📄 HMMF-Net:用两帧图像加声音在边缘设备上判断鱼吃食强度

英文题目:HMMF-Net: A Lightweight Hierarchical Multi-Frame Multimodal Fusion Network for Accurate Fish Feeding Intensity Assessment

评分:5.9/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 0.3/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5

👥 作者与机构

  • Phi-Hung Hoang:机构信息未能在本次解析中与作者逐人可靠绑定
  • Van-Manh Tran:机构信息未能在本次解析中与作者逐人可靠绑定
  • Nam-Thuan Trinh:机构信息未能在本次解析中与作者逐人可靠绑定
  • Thi-Thu-Hong Phan:AIT laboratory, Faculty of Artificial Intelligence, FPT University, Da Nang, 550000, Vietnam

📌 核心摘要

鱼摄食强度评估要把2秒同步音视频片段判为None、Weak、Medium、Strong四档,难点是单模态易受机械噪声、水面扰动和遮挡影响,而视频全序列建模与稠密跨模态注意力开销大。先把视频首帧和末帧在通道维拼接后送入改造首卷积的二维EfficientNetB0以保留时间跨度下的摄食外观变化,再把对数梅尔谱送入多轴声学网络AMARU-Net提取时间、频率与局部时频表示,接着用分层双向信使跨模态融合模块BMCF在多个分辨率经紧凑信使token交换信息,最后拼接声、视与跨模态汇总向量做分类。与已有方法的区别是用两帧稀疏观测代替三维卷积,用四个低维信使token代替高维特征图上的稠密注意力,从而在保留互补信息的同时控制计算量。在完整AV-FFIA数据集五折held-out测试上,EfficientNetB0两帧视觉配置准确率为95.49%,HMMF-Net准确率达到96.77±0.27%更高,F1-score为96.88±0.26%,参数量仅3.987M、计算量仅1.002 GFLOPs。部署在NVIDIA Jetson Orin Nano上用TensorRT FP32保持96.76±0.29%准确率,推理约11.54 ms,预处理加推理约19.32 ms,模型大小18.81 MB。结论限于受控环境单鱼种数据,固定两帧采样对prolonged摄食动态的覆盖仍不充分。

🔗 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

鱼吃食强度判断要解决什么实际问题

这篇论文做的是鱼类摄食强度评估,简称 FFIA。输入是同步录制的 2 秒音视频片段,输出是 4 个等级之一:None 表示对饲料无反应,Weak 表示只吃掉到眼前的颗粒而不追食,Medium 表示游过去吃但又回到原位,Strong 表示自由穿梭并吃光饲料。

为什么要自动判断?饲料占养殖成本约 30% 到 70%,靠经验或定时投喂容易多喂造成浪费和水质变差,少喂又影响生长。理想的系统要实时给出强度,指导是否继续投喂。

难点在于单模态都不可靠。声音在浑浊或光线差时仍有线索,但会被水泵和增氧机噪声掩盖;图像能看到鱼群聚集和水花,但在浑浊、反光、遮挡时失效。论文的目标就是在资源受限的边缘设备上,同时利用两种信号并控制计算量。实验在包含 27067 个配对片段的 AV-FFIA 数据集上采用五折交叉验证,HMMF-Net 以 3.987M 参数和 1.002 GFLOPs 达到 96.77% 准确率,并在 Jetson Orin Nano 上以 TensorRT FP32 保持相近精度与 11.54 ms 推理,兼顾精度与边缘部署。

此前单模态和多模态路线各卡在哪里

声学路线一般把水下声音转成梅尔频谱图或 MFCC,再用卷积网络分类。论文提到 Cui 等人的 AFFIA3K 验证了可行性,后续有用 MobileNetV3、VGG 加注意力、频率时间注意力等改进,但机械干扰仍是主要短板。

视觉路线从单张 2D 图像发展到视频序列。早期用 LeNet、MobileNetV2 加注意力,后来用 3D ResNet、光流双流、状态空间模型和 Vision Transformer 捕捉运动。时间信息有帮助,但 3D 卷积、光流提取和 Transformer 都明显增加计算和显存。

多模态路线想互补。已有工作有用低秩双线性池化、音频引导注意力、混合 Transformer,也有加入溶解氧和水波信号的。论文指出 3 个未解决点:异构视听如何有效交互、单帧时间观察不足而全序列又太重、稠密跨模态注意力在高维特征图上太贵。HMMF-Net 就定位在稀疏多帧视觉编码加轻量多轴声学建模加高效分层跨模态交互的统一设计上,并在 NVIDIA Jetson Orin Nano 上验证可行性。

HMMF-Net 把任务拆成哪三件事

第一是用很稀疏的时间观察代替全序列。每个 2 秒片段有 50 帧,如果全送 3D 网络,冗余大且计算高;如果只取 1 帧,又可能错过涟漪和聚集逐渐增强的过程。论文选择只取首帧和末帧,在输入层拼接。

第二是声学分支要轻且兼顾多维度。梅尔谱既有沿时间的纹理,也有沿频率的分布,还有局部斑块。需要一个小网络同时看这 3 个方向,而不是堆大参数。

第三是融合要在中间层渐进交换信息,但不对原高维特征图做稠密注意力。解决办法是把每层特征先压缩到很小的信使空间,在那里交互后再送回各自分支,并保留各自分支特性。视觉流用稀疏时间观察捕捉摄食变化而不做全序列建模,声学流提供摄食相关声音补充,BMCF 在多个中间阶段经紧凑信使双向交换互补信息并经门控残差送回,避免对全特征图做稠密跨注意力。

一个 2 秒样本走完全流程会经历什么

先看总体分工。视觉支路处理 6 通道图像,声学支路处理对数梅尔谱,中间有 4 个双向信使融合模块连接通道对齐的层次,最后把视听向量加跨模态摘要拼成 768 维向量做四分类。

下面总览图展示了左右双分支加中间融合再到底部聚合的完整路径,请先按输入到输出的箭头看主干,再看横向融合位置。

看图路径: 1. 先看左右两路输入尺寸:左侧声学 1×128×128,右侧视觉 6×224×224;2. 再看中间四个 BMCF 如何横向连接 Block2-5 与 Stage2-5;3. 最后看底部特征聚合 768 维到全连接层的箭头

原论文 Figure 1:Overall architecture of the proposed multimodal HMMF-Net framework.

论文图 1。原论文 Figure 1::“Overall architecture of the proposed multimodal HMMF-Net framework.”。

从像素可见,顶部左侧是紫红色谱图,右侧是圆形养殖池的首末帧鱼群;中间绿色声学块和蓝色视觉块逐层标注尺寸,橙色 BMCF 都标 32 维摘要,底部粉色聚合标 768 维。这种布局说明融合发生在多个深度,而不是只在最后拼接。4 个 BMCF 作用于通道为 24、40、112 和 320 的对齐表示层,每层产生 32 维层级摘要,4 个拼成 128 维再经线性加层归一化为跨模态向量,与 320 维声学嵌入和 320 维视觉嵌入拼成 768 维统一表示后经全连接得到 4 维 logits 取最大类别。

视觉分支为何只拼首末两帧

具体做法是把第 0 帧和第 49 帧沿通道拼成 6 通道张量,骨干第一层卷积从 3 通道改成 6 通道,其余 EfficientNetB0 结构不变。Stage2 到 Stage5 输出通道分别为 24、40、112、320,用于与声学对齐融合,最后对 Stage5 做全局平均池化得到 320 维视觉向量。

这样做的含义是保留首尾两个相距最远时刻的互补外观,靠 2D 网络一次看完变化,而不显式建模运动顺序。论文实验发现多数结构下末帧单帧最好,但首加末的 2 帧组合普遍比单帧高 2 到 3 个百分点,而再加中间帧反而不再提升,位置选择比帧数更重要。EfficientNetB0 在(0,49) 配置下达到 95.49% 准确率,仅增加 0.001M 参数和 0.021 GFLOPs,说明时间互补信息是以很小的额外代价获得的。

早期多帧视觉编码 × 2D EfficientNetB0: 早期多帧视觉编码负责把首帧和末帧在通道维拼成 6 通道输入,提供跨越约 2 秒的时间差信息;2D EfficientNetB0 负责用常规 2D 卷积提取层次特征。两者搭配后,不用 3D 卷积也能看到摄食过程的变化,同时只增加首层通道数,代价很小。

\[\mathbf{X}_{v}=\operatorname{Concat}_{c}(I_{0},I_{T-1}),\]

上式表示沿通道拼接,输入是两个 RGB 帧,输出是 6 通道张量。它只改变输入表示,不改变后续 2D 运算方式,这是控制代价的关键。

声学分支如何同时看时间频率和局部

声学输入是对数梅尔谱。AMARU-Net 共 5 个块,每块含两个 AMARU 再加 2×2 平均池化,通道从 16 逐步到 24、40、112、320,时间频率分辨率逐步减半。最后先沿频率平均得到时间序列,再对时间做最大值加均值池化,得到 320 维声学向量。

下面单元图展示了 3 路并行加自适应加权的结构,请注意各分支卷积核形状和权重相乘位置,再看底部残差对齐方式。

看图路径: 1. 看输入先经 1×1 卷积再分出时间、频率、局部三路;2. 看顶部自适应分支经全局池化加 Softmax 产生三个权重;3. 看底部残差支路在通道不一致时用 1×1 对齐

原论文 Figure 2:Architecture of the proposed adaptive multi-axis residual unit (AMARU).

论文图 2。原论文 Figure 2::“Architecture of the proposed adaptive multi-axis residual unit (AMARU).”。

从像素可见,时间支路用 5×1 加空洞 3×1,频率支路用 1×5 加空洞 1×3,局部支路用 3×3,顶部经全局池化和 Softmax 产生 3 个系数,底部在通道不一致时用 1×1 对齐。这对应时间长条纹、频率分布和局部斑块 3 种模式的分工。AMARU 先用 1×1 点卷积投影到隐藏通道,再经 3 路深度可分离卷积与空洞扩大感受野而不增加核参数,最后投影回输出通道并与残差相加。

AMARU × AMARU-Net: AMARU 是基本声学单元,内部并行做时间方向、频率方向和局部时频三路深度卷积,再按输入自适应加权合并;AMARU-Net 是把多个 AMARU 堆成 5 个块并逐块降采样加宽通道的网络。单元解决单尺度难以兼顾条纹和斑块的问题,网络解决把对数梅尔谱压缩成 320 维紧凑向量的分工。

\[\mathbf{F}_{M}=\alpha_{T}\mathbf{F}_{T}+\alpha_{F}\mathbf{F}_{F}+\alpha_{L}\mathbf{F}_{L},\qquad\alpha_{T}+\alpha_{F}+\alpha_{L}=1,\]

上式表示 3 路输出按输入相关的权重加权求和,权重和为 1。它不是固定平均,而是每样本自适应调整哪一路更重要。

信使融合如何在小空间里双向交换信息

每个 BMCF 输入 1 对视听特征图。先各自做 2×2 自适应池化压成 4 个令牌,再线性映射到 32 维。4 个可学习信使令牌作为查询,分别对视觉和声学令牌做多头注意力,得到视觉条件和声学条件的信使表示。

接着对两种条件表示做均值加线性打分,经 Softmax 得到模态权重,加权融合成统一信使。再反向以视听令牌为查询、统一信使为键值做注意力,得到跨模态上下文,经均值、映射回原通道数,用可学习门控加回原特征图。门控初值为零,训练中逐渐打开,避免初期破坏单模态特征。每个 BMCF 还输出一个 32 维层级摘要,4 个层次拼成 128 维再映射成跨模态向量。

下面模块图展示了压缩到信使再送回原图的双向路径,请先看左右压缩过程,再看中间融合公式和右侧门控加法。

看图路径: 1. 看左右两侧 2×2 自适应池化把特征图压成 4 个令牌;2. 看中间可学习信使令牌先做模态到信使的交叉注意力;3. 看右侧经均值加线性回到原通道并用 tanh 门控加回原图

原论文 Figure 3:Architecture of the proposed bidirectional messenger cross-modal fusion (BMCF) module.

论文图 3。原论文 Figure 3::“Architecture of the proposed bidirectional messenger cross-modal fusion (BMCF) module.”。

像素显示左侧视觉和声学都经 2×2 池化变成 4 个小立方体,再经线性到 4×32;中间粉色块输出 32 维摘要,橙色块标注融合权重;右侧经线性回到原通道数并与原图相加。这说明高维交互只发生在 4×32 的小空间。零初始化 tanh 门控使跨模态残差初始不激活,完整保留原模态表示,随训练逐渐调节强度。

信使令牌 × BMCF × 门控残差: 信使令牌是 4 个 32 维可学习向量,作为中转小空间;BMCF 是双向信使跨模态融合模块,负责先把高分辨率视听特征压缩到信使空间做注意力交互,再把结果送回各自特征图;门控残差是用 tanh 可学习系数控制送回强度,初始化为零以保留原模态。组合后避免了在原高维特征图上做稠密交叉注意力。

\[(r_{A},r_{V})=\operatorname{Softmax}(s_{A},s_{V}),\qquad r_{A}+r_{V}=1,\]

上式是声学和视觉权重的 Softmax 归一化,保证两者和为 1,实现按当前输入动态分配贡献。

模型如何训练和初始化

论文没有提出新的损失函数,全用交叉熵做四分类。声学分支从零训练,视觉 EfficientNetB0 用 ImageNet 预训练初始化,这解释了为何视觉收敛快而声学收敛慢且波动大。

优化器统一用 Adam。多模态训练 400 轮、批量 256、学习率 1×10 的负 4 次方、耐心 50;视觉 2D 训练 250 轮、学习率同样量级;声学训练 400 轮、学习率 1×10 的负 3 次方。数据增强方面,声学用 SpecAugment 做频率和时间掩蔽,视觉用颜色抖动、水平翻转、旋转和平移。声学预处理为降采样到 64 kHz、Hann 窗 2048 跳 1024 的 STFT 加 128 个 Mel 滤波器组,视觉预处理为缩放到 224×224。

需要说明的缺口是论文未报告梯度细节和参数冻结策略,只说明视觉骨干用预训练初始化,未说明融合阶段是否冻结分支。复现时应按常规端到端微调理解,但不要把初始化带来的收敛快误认为融合本身加速优化。

数据和评测条件是什么

数据是公开 AV-FFIA 集,在山东烟台受控养殖环境录制黑鲷,视频 1920×1080、25 帧每秒,声音 256 kHz 采样,对齐切成 2 秒片段。共 27067 个片段:None 4871、Weak 7979、Medium 6640、Strong 7577。每个片段有同步音视频和四档标签。

评测用五折交叉验证,每折留一折做测试,其余按 8 比 2 分训练验证,报告五折均值加减标准差。指标是准确率、精确率、召回率和 F1,方向都是越高越好。声学预处理降采样到 64 kHz,做 2048 窗长、1024 跳长的短时傅里叶变换和 128 个梅尔滤波器;视觉统一缩到 224×224。

验证集 × 留出测试折 × 五折交叉验证: 验证集用于调参和早停,留出测试折是在每一折中完全不参与训练和验证、只报告最终性能的子集;五折交叉验证是轮换换一折做测试、其余按 8 比 2 再分训练验证,取五次均值加减标准差。区分三者才能理解主结果 96.77% 是测试折均值,而消融多数是验证集均值,不能直接混比。

这个设置意味着主结果是测试折均值,而大量单模态和消融数字是验证集均值。跨表比较时要先对齐是验证还是测试,否则会把验证调参的优势误读成测试提升。

单模态各自表现和代价如何

视觉单帧中 Swin-Tiny 在末帧最好,准确率约 93.33%,EfficientNetB0 约 92.62%。把首末 2 帧拼接后,EfficientNetB0 升到 95.49%,MobileNetV2、ResNet18 等也都提升约 2 到 3 个百分点,而 3 帧 4 帧多数不再更好。论文认为相邻帧冗余大,远距离 2 帧互补性更强。

下表要回答的比较问题是:稀疏 2 帧拼接是否比 3D 显式时序建模更省且更好,指标方向是准确率越高越好,代价越低越好。

条件指标稀疏 2 帧代表3D 代表代价含义
轻量 2D 对照参数增量MobileNetV2 增加 0.001M 参数和 0.022 GFLOPsS3D 需 45.231 GFLOPs,I3D 需 143.341 GFLOPs通道拼接增量很小

上表说明稀疏拼接用很小的增量拿到时间上下文,而 20 帧的 3D 模型计算量高却未超过 2 帧 2D。限制是早期拼接不显式建模运动顺序,加更多帧可能因冗余和缺乏时序建模而下降。

声学方面需要单独说明。下表要回答的比较问题是:在单模态最强和最轻之间如何取舍,准确率越高越好,参数和计算量越低越好。

条件指标PANNs CNN6 最强AMARU-Net 最轻取舍含义
相同验证集代价4.569M 参数,5.102 GFLOPs0.238M 参数,0.193 GFLOPs轻分支代价低一个量级以上

上表说明论文选 AMARU-Net 不是因为它单模态最强,而是因为它足够轻,留给多模态融合补足精度。采样率 64 kHz 比 48 kHz 普遍好约 2 到 3 个百分点,128 kHz 则不再提升,因此后续固定 64 kHz。

多模态主结果在什么条件下成立

主结果是在完整 AV-FFIA 集五折留出测试折上报告的,不是过滤子集。HMMF-Net 准确率 96.77%,F1 96.88%,参数 3.987M,计算量 1.002 GFLOPs。相比最强视觉 2 帧的 95.49%,误差从 4.51% 降到 3.23%,相对减少 28.38%。

下面柱状图展示了测试折 4 个指标的均值和波动,请先看四柱高度是否对齐,再看柱顶误差棒长短和纵轴起点。

看图路径: 1. 看四个柱子高度是否接近,都在 96.7% 以上;2. 看柱顶标注的均值加减标准差是否都在 0.3 以内;3. 看纵轴起点是 96.0,差异被视觉放大

原论文 Figure 7:Classification performance (%, mean ± std) of the proposed HMMF-Net on the held-out test folds.

论文图 7。原论文 Figure 7::“Classification performance (%, mean ± std) of the proposed HMMF-Net on the held-out test folds.”。

像素显示四根柱子分别标注 96.77 加减 0.27、96.85 加减 0.25、96.92 加减 0.28、96.88 加减 0.26,最大差仅 0.15 个百分点,标准差都在 0.3 以内。这支持预测在各指标间一致且折间波动小,但纵轴从 96.0 截断会放大视觉差异,不要误读为巨大差距。

下表要回答的比较问题是:多模态相对最强视觉单模态多出多少,代价是什么,条件是完整集测试折均值。

条件指标最强视觉 2 帧HMMF-Net证据支持的判断
相同条件下代价参数与计算量4.014M 参数,0.849 GFLOPs 量级3.987M 参数,1.002 GFLOPs整体仍保持轻量
误差视角剩余误差4.51% 误差3.23% 误差,相对减少 28.38%补上了部分视觉残留错误

上表收益主要来自 Medium 等相邻等级的混淆减少,混淆矩阵显示 Medium 到 Weak 和 Strong 的误分明显下降。但结论只在受控池、单一鱼种、2 秒片段和相同预处理下成立,不能直接推广到开放海域和多鱼种。

融合放在哪些层才有用

消融从无 BMCF 的最后拼接基线开始,逐层从深到浅加入 Stage5 到 Stage1。基线验证集准确率 95.88%,F1 96.01%;加到 Stage3-5 时升到 96.40%;加入 Stage2 后达到 96.81% 最高;再加 Stage1 反而回落到 96.57%。参数只从 3.835M 增到 3.987M,GFLOPs 保持 1.002 不变,说明开销主要来自小信使空间。

单模态基线 × 分层融合 × 特征拼接基线: 单模态基线指只用视觉或只用声学分支的准确率,用于衡量互补增益;特征拼接基线指不做中间交互、只在最后拼接视听向量;分层融合指在多个中间层都放 BMCF 并汇总各层 32 维摘要。消融通过逐层加入 BMCF,区分最后拼接的收益和中间交互的额外收益。

下表要回答的比较问题是:中间交互相对最后拼接的额外收益,以及最浅层是否有用,条件是验证集均值。

条件指标特征拼接基线Stage2-5 四层融合未胜出项
验证集均值准确率95.88 ± 0.22%96.81 ± 0.21%五层全加回落到 96.57 ± 0.22%
验证集均值F196.01 ± 0.19%96.92 ± 0.20%Stage1 增加 0.003M 参数却拉低性能

上表说明 Stage2 带来最大单步增益约 0.41 个百分点,而 Stage1 浅层高分辨率细节多、判别性弱,反而拉低性能。这不是计算量导致的,因为加 Stage1 仅增 0.003M 参数。五层全加明确不如四层,这是重要的负结果。

哪些结论不能超出证据去讲

首先是数据范围。实验只用受控循环水设施的黑鲷数据,水质、光照和噪声相对稳定。论文自己指出这限制了向其他鱼种和开放网箱的推广,海上非平稳噪声和浊度变化尚未验证。

其次是时间采样固定。只用首末 2 帧能捕捉两端差异,但对持续时间较长或不规则的摄食节律可能不够,论文把自适应帧选择列为未来工作。不要把 2 帧最优理解成任何帧数和间隔都最优。

第三是对比公平性。与 LDMF 的 98.22% 和 HMKD 的 97.47% 不能直接比大小,因为它们用的是 6016 和 26843 条的过滤子集且用单次留出法,而 HMMF-Net 用完整 27067 条加五折。完整集上 HMMF-Net 高于 U-FFIA 和 ACAF-Net,但跨数据集范围的数字高低不代表方法绝对优劣。

第四是部署数字的含义。Jetson 上测试精度与离线几乎一致,预处理加推理约 19.32 毫秒远小于 2 秒观测间隔,说明吞吐足够,但这不等于端到端延迟、功耗和长期稳定性都已验证。

要复现应先做什么

第一步是按原文拿到完整 AV-FFIA 并保持 27067 条不做过滤,按五折划分,折内再 8 比 2 分训练验证。音频降到 64 kHz,用 2048 窗、1024 跳、128 梅尔做对数谱;视觉缩到 224×224,首帧加末帧拼 6 通道,视觉骨干用 ImageNet 预训练。

第二步先复现单模态:视觉 2 帧 EfficientNetB0 应接近验证集 95.49% 量级,声学 AMARU-Net 应接近 78.87% 量级且参数约 0.238M。若声学远高于此,要检查是否误用了 PANNs 大模型或 128 kHz 设置。

第三步再加 BMCF 的 Stage2-5 四层,检查验证集是否从拼接基线 95.88% 升到 96.81% 附近,测试折是否到 96.77% 附近。部署时用 TensorRT FP32,模型约 18.81 MB,逐个 2 秒样本测预处理约 7.78 毫秒、推理约 11.54 毫秒。

下表要回答的比较问题是:部署是否掉点以及耗时是否满足实时,条件是相同五折测试集,指标方向是精度越高越好、耗时越低越好。

对比项离线测试折Jetson 部署后耗时与体积
准确率96.77 ± 0.27%96.76 ± 0.29%差异仅 0.01 个百分点
F196.88 ± 0.26%96.87 ± 0.28%部署未明显掉点
模型体积3.987M 参数18.81 MB 模型大小适合嵌入式

上表差异仅 0.01 个百分点,说明部署未明显掉点,预处理加推理约 19.32 毫秒满足连续处理。但复现时要记录 GPU 负载、温度和内存,原文界面显示约 44% GPU 和 23% CPU 占用,仅供参考,不作为性能保证。论文未公开代码模型链接,来源清单显示无可用作者资源,因此只能按文字复现,不能说作者已开源。

什么时候值得尝试这种设计

当你也是音视频同步、单模态各有明显噪声,且边缘算力只允许 1 GFLOPs 量级时,这套稀疏 2 帧加小声学加信使融合的思路值得尝试。它用很小的通道拼接和 4×32 信使空间换取了相邻等级混淆的下降,尤其改善了最难的 Medium 类。

不值得照搬的情况是目标行为需要精细时序或长时依赖,或者声音采样和鱼种完全不同。此时应先验证 64 kHz 和首末帧假设是否仍成立,再考虑自适应选帧和开水域数据。

一句话总结:完整集五折下轻量多模态可以超过强视觉单模态,但跨子集、跨评估协议和跨养殖环境的数字不可比,部署前还需补跨鱼种和开放水域验证。

📎 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


← 返回 2026-11-09 语音/音乐/音频论文速递