理时使用。
数据重上传电路 × 纠缠门： 数据重上传电路指把同一组特征角度在多层中反复送入可训练旋转门，使小参数量也能形成非线性表示；纠缠门指让一个量子比特的状态受另一个比特控制的双比特操作，使一个特征的表示依赖其他特征，二者组合后局域测量看单特征响应，关联测量看特征间依赖。
训练时判别器权重与梯度如何组织
训练目标包含重建项、经典对抗与特征匹配项，以及量子混沌判别器的对抗项、多层特征匹配项与离散度匹配项，生成器侧三项系数固定为 0.25、0.10 与 0.05。判别器侧总损失是经典判别器损失加自适应系数乘量子判别器损失，自适应系数从 0.05、0.10、0.25、0.50 与 1.00 中按 Beta 后验采样选择。
关键的组织细节是梯度边界与统计量冻结。判别器更新时生成波形先截断梯度，真值标准化矩只在前 500 步用真值更新，之后锁定；生成器更新时判别器参数与真值表示冻结，梯度经生成分支的特征、编码、状态向量、测量与打分头流回波形。量子混沌判别器与经典判别器都只在训练时存在，推理时丢弃，自适应策略也在推理时丢弃。
延迟奖励的含义是当前观测到的未加权量子损失不能评价刚选出的动作，因为它在判别器更新前测得。实现上把上一步成功执行的动作用作待结算动作，用下一步损失是否低于指数滑动平均基线给 0 或 1 奖励，再更新 Beta 后验并更新基线。跳过优化步不产生待结算动作。论文明确把该奖励称为训练启发式，其好处必须在留出集带宽扩展指标上验证，不能只看训练损失下降。
数据、带宽任务与指标方向是什么
受控实验用 VCTK 英语与 MLS 法语的多说话人数据，共约 75 小时，源采样率覆盖 16 与 48 kHz。主对照在干净的英语 VCTK 与法语 MLS 上比较不同输入输出采样率组合，另有噪声、编解码与丢包的稳健性实验。噪声用 AURORA 的 8 种噪声与 5 种信噪比平均，编解码含 G.711 与 AMR-NB，丢包用 20 毫秒帧的独立擦除与重复或补零隐藏。
指标方向需要先记清，LSD 越低表示过平滑越轻，STOI、PESQ 与 NISQA-MOS 越高表示可懂度与感知越好，SI-SDR 与 SI-SNR 越高表示波形重建越好，WER 越低表示下游语音识别错误越少。PESQ 只支持 8 与 16 kHz 采样率，16 到 48 kHz 任务在计算前把重建与参考都下采样到 16 kHz。容量实验用 3 个随机种子，单种子对照用 1234，鲁棒性用信道种子 2025，配对自举用共享标识的 2000 次抽样，这些随机来源不可互换。
本文的量子部分是经典硬件上的精确状态向量仿真，内存与算术随量子比特数指数增长，五比特只有 32 个复振幅，相对 512 通道生成器与特征库开销较小。论文明确不主张量子硬件或计算速度优势，这是理解复杂度表格的前提。
主结果在哪些指标上占优，代价是什么
主结果的比较问题是在相同干净语料与带宽任务下，Q-BWE 与 EBEN、AP-BWE 和 CIS-BWE 的重建与感知孰优孰劣，公平条件是各自在声明的输入输出采样率上评价，指标方向按上节记忆。先看计算开销的对照，它决定了参数减少的说法是否成立。
| Model | Par.(M) | MAC(M) | FLOP(M) | Inf.(ms) |
|---|---|---|---|---|
| AP-BWE | 72.07 | 14236.65 | 28473.31 | 16.60 |
| CIS-BWE | 33.74 | 6790.86 | 13581.73 | 16.64 |
| Q-BWE | 18.21 | 3225.68 | 6451.36 | 19.65 |
上表是 16 到 48 kHz 的复杂度对照，Q-BWE 参数量 18.21M，乘加数 3225.68M，推理 19.65 毫秒，相对 CIS-BWE 的 33.74M 与 6790.86M 约少一半，相对 AP-BWE 减少更多。论文正文另以 19.4M 对 33.5M 给出约 1.72 倍的参数差异，指的是另一配置下的全模型口径，与本表部署口径不同，阅读时不要混用。代价是 Q-BWE 推理略慢于 CIS-BWE，论文把这归因于 FiLM 条件分支。
再看干净主结果，需要把两个语料的 8 到 16 kHz 对照拆开。在 VCTK 上 Q-BWE 的 NISQA-MOS 为 4.36、PESQ 为 3.93、WER 为 3.81%，分别优于 CIS-BWE 的 4.26、3.72 与 3.9%；在 MLS 上 Q-BWE 对应为 3.58、3.67 与 5.5%，分别低于、低于、高于 CIS-BWE 的 3.91、3.71 与 4.1%。也就是说 VCTK 的感知与识别占优不能推广到 MLS 的同任务，MLS 上 Q-BWE 在该带宽的这三项并未胜出。
LSD × NISQA-MOS： LSD 是对数谱距离，衡量重建谱与参考谱的平均偏离，越低表示过平滑越轻；NISQA-MOS 是非侵入式感知的预测平均意见分，越高表示预测听感越好，二者在本文经常不一致，因此需要同时看，不能用其中一个代替另一个证明全面变好。
语谱图显示了什么，又不能证明什么
这里的 4 kHz 和 16 kHz 分别指输入与输出采样率。输入语音的奈奎斯特频率为 2 kHz，输出语音的奈奎斯特频率为 8 kHz。图的纵轴是输出语谱 0 到 8 kHz 的频率，横轴是时间，三幅子图从左到右为 CIS-BWE、Q-BWE 与真值，下方图例标出高频恢复、擦音能量、起始段范围、谐波连续性与中频结构 5 个观察框。读图任务是只描述框内可见纹理，不把视觉接近当成指标胜利。
看图路径： 1. 对比三幅子图同一编号框内的高频纹理深浅与连续性；2. 注意纵轴 0 到 8 kHz 为输出语谱频率，横轴为时间；3. 重点看 1 号与 2 号框的高频恢复和 3 号框的起始段范围
论文图 3。原论文 Figure 3:：“Qualitative comparison at 4–16 kHz.”。
从像素可见，Q-BWE 中间子图在 1 号框 6.4 到 8 kHz 的高频区与 2 号框擦音能量区的亮纹比左侧 CIS-BWE 更接近右侧真值，3 号框 4.8 到 6.4 kHz 的瞬态起始范围与 5 号框中频结构也更连续，4 号框低频谐波条纹在三者中都较清晰。论文把这些定性观察与量子混沌判别器联合建模非线性、谱与时域描述符的作用联系起来，但这只是与机制一致的解释，不是因果证明。单一样本的可视化不能代表 2937 条测试的平均行为，具体结论仍要回到多指标的统计对照。
拿掉量子判别器与掩膜后发生了什么
消融的比较问题是在同一 VCTK 的 4 到 16 kHz 单种子条件下，逐项关闭 FiLM 条件、源带掩膜、量子混沌判别器与电路结构后，各指标如何变化。公平条件是除声明的关闭项外，其余训练与评价保持一致，指标方向与主结果相同。先看移除量子混沌判别器的逐项数字。
| 条件 | N-MOS | STOI | PESQ | SI-SNR | LSD |
|---|---|---|---|---|---|
| 移除 QCD 只留幅度与相位判别器 | 4.15 | 0.95 | 2.85 | 13.15 | 1.01 |
| 完整 Q-BWE | 4.21 | 0.95 | 2.84 | 13.28 | 0.95 |
上表说明移除 QCD 后 N-MOS 从 4.21 降到 4.15，SI-SNR 从 13.28 降到 13.15，LSD 从 0.95 升到 1.01，STOI 同为 0.95，PESQ 从 2.84 微升到 2.85。也就是说该单种子下 QCD 主要改善感知预测、信号信噪比与谱距离，可懂度持平，PESQ 反而略低。结论限于所测单种子，不能推广为跨种子必然成立。
| 条件 | N-MOS | STOI | PESQ | SI-SNR | LSD |
|---|---|---|---|---|---|
| VCTK 8 到 16 kHz Q-BWE | 4.36 | 0.99 | 3.93 | 19.50 | 0.72 |
| VCTK 8 到 16 kHz CIS-BWE | 4.26 | 0.99 | 3.72 | 17.98 | 0.72 |
上表是 VCTK 同带宽的补充对照，Q-BWE 在感知与 PESQ 占优而 LSD 持平，说明优势是分指标的。另有 MLS 同带宽对照如下。
| 条件 | N-MOS | STOI | PESQ |
|---|---|---|---|
| MLS 8 到 16 kHz Q-BWE | 3.58 | 0.99 | 3.67 |
| MLS 8 到 16 kHz CIS-BWE | 3.91 | 0.99 | 3.71 |
上表显示 MLS 上 Q-BWE 三项均未胜出，提醒读者不要把 VCTK 结论搬到法语语料。电路结构消融中，去纠缠、只留 XYZ、去离散度与单层重上传各有升降，没有一种简化在全部指标上最优；固定权重与 Thompson 权重的比较也呈指标依赖，附录的 13 系统对照进一步表明量子映射相对参数量匹配经典映射并无跨指标的一致优势。这些都是未胜出项，必须与主结果一起报告。
哪些结论不能从现有证据得出
首先量子一词容易误解，本文是经典仿真的量子启发归纳偏置，电路宽度增加会使仿真开销指数增长，论文明确没有量子硬件优势与计算加速。其次附录的受控 13 系统实验显示，经典与量子映射各有胜负，完整 Q-BWE 相对全经典对照只在 STOI 与 LSD 占优而在其他指标落后，因此不能说量子映射全面优于参数量匹配的经典映射。
其次单种子消融只能描述已训练模型的差异，不能度量训练随机性的不确定性。三比特、五比特与七比特的容量实验虽然用了 3 个种子，但改变的是特征数、比特数、状态尺寸与测量宽度的联合，训练时间随输入增加而单调上升，不能分离出单个量子比特的因果效应。配对自举区间刻画的是测试 utterance 的波动，不是新一轮训练的不确定性。
最后感知预测与侵入式重建经常打架，去掉源带掩膜反而提升 NISQA-MOS 但损害 PESQ 与信噪比，说明掩膜是证据保全约束，不是为刷高所有分数。噪声、编解码与丢包的匹配训练能改善部分平均，但不能恢复到干净水平，严重编解码下的波形失配依然存在。
要复现第一步做什么，需要哪些记录
复现应从 4 到 16 kHz 的 VCTK 单种子链路开始，固定采样率、1024 点短时傅里叶变换、80 跳长与 320 窗长、批量 16 与 8000 采样分段、AdamW 与学习率等超参数，再按 500 步锁定真值统计量、经典与量子预热的调度组织训练。生成器文件足以推理，训练状态文件还需保存判别器、优化器、Thompson 后验与随机数状态，否则看似成功的重启可能悄悄改变实验。
必须保留的记录包括划分清单与指纹、运行配置、选中特征身份与矩、信道协议、检查点与指标汇总。特征选择只用训练集宽带与窄带语音，测试与生成波形不参与选择与矩更新。作者资源方面，本次未发现归属明确且完成验证的代码模型或数据公开链接，因此不能写作者资源已公开，只能按论文方法与超参数自行实现。
数值细节以原文为准，单位与精度不要四舍五入。PESQ 的采样率限制、WER 的人工参考转录协议、非有限值的剔除规则都影响可比性，跨表比较时要核对任务带宽、评价器与聚合对象是否一致。
什么时候值得尝试，还缺哪项验证
当任务同时要求低过平滑与好感知，且推理预算允许保留 FiLM 条件分支、训练预算允许维护多判别器时，Q-BWE 的单判别器联合建模思路值得尝试。它用一个 4393 参数的判别器代替多个专用判别器，在 VCTK 多数感知与过平滑指标上与更大基线可比，部署时判别器全部丢弃。法语同任务与部分指标上的反例说明，是否迁移要按目标语料重新验证。
复现第一步是跑通窄带条件与升余弦掩膜的生成器，再接入五特征的量子启发映射与自适应权重，确认梯度边界与统计量锁定无误。还需要补的验证是多种子重复下的主结果与消融，以及与参数量匹配经典映射在目标语料上的成对比较，只有这些补齐后，才能判断联合交互建模的收益是否稳健。
对语音技术下游而言，增强的高频是模型合成的合理延续，不是物理上唯一真实的高频，不能当作取证或身份鉴定的直接证据，这是论文风险提示的原意。
📎 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