📄 治疗师回应得好不好，机器能从脸、声音和文字里看出来吗
英文题目：Therapy-FIS: A Dataset for Assessing Facilitative Interpersonal Skills in Psychotherapeutic Setting
评分：6.5/10 | 创新 1.3/2 | 技术严谨 1.1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Qijian Zheng：机构信息未能在本次解析中与作者逐人可靠绑定
- Wanqing Lin：机构信息未能在本次解析中与作者逐人可靠绑定
- Yuanfang Wang：机构信息未能在本次解析中与作者逐人可靠绑定
- Yijun Ge：机构信息未能在本次解析中与作者逐人可靠绑定
- Jordan Bate：机构信息未能在本次解析中与作者逐人可靠绑定
- Katie Aafjes-van Doorn：机构信息未能在本次解析中与作者逐人可靠绑定
- Feng Liu：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
治疗师人际技能评估要判断治疗师对困难临床情境的回应是否具有共情、情绪表达、希望传递、说服、言语流畅、联盟破裂修复、联盟联结、温暖接纳理解等能力，人工观察评分费时且难以扩展，而已有计算研究缺少公开的标准化治疗数据。论文收集78名心理健康从业者对8个模拟患者情境的890段回应，连同8段患者刺激片段，提取面部行为描述子、声学表示与文本表示，并给出8个分量表与总分的平均专家评分。基线方法DyadicFIS先对每个模态做时序编码，再用门控交叉注意力做模态融合，在双人任务中进一步交换治疗师与模拟患者的压缩表示，最后输出9维评分向量。与已有时序与多模态融合基线相比，该方法差异在于显式建模治疗师对患者刺激的情境依存，而非仅对治疗师单侧行为回归。结论只适用于标准角色扮演与去标识特征条件，不能直接等同真实诊疗效果，原文未披露训练、推理或部署成本。在Therapy-FIS治疗师单独评估任务按治疗师不相交5折评估下，DyadicFIS以宏平均一致性系数macro CCC计为0.2807，超过最强外部基线MDF的0.2200。在加入患者情境的联合评估任务同协议下，DyadicFIS以宏平均一致性系数macro CCC计为0.3299，超过MDF的0.2934。
🔗 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
要解决的评分难题是什么
心理治疗里有一种叫协助性人际技能的评价方法，它不问治疗师觉得自己做得多好，而是让治疗师看一段标准化的困难患者片段，再录一段自己作为治疗者的回应，由受过训练的观察员按 8 个维度打分。已有研究认为这类分数能预测治疗联盟和症状改善，但人工打分需要培训评分员、反复校准、逐段观看，成本高且难以用于大规模培训。
早期计算尝试只用文字或只用声音，缺少公开的、按这套标准化流程采集的专业数据。自然诊疗录音虽然真实，但患者问题差异太大，不适合做可比的能力考核。本文要补的就是这块资源：在保护隐私的前提下，把标准化任务里的治疗师回应和患者刺激变成可公开、可复现的派生特征，并给出能检验自动评分是否成立的任务和基线。
下面这张总览图把评价逻辑和数据发布范围放在一起，适合先建立整体印象。它左侧是评分流程，右侧是发布的多模态特征与多标签标注，中间给出规模数字。
看图路径： 1. 先看左栏从患者求助片段到治疗师回应再到评分员打分的箭头顺序；2. 再看左下角八个彩色标签分别对应哪八个子量表；3. 最后看右栏视频音频文本三路分别指向哪类派生特征
论文图 1。原论文 Figure 1:：“Overview of the Therapy-FIS dataset and the FIS evaluation protocol.”。
这张图左侧可见患者求助片段和治疗师回应片段共同被观察，评分员对照手册对 8 个条目打分；右侧可见视频、音频、文本 3 路分别转成动作单元与关键点、梅尔频率与声音特性、嵌入与转写文本；中间标注了 8 段患者视频、78 名治疗师、890 段回应视频和 16 小时 51 分钟的有效时长。它帮助理解本文不是发布原始录像，而是发布从回应和刺激中提取的行为特征加人工分数。
标准化任务的输入输出长什么样
可以把 1 次考核想象成一道固定的问答题。输入是患者刺激：1 名演员按剧本演出自责、对抗、质疑疗效或职业两难等棘手情境，时长平均比回应更长。输出是治疗师的回应录像，通常 30 秒到 2 分钟。评分对象是这段回应是否共情、情绪是否恰当、能否修复关系裂痕、能否传递希望等 8 个方面，每个方面 1 到 5 分，总分是 8 个子量表平均后的均值。
标准化模拟患者刺激 × 治疗师回应片段 × 八个 FIS 子量表： 标准化模拟患者刺激指由演员按固定剧本演出的求助片段，用来让不同治疗师面对可比的困难情境；治疗师回应片段指治疗师看完刺激后以治疗者身份录制的 30 秒到 2 分钟回答；八个 FIS 子量表是对这段回应的可观察人际质量的打分维度，包括情绪表达、共情、希望与积极期待、说服力、言语流畅、联盟破裂修复反应、联盟联结能力和温暖接纳理解，组合起来把抽象的治疗能力变成对同一刺激下回应的具体评分。
论文强调这种设计兼顾可比性和生态意义：可比是因为不同治疗师看到的是同一批患者情境，生态是因为情境本身是临床上真实会遇到的困难时刻。理解这一点很重要，后面任务二之所以要加入患者一侧，正是因为评分员本来就是看了刺激再评回应的。
已有路线为什么还不够
在治疗相关计算研究里，一条路线是用会谈转写本、声学特征或非言语同步来建模共情、联盟等构念，多用单模态。另一条路线是把语言、声音和视觉线索结合起来，补单一路信号看不到的证据。论文把自己放在第二条路线上，但聚焦标准化评价场景，而不是自然会谈的一般动态分析。
已有治疗互动数据集多关注一般对话动态或共情联盟等特定构念，自然会谈数据患者病理差异大，不适合做表现型能力的标准化考核。早期对协助性人际技能的计算工作也只触及单模态文本或音频。缺少的是按这套官方任务手册采集、有可靠人工分数、又能公开的专业数据，这正是本文声称首次提供的部分。
数据集到底包含哪些人和多少分
原始采集来自一项在线技能训练随机对照试验中的大规模数据集。参与者是 78 名心理健康专业人员，包括临床心理学研究生和持证治疗师，通过邮件列表和研究生项目招募。他们观看每段模拟患者视频后给出回应，在基线、训练后和两周随访 3 个时间点共留下 12 到 18 段不等，每人回应 4 到 8 种模拟患者情境，同一情境最多隔一两个月重复三次以提高稳定性。
每段治疗师回应由 3 名训练过的助理独立打分，评分员需先与专家评分达到组内相关系数 0.80 以上并参加每周校准会防止漂移。论文报告评分者间信度 0.70 到 0.86，总分 0.86，最终每个子量表取 3 人平均，总分取 8 个平均子量表的算术平均，于是每个样本有 9 个连续预测目标。
下面这张规模表回答了样本量和时长的基本问题，是后面理解跨被试划分和分数分布的前提。
| Source | Counts | Mean (s) | Max (s) |
|---|---|---|---|
| Therapist | 890 | 67.29 | 278.19 |
| Patient | 8 | 96.82 | 123.66 |
这张表说明治疗师一侧有 890 段，平均 67.29 秒，最长 278.19 秒；患者一侧只有 8 段，但平均 96.82 秒。结合正文，总时长 16 小时 51 分钟，总体分数均值 3.58，集中在 3.5 到 4.0 的中高区间，其中情绪表达、言语流畅和说服力较高，联盟破裂修复和希望期待相对较低。这意味着标签有连续变化可学，但也偏向中高分，保守预测容易误差小却缺乏区分度。
从录像到可发布特征经历了什么
出于伦理和隐私要求，论文不发布原始音视频，只发布去标识化的派生表示。面部一路用 OpenFace 3.0 提取动作单元出现与强度、98 点关键点、视线方向和检测置信度，并保留时间戳和平滑处理；音频一路用 librosa 提取 80 维对数梅尔谱和 13 维 MFCC，用预训练 Wav2Vec 2.0 得到 768 维序列表示，再算音高、能量、停顿、频谱和嗓音质量等 15 维韵律描述；文本一路用基于 Whisper 的强制对齐得到词级时间戳和转写，再用 DeBERTa-v3-large 得到 1024 维词元嵌入。
面部行为描述子 × 声学特征 × 文本表征： 面部行为描述子指用 OpenFace 提取的动作单元、98 点关键点、视线方向等结构化信号，代替原始人脸图像；声学特征指用 librosa 提取的对数梅尔谱、MFCC 和韵律统计量加上 Wav2Vec 2.0 的上下文语音表示，刻画语气语速等传递方式；文本表征指经语音转写再用 DeBERTa 编码的词元嵌入，保留说了什么和时间组织，三者分工覆盖表情、声音和语义，合在一起让模型在不暴露身份的前提下仍有行为证据可用。
这样做的代价是固定了上游提取器，后续无法端到端训练，也难以独立分析提取误差。好处是去掉了直接可识别的人脸和声纹信息，同时保留了表情、传递方式和语义内容 3 类行为证据，时间戳还能把文字与脸和声音对齐到同一时间线。
下面这张流程图把采集、过滤、评分和特征提取串成一条线，适合对照文字看数据是怎么变小的。
看图路径： 1. 沿顶部从患者 1 到回应 1 再到患者 n 的循环看数据采集顺序；2. 看右下角过滤后保留的 890 段有效库与中间人工评分的关系；3. 看左侧结构框里脸、音频、文本三组字段的时间维度写法
论文图 2。原论文 Figure 2:：“Dataset construction pipeline overview.”。
这张图顶部可见患者刺激与治疗师观看回应的交替过程，右上角可见录制错误和无效样本被过滤，右下角可见保留的 890 段有效库；中间可见 3 名评分员对照量表给出 1 到 5 分的共识分，底部可见视频音频文本 3 路并行提取特征，最左侧可见每个治疗师的特征按张量文件存储。它说明最终发布的不是视频本身，而是与分数配套的多模态特征结构。
基线模型如何把三路信号变成分数
论文提出的基线叫 DyadicFIS，要同时适配只看治疗师和同时看双方两种任务。任务一里，治疗师的脸、声音、文本分别经过各自的编码器，再经跨注意力融合得到治疗师嵌入，最后经路由多视角读出得到分数；任务二里，同一套流程对治疗师和模拟患者各跑一遍得到两个嵌入，再经过双人交互块交换语境后拼成融合表示并经多层感知机映射到分数。
{M}-Mamba-TE × Cross-Attn-Agg × Dyadic Interaction： {M}-Mamba-TE 负责把每个模态的变长序列先投影压缩再做时间建模，得到各模态的序列表示；Cross-Attn-Agg 负责让每个模态去注意全部模态的拼接表示并用门控决定采纳多少互补信息，再以视觉流为时间基准合并成治疗师或患者嵌入；Dyadic Interaction 负责在任务二中让治疗师嵌入和患者嵌入互相做注意力交换语境，三者组合形成先各自编码、再模态间融合、最后双人间建模的流水线。
下面这张结构图是理解分工的关键，先看模态分叉再看双人交汇，不要把 2 个任务的路径混在一起。
看图路径： 1. 先沿治疗师与患者两侧输入到三个编码器的分叉看模态分工；2. 再看中间融合模块输出治疗师嵌入与患者嵌入后在哪里交汇；3. 最后看右侧输出的九维分数与底部监督箭头的对应关系
论文图 4。原论文 Figure 4:：“Architecture of DyadicFIS for Task 1 and Task 2.”。
这张图左侧可见治疗师录像和模拟患者刺激各自分出面部、音频、文本 3 路线索；中间可见面部编码器、音频编码器和文本编码器分别输出表示后进入融合模块，输出治疗师嵌入和患者嵌入；任务二中两者再经双人交互得到融合表示，右侧统一输出 9 维分数，底部有预测损失回传的箭头。它直观呈现了任务一走上面单人路径，任务二额外走下面双人路径的设计。
具体到单模态编码，论文用一条统一公式概括投影、压缩与时间建模。先把输入序列经矩阵投影，再用可学习的隐查询做聚合压缩，最后经时间模型得到该模态表示，文本因为嵌入本身已含上下文，时间模型退化为轻量前馈块。
\[\mathbf{H}_{m}=\mathrm{Mamba}_{m}\!\left(\mathrm{Agg}\!\left(\mathbf{Q}_{m},W_{m}\mathbf{X}_{m}\right)\right).\]这条公式要算的是每个模态的序列表示，其中输入序列、投影矩阵、隐查询聚合和时间模型分别对应降维、压缩长度和建模动态 3 步。它的结果是后面跨模态注意的输入，先有它才谈得上融合。
跨模态融合与双人交互做了什么
跨模态融合先把 3 模态表示拼在一起，让每个模态作为查询去注意全部模态，再用门控决定把多少外部信息加回自身并做层归一化。之后在模态层面再做 1 次门控加权，并以视觉流为时间基准，通过保持长度的合并注意力依次融入音频和文本，形成治疗师嵌入，患者侧同理。
\[\mathbf{H}_{\mathrm{T}}\leftarrow\mathrm{LN}\!\left(\mathbf{H}_{\mathrm{T}}+\mathbf{g}_{\mathrm{merge}}\odot\mathrm{Attn}(\mathbf{H}_{\mathrm{T}},\tilde{\mathbf{H}}_{m},\tilde{\mathbf{H}}_{m})\right),\]这条公式描述的是以当前治疗师表示为查询、去注意融合后模态表示并经门控加权更新的过程，符号中的门控控制采纳比例，层归一化稳定更新。它要解决的是不同模态时间分辨率和信息质量不一致时，如何以视觉时间为参照把互补证据对齐合并。
双人交互则让治疗师嵌入注意患者嵌入、患者嵌入注意治疗师嵌入，各自经门控、残差、归一化和前馈得到交互后状态，再把两侧池化向量及其差向量拼在一起送入回归头。直观理解是把患者刺激当作评价回应的语境，让模型看到回应是否恰当，而不只是回应本身流不流畅。
模型用什么信号训练和验证
2 个任务都被当作 9 维回归，目标是 8 个子量表加总分。优化目标是均方误差加 0.5 倍的一致性损失，兼顾逐点误差和与人工评分的一致性。所有基线都用 AdamW 训练 40 轮，学习率 3 乘 10 的负 4 次方，权重衰减 3 乘 10 的负 2 次方，任务二因双人建模显存更大而用更小批量。
\[\mathcal{L}=\mathcal{L}_{\mathrm{MSE}}+\lambda\,\mathcal{L}_{\mathrm{CCC}},\]这条公式约束的是预测向量与人工评分向量之间的总损失，其中均方项惩罚每个样本 9 个目标的平方残差，一致性项惩罚相关、位置和尺度上的不一致，系数决定两者权重。它说明训练不是只压低绝对误差，也鼓励保留样本间的变化。
验证采用按治疗师身份分组的五折交叉验证，每折留出一组从未见过的治疗师做测试，其余做训练和验证。论文还对比了 TimeSformer、DLinear、KANAD、Reformer、MSGNet 等时间骨干，以及 JMT、MDF、CLGSI 等多模态融合方法，它们都被改成输出同样的连续分数，以保证任务和划分一致。
两个任务和两个指标如何配合
任务一的输入只有治疗师一侧特征，任务二的输入是同一情境下治疗师加患者两侧特征，但监督目标都是治疗师的分数。评估对 9 个目标分别算一致性相关系数再平均得到宏平均值作为主要指标，均方误差在所有样本和 9 个目标上平均作为补充。论文明确以宏平均一致性为首要依据，因为评价目标是复现专家评分的变化，而不是只把误差压小。
治疗师单独评估 × 治疗师-模拟患者联合评估： 治疗师单独评估只输入治疗师一侧的脸、声音和文本特征来预测分数，检验回应本身携带了多少可评分信息；治疗师-模拟患者联合评估同时输入同一情境下治疗师和模拟患者两侧特征，但监督目标仍是治疗师的分数，检验把患者刺激作为语境能否更好地还原评分员先看刺激再评回应的过程，两者搭配区分了孤立看回应与结合情境看回应的差异。
一致性相关系数 × 均方误差： 一致性相关系数同时考虑预测与人工评分的相关、位置偏差和尺度一致，越高说明越能复现评分员区分不同回应的变化，是本文的主要指标；均方误差只衡量逐点残差平方的平均大小，越低说明单个预测的绝对误差越小，两者搭配是因为一个靠近分布中心的保守预测可能误差小但抹平差异，一致性高但误差大的预测则保留了区分度，选模型要看使用目的。
这种设定下，任务二更接近真实评分流程，因为评分员本来就看了患者刺激。任务一则回答回应单独能提供多少信息。指标方向要记清：一致性越高越好，误差越低越好，两者排名不一致时不能只看其一。
主结果在什么条件下支持双人建模
要回答的核心问题是：在相同的跨被试划分下，基线与已有时间模型和融合方法相比，能否更好地复现人工评分，以及加入患者语境是否有数值上的提升。比较条件是同一 9 维目标、同一分组五折、报告五折均值加标准差，指标方向为一致性越高越好、误差越低越好。
| Task | Model | MSE↓ | CCC↑ |
|---|---|---|---|
| T1 | TimeSformer(2021) | 0.2027 ± 0.0357 | 0.2125 ± 0.0831 |
| T1 | DLinear(2023) | 0.2256 ± 0.0283 | 0.0961 ± 0.0408 |
| T1 | Reformer(2020) | 0.2211 ± 0.0352 | 0.1807 ± 0.0400 |
| T1 | MSGNet(2024) | 0.2184 ± 0.0274 | 0.1759 ± 0.0260 |
| T1 | KANAD(2025) | 0.2096 ± 0.0553 | 0.2043 ± 0.0434 |
| T1 | JMT(2024) | 0.2156 ± 0.0416 | 0.1286 ± 0.0316 |
| T1 | MDF(2026) | 0.1858 ± 0.0333 | 0.2200 ± 0.1389 |
| T1 | CLGSI(2024) | 0.2201 ± 0.0371 | 0.1376 ± 0.1107 |
| T1 | DyadicFIS(ours) | 0.2566 ± 0.0420 | 0.2807 ± 0.0743 |
| T2 | TimeSformer(2021) | 0.1896 ± 0.0287 | 0.2651 ± 0.0313 |
| T2 | DLinear(2023) | 0.2245 ± 0.0223 | 0.1878 ± 0.0346 |
| T2 | Reformer(2020) | 0.2151 ± 0.0499 | 0.1950 ± 0.0460 |
| T2 | MSGNet(2024) | 0.2237 ± 0.0536 | 0.1925 ± 0.0367 |
| T2 | KANAD(2025) | 0.2047 ± 0.0486 | 0.1845 ± 0.0413 |
| T2 | JMT(2024) | 0.2005 ± 0.0518 | 0.1641 ± 0.0674 |
| T2 | MDF(2026) | 0.1820 ± 0.0398 | 0.2934 ± 0.0742 |
| T2 | CLGSI(2024) | 0.2042 ± 0.0299 | 0.1973 ± 0.0801 |
| T2 | DyadicFIS(ours) | 0.2186 ± 0.0339 | 0.3299 ± 0.0556 |
这张表比较了任务一和任务二下各方法的均方误差与宏平均一致性，公平性来自相同的治疗师不相交划分和同一回归目标，结论需同时看两个指标的方向与波动。从数字看，DyadicFIS 在任务一取得 0.2807 的一致性，超过次强的 MDF 约 0.0607；在任务二取得 0.3299，超过 MDF 约 0.0364；但它的误差在两任务上分别为 0.2566 和 0.2186，并非最低，最低误差由 MDF 取得。任务二数值上高于任务一，与用双人语境有助于评价的解释一致，但这只是该标准化角色扮演和派生特征下的观察。
论文对分歧的解释是标签集中在中高分，靠近分布中心的保守预测容易误差小却抹平差异，而一致性惩罚相关、位置和尺度误差，更看重能否保留样本间变化。一种可能是 MDF 更保守，DyadicFIS 更好地保留了变化。因此排名应理解为用途依赖：看重与训练有素评分员的一致时选一致性，看重单个预测绝对误差的实际后果时仍要看误差。表中标准差普遍不小， pairwise 差异的置信区间、校准和子量表表现还有待补充。
哪些组件和模态真正提供了信息
要回答的第二个问题是：基线的 3 个部件是否都必要，以及单看一个模态能走多远。实验固定在任务二和相同的治疗师不相交划分下，每次只去掉一个部件，或只保留音频、只保留面部、只保留文本给双人双方，观察宏平均一致性的变化。
| Category | Variant | CCC↑ |
|---|---|---|
| Reference | Full | 0.3299 ± 0.0556 |
| Module | w/o centroid residual | 0.3076 ± 0.0689 |
| Module | w/o dyadic interaction | 0.3234 ± 0.0556 |
| Module | w/o modality gate | 0.3213 ± 0.0907 |
| Modality only | Audio only | 0.3241 ± 0.0744 |
| Modality only | Face only | 0.0105 ± 0.0829 |
| Modality only | Text only | 0.2807 ± 0.0541 |
这张表比较了完整模型与去掉质心残差、去掉双人交互、去掉模态门控，以及只用单模态时的表现，条件是同一任务二协议和同一主要指标，限制是单模态测的是独立充分性而非在融合中的条件贡献。从结果看，去掉任一部件都会降低一致性，其中去掉质心残差下降最多约 0.0223，去掉模态门控下降约 0.0086，去掉双人交互下降约 0.0064 但误差反而减小约 0.0090，说明双人块改善的是一致性而非各方面的回归质量。
模态方面，完整模型为 0.3299，单音频达到 0.3241 只低 0.0058，单文本为 0.2807 保留中等一致性，单面部只有 0.0105 几乎无效。这表明声学表示独立预测能力最强，可能与韵律、节奏和声音情感在标准化回应中的重要性有关，也可能反映各流特征质量、时间分辨率和信噪比的差异。它不证明其他模态在融合中无用，未胜出的面部一路和提升幅度很小的双人交互正是需要谨慎解读的反例。
标签和发布形式有哪些局限
标签是对标准化角色扮演的观察评分，虽有既往研究把这类表现型分数与联盟和结局联系起来，但它不是常规诊疗的直接测量，取 3 人平均也掩盖了评分员分歧。未来需要保留评分员层面的不确定性，并用临床行为和结局做验证。
发布形式上，只给派生特征减少了身份暴露，但也固定了上游提取器，限制端到端训练和独立误差分析。分数分布偏中高、样本来自 78 名治疗师和 8 种患者情境、回应时长差异大，这些都约束结论的外推范围。论文讨论部分明确这些是推测与待验证事项，没有把相关当成因果，也没有承诺延迟或成本会改善。
复现第一步该做什么
值得尝试的情形是：手头没有原始录像但想研究标准化治疗技能的自动评估，或想检验回应单独与结合患者语境的差异，且能接受非商业相同方式共享许可和去标识化特征的限制。复现第一步是按治疗师身份做分组划分，确保测试治疗师从未出现在训练中，再跑通只用治疗师特征的 9 维回归，并同时记录宏平均一致性和均方误差，不要只看其中一个。
关键信息条件要保留：输入是 OpenFace 帧对齐的时间步和词元数的文本嵌入，目标是 8 个 1 到 5 分子量表平均后的 9 维向量，训练用 40 轮和上述优化器设置，任务二需处理双路输入的显存开销。论文未提供可验证的公开代码与数据链接，证据清单也显示没有完成可用性校验的作者资源，因此不能声称代码模型或数据已公开，复现需以论文描述和实际可获取的发布为准。
读完可以带走的判断
这篇工作的实际贡献是把一套依赖人工的标准化评价变成可计算的问题：用 890 段治疗师回应加 8 段患者刺激的派生特征，配上 3 人平均的八加一分数，划出单人与双人两种回归任务，并给出一个先分模态编码、再跨模态融合、最后双人交互的基线。在治疗师不相交的五折下，该基线一致性最好，双人设置数值上高于单人，单音频接近完整模型，单面部几乎无效。
但这些判断只在中高分集中、角色扮演而非真实诊疗、派生特征而非原始录像的条件下成立。一致性与误差排名不一致提醒我们，模型选择取决于更看重评分员一致还是单个误差大小。下一步仍需补子量表表现、差异置信区间、校准与不确定性，以及对真实临床行为的验证。
📎 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