📄 VidDub:为替换配音而设计的两步全上下文视频配音
英文题目:VidDub: Replacement-Aware Distillation for Two-Step Video Dubbing
评分:7.0/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 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
- Yexin Liu:机构信息未能在本次解析中与作者逐人可靠绑定
- Yunlong Lin:机构信息未能在本次解析中与作者逐人可靠绑定
- Zehan Wang:机构信息未能在本次解析中与作者逐人可靠绑定
- Guangxin He:机构信息未能在本次解析中与作者逐人可靠绑定
- Xinli Xu:机构信息未能在本次解析中与作者逐人可靠绑定
- Jiajun Zha:机构信息未能在本次解析中与作者逐人可靠绑定
- Yaofu Liu:机构信息未能在本次解析中与作者逐人可靠绑定
- Yueze Wang:机构信息未能在本次解析中与作者逐人可靠绑定
- Bowen Ping:机构信息未能在本次解析中与作者逐人可靠绑定
- Yuanming Li:机构信息未能在本次解析中与作者逐人可靠绑定
- Amie Wang:机构信息未能在本次解析中与作者逐人可靠绑定
- Bernard Ghanem:机构信息未能在本次解析中与作者逐人可靠绑定
- Bing Li:机构信息未能在本次解析中与作者逐人可靠绑定
- Harry Yang: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
视频配音的输入是源视频和目标语音,输出是嘴部随新语音变化、身份、头部姿态和背景保持不变的视频,难点是替换语音下源嘴型与目标发音冲突,直接重建源嘴会把生成结果拉回错误口型。VidDub先训练替换感知的完整上下文教师,对配对语音做全帧重建,对非配对替换语音屏蔽嘴部区域的流匹配、像素和感知损失,只保留非嘴部重建并用冻结的音画同步损失约束嘴部。再用匹配轨迹回归把教师的分类器无关引导轨迹传给两步学生,学生与教师共享双向注意力结构,只压缩采样步数,最后用分布匹配蒸馏恢复两步采样后的视觉分布质量。在HDTF-30替换配音标准化八十一帧、24FPS、512×512模型调用评测下,两步VidDub的Sync-C为10.102、Sync-D为5.856、FVD为27.66,同步与分布质量优于20步LatentSync 1.6对应的8.160、7.035、28.05。在二十个60秒配对的重叠窗口长视频评测下,VidDub的Sync-C为9.399、Sync-D为6.162,保持能力优于LatentSync对应的7.771、7.083,且末段同步仍保持稳定。结论适用于离线配音,即完整源视频和目标语音在推理前已知,长视频用重叠窗口滑动处理。原文在单卡H20备好输入口径下披露全上下文两步模型吞吐为11.3 FPS、峰值显存为13.77 GiB,吞吐高于同骨架因果两步的9.4 FPS、显存低于其21.96 GiB,未披露完整训练时长成本。
🔗 开源与复现资源
- 第三方资源:https://github.com/LAW1223/VidDub — 链接可访问(HTTP 200)
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
视频配音要改什么、要留什么?
视频配音的输入是一段源视频和一段要换上去的目标语音,输出是同一人、同一姿态、同一背景,但嘴部动作与新语音对齐的新视频。必须保留的是说话人身份、头部运动和场景等非嘴部内容,必须改变的是嘴唇开合。对刚入门的读者,关键是把重建和编辑分开:当语音就是原声时,照抄源嘴型是对的;当语音被替换时,照抄源嘴型反而是错的。
已有编辑器大多在同音频自重建下训练,即输入原配对语音、监督模型复现已有嘴型。这在测试时并不直接对应换台词任务。论文指出,标准重建损失不区分两种状态,少步蒸馏也无法在教师本身被罚偏离源嘴型时恢复跨音频同步。因此需要先解决监督冲突,再谈加速和评测。
已有路线为什么没直接解决冲突?
源视频配音方法包括前馈和修复式编辑器,以及近年潜空间和扩散编辑器,画质不断提高;少步蒸馏用渐进、一致性、对抗和分布匹配等方法把迭代采样压缩。流式方向还有因果注意力加少步蒸馏,如 Causal Forcing 和 Lip Forcing,目标是在线逐块输出。
这些路线与本文的输入和运行阶段不完全相同。前馈方法和扩散编辑器多沿用同音频自重建,偏离源嘴型会被惩罚;因果流式方法假设只能看到过去,适合首帧延迟敏感的场景。VidDub 研究的是离线配音,即完整源视频和替换语音在推理前都已给定,可以用全窗口双向建模。比较时要注意:任务都是换嘴型,但监督是否区分替换、推理能否看未来、步数预算是否一致,都会影响结论。
冲突具体发生在哪里?
设源帧为 Vsrc,目标波形为 Atgt,目标是生成 Vhat,嘴部跟 Atgt 走,非嘴部与 Vsrc 一致。只有当 Atgt 等于 Asrc 时,源嘴部才是合法的重建目标;当 Atgt 不等于 Asrc 时,源嘴部说的是另一句话,与目标直接冲突,而未被遮挡的人脸和背景仍是合法真值。
如果此时仍对嘴部施加流匹配、像素和感知重建损失,梯度会把生成的嘴唇拉回源嘴型,与同步目标打架。论文把这个问题表述为局部编辑:目标语音驱动嘴部 articulation,源视频锚定身份、姿态和背景。
配对音频 × 替换音频: 配对音频指源视频原来的同步语音,此时源嘴型是正确的重建目标;替换音频指来自另一段视频的非配对语音,此时源嘴型与目标内容冲突,不再是正确目标。二者区分了何时可以全帧重建、何时必须屏蔽嘴部重建,是后文分区监督的依据。
VidDub 整体分哪三步走?
VidDub 先训练一个全上下文的替换感知教师,学会在不回归冲突源嘴型的前提下做好唇同步;再用匹配的轨迹回归把教师 48 步、带分类器无关引导的轨迹传给两步学生;最后用引导的分布匹配蒸馏恢复压缩步数后的视觉质量。全程保持窗口内双向时序注意力。
推理时对长视频用重叠 81 帧窗口,每窗两步去噪,相邻窗前进 64 帧、重叠 17 帧做混合,以控制计算和显存,同时每窗内部仍是双向上下文。最终学生每全上下文窗口只做两次去噪,即 2 NFE。
两步编辑器的输入和注意力如何组织?
先看这张结构图要解决的观察任务:3 路条件如何进入同一个去噪窗口,以及双向注意力在哪里发生作用。左侧目标语音经冻结的 Whisper-small 特征再过 287M 音频适配器,得到每潜帧 16 个局部语音 token;源视频经掩码后与参考图一起由 VACE 编码为视觉上下文 token;噪声潜变量与掩码共同进入 Wan-1.3B 的 DiT 块。
看图路径: 1. 先看左侧三路输入:目标语音、上源视频、参考帧各自经过哪个编码器;2. 再看中间 Wan-1.3B 块内全上下文自注意力与音频交叉注意力的位置;3. 最后看右侧两步去噪输出的标注,确认窗口级一次生成
论文图 2。原论文 Figure 2::“Full-context two-step dubbing architecture.”。
这张图确实可见:上方音频支路标出 frame-local audio tokens,下方源视频和参考帧各经 3D VAE,中间大框为 Wan-1.3B DiT block,内含 Full-Context Self-Attention 和 Audio Cross-Attention,底部标注 all window latents attend jointly,右侧经 3D VAE 输出 Edited Video 并注明每窗两步。这种组织让每个生成帧都能参考完整时序上下文,目标音频 token 通过交叉注意力驱动嘴部,而被掩码源帧和参考帧提供外观和姿态。两步学生与教师网络结构相同,只是采样从 48 步压缩到 2 步,并把分类器无关引导吸收为每步一次条件前向。
全上下文双向注意力 × 块因果注意力: 全上下文双向注意力让一个 81 帧窗口内每一帧都能看到前后所有帧,适合离线配音时整段源视频和目标语音都已给定的情况;块因果注意力只允许看过去的块,可以逐块输出、首帧延迟低,适合在线流式。VidDub 保留前者以换取离线吞吐、显存和可懂度,论文另训练同骨干因果版本只做对照。
该结构的代价是离线一次要处理 81 帧窗口,首个可解码输出延迟高于逐块流式,但论文的同骨干对照显示离线吞吐更高、峰值显存更低,见后文结果。
替换感知监督如何分区处理?
核心是按区域和音频配对状态解耦目标。对干净视频潜变量 z 和高斯噪声,流匹配插值并回归速度目标,空间加权损失按掩码加权。由 VACE 编辑掩码最大池化得到潜空间嘴掩码 M。配对同音频样本用 q 为 1 加 λM 乘 M,强调嘴部重建;非配对替换音频样本用 q 为 1 减 M,完全屏蔽源嘴部速度回归。注意 z 直接由未编辑源视频编码而来,其嘴区反映原语音,因此在替换语音下必须用补掩码阻止损失把嘴唇拉回冲突源嘴型。
配对样本优化全帧重建,包含流匹配、像素、感知、同步和保持项:
\[\displaystyle\mathcal{L}_{\rm same}={}\]其中解码 16 帧窗上像素损失是嘴区 L1,感知损失在 4 个采样嘴部裁剪上计算,保持损失约束非嘴区。替换样本则屏蔽所有源嘴重建,只留非嘴流匹配、同步和非嘴保持:
\[\displaystyle\mathcal{L}_{\rm cross}={}\]此时被掩码源帧只提供外观上下文,嘴部 articulation 完全由目标音频经同步损失驱动。同步监督用冻结的 LatentSync-1.6 StableSyncNet,从 16 个下半脸帧和对齐的 16 kHz 梅尔谱提嵌入,用余弦对数损失,无时延搜索,梯度经冻结同步器和 VAE 解码器回传到生成器。而最终评测用标准的 S3FD 加 SyncNet-v2 管线,另加独立的 LRS3 视觉语音识别器,避免训练同步器自评。
流匹配损失 × 口型同步损失: 流匹配损失约束生成潜变量的速度场接近真实视频的运动轨迹,负责保真和重建;口型同步损失用冻结的同步网络比较生成下半脸与目标语音的嵌入相似度,负责让嘴型跟新语音走。在替换音频下前者在嘴区被关掉,后者成为嘴部唯一的语音驱动,二者分工避免互相拉扯。
两步生成器的映射可写为给定掩码源潜变量 u、参考潜变量 r、音频嵌入 a、掩码 M 和初噪时的编辑窗预测:
\[\hat{z}=G_{\phi}^{(2)}(\epsilon\mid u,r,a,M).\]三阶段训练如何从教师走到两步模型?
先看训练管线图的观察任务:教师如何引入替换、轨迹如何匹配条件、分布匹配又引入哪两路分数。顶部是音频预热、联合编辑适配、替换感知精修,精修混合 70% 配对和 30% 非配对,替换音频取自同 rank 前一个数据样本;所有训练片段为 81 帧、3.375 秒、从波形起点对齐。
看图路径: 1. 先看顶部教师三段:预热、联合适配、替换感知精修的输入变化;2. 再对比(a) 配对与非配对两行的嘴部监督文字差异;3. 最后看(b) 轨迹终点拟合与(c) 真实分数加辅助分数模型的箭头
论文图 3。原论文 Figure 3::“Three-stage training and distillation pipeline.”。
该图确实可见:(a) 配对行标注 source mouth matches audio 加 mouth reconstruction,非配对行标注 conflicts with target audio 加 mask mouth reconstruction 加 target-audio Sync;(b)48 步全窗轨迹从边界态到终态,两步学生拟合引导终态;(c) 两步学生采样经重加噪后同时送入双向教师的真实分数和在线的辅助分数模型,再加轨迹初始一致性。这种画法帮助理解为何替换嘴目标是替换条件下的教师伪目标,而非源视频。
轨迹回归阶段匹配源、音频、噪声、边界态和教师目标在同一全窗轨迹内,教师用分类器无关音频引导,学生两步映射拟合同音频和替换音频各半的 4096 条冻结轨迹,目标是教师在替换语音下的输出。损失为加权回归加质量项:
\[\mathcal{L}_{\rm traj}=\mathbb{E}\!\left[\left\|\Psi_{\phi}^{(2)}(x_{\tau},c)-\operatorname{sg}(\tilde{z}_{T,g})\right\|_{w(M)}^{2}\right]+\lambda_{q}^{\rm traj}\mathcal{L}_{q}^{s/c},\]其中同音频质量项含像素、感知、同步和保持,替换质量项只含同步和非嘴保持。随后引导分布匹配在噪声水平上用冻结引导真实分数和在线辅助分数模型构造干净估计之差,作用于完整潜窗,并加同噪同调度的保持锚定。替换占比 50%,辅助分数模型每生成器一步更新五次。
轨迹回归 × 分布匹配蒸馏: 轨迹回归让两步学生直接拟合教师在相同起点、相同音频条件下的终点潜变量,把多步去噪和分类器无关引导吸收进两次前向;分布匹配蒸馏不再逐点拟合,而是用冻结的真实分数和在线学习的辅助分数模型之差给生成分布指方向,恢复压缩步数后损失的视觉真实感。前者保同步,后者补画质。
数据、基准和指标在什么条件下比较?
训练池共 322513 片段,含 85435 内部生成 H3、152713 TalkVid、57727 SpeakerVid、6527 HDTF、2437 VoxCeleb2 和 17674 Hallo3,按 30/20/15/12/8/10 域平衡采样。VidDub-Bench 冻结 256 个与训练开发都不重叠的生成源视频,各配一条原音和一条来自另一源视频的固定替换波形,源帧、裁剪、掩码、参考、种子和时长在两轨间保持一致。另有 HDTF-30、VoxCeleb2-30、TalkVid-Bench-500 和 Long-20 的 20 个 60 秒对,覆盖高清受控、野外、网页和生成 4 个域。
同步用 Sync-C 越高越好、Sync-D 越低越好;重建用 SSIM、PSNR 越高越好;分布质量用 FVD 越低越好,FID 为生成与参考特征分布差异,块 FID 则在图像块上计算;身份用 ArcFace 余弦越高越好,姿态误差越低越好;可懂度用独立视觉语音识别的词错率越低越好。
跨音频不比较生成嘴与源嘴。同方法比较按源配对自助法估计不确定性,跨方法排名用所有方法都成功评测的交集,方法专表另报覆盖率。
Sync-C × FVD: Sync-C 是 SyncNet 给出的音频视觉同步置信分数,越高表示嘴型与语音越同步;FVD 是生成视频与参考视频在 I3D 特征上的分布距离,越低表示整体视频质量和时序真实感越好。两者分别回答像不像目标语音和像不像真实视频,不能互相代替,需要联合看。
跨音频主结果支持什么、限制在哪?
先看这张 4 基准散点要回答的比较问题:在相同跨音频配对下,两步 VidDub 能否同时做到高同步和低分布距离。横轴是跨音频 FVD 越左越好,纵轴是跨音频 Sync-C 越高越好,虚线为真实视频同音频 Sync-C 参照。
看图路径: 1. 先看四个子图的横轴 Cross FVD 与纵轴 Cross Sync-C 方向;2. 再找 VidDub 两步点在每个子图中的右上或左上位置;3. 最后看虚线表示的真实视频同音频 Sync-C 作为参照
论文图 4。原论文 Figure 4::“Cross-audio Sync-C versus FVD on four benchmarks. Dashed lines show real-video same-audio Sync-C.”。
该图确实可见 4 个子图 HDTF-30、VoxCeleb2-30、TalkVid-Bench 和 VidDub-Bench-256 中,VidDub 两步点位于左上或右上区域,在 HDTF 上同步最高且 FVD 接近教师,在生成基准上与教师基本持平。这支持在固定替换配对和 81 帧窗口调用下,两步模型保留了教师的同步能力,但不能推广到任意语音和任意时长。
下表比较有无替换感知分支的教师,比较问题是同一初始化和数据下是否提升跨音频同步,指标为跨音频 Sync-C 与 FVD。该比较固定初始化和数据,仅改变是否启用替换感知分支。
| Benchmark | Paired-audio only | Replacement-aware |
|---|---|---|
| HDTF-30 | 7.986 / 26.40 | 9.422 / 27.49 |
| VoxCeleb2-30 | 5.729 / 39.95 | 7.382 / 39.11 |
该表显示 4 个基准跨音频 Sync-C 全部提升,HDTF 从 7.986 到 9.422,VoxCeleb2 从 5.729 到 7.382,而 FVD 变化混合,有升有降。这说明替换分支主要解决同步冲突,并不保证分布距离单调改善。
再看 HDTF 的完整方法对比,比较问题是在受控高清域两步预算下与前馈、双向扩散和两步因果方法的相对位置,含重建与替换两轨。
| Feed-forward and one-step editors | ||
|---|---|---|
| LatentSync 1.6 [21] | 8.160 | 28.05 |
| VidDub | 10.102 | 27.66 |
该表显示 VidDub 替换 Sync-C 为 10.102,Sync-D 为 5.856,FVD 为 27.66,同步高于表中双向和两步对照,FVD 与教师 30 步的 27.49 接近,但重建 SSIM 为 0.9213,低于 LatentSync 的 0.9656。这表明优势集中在跨音频同步和分布质量,重建保真并非全面最优,且 FPS 为预处理输入吞吐,与命令行基线的端到端计时口径不同,不可直接比延迟。
哪部分带来同步提升、哪部分补回画质?
先看蒸馏路径图的观察任务:轨迹回归和分布匹配分别改变同步还是分布质量。上半为跨音频 Sync-C,下半为 FVD,横轴为教师、两步轨迹、加分布匹配 3 个阶段。
看图路径: 1. 先看上半(a) 跨音频 Sync-C 从教师到轨迹再到分布匹配的变化;2. 再看下半(b)FVD 先升后降的折线,确认哪一步补回画质
论文图 9。原论文 Figure 9::“Full-context distillation on dev-256. Trajectory regression transfers cross-audio synchronization to the two-step student, while DMD improves distribution quality.”。
该图确实可见 Sync-C 在轨迹阶段已接近教师,FVD 先升后降,分布匹配把 FVD 拉回教师水平。这帮助理解 2 阶段分工:轨迹保同步,分布匹配补视觉。
下表在 dev-256 上变换分布匹配引导、保持损失和替换监督,比较问题是两步消融中同步与分布的权衡,指标为 SSIM 越高越好、Sync-C 越高越好、FVD 越低越好。
| Variant | Sync-C↑ | FVD↓ |
|---|---|---|
| Trajectory only (no DMD) | 8.594 | 10.84 |
| Complete DMD recipe | 8.731 | 7.76 |
| w/o replacement audio | 8.577 | 7.15 |
该表显示仅轨迹时 Sync-C 为 8.594 而 FVD 为 10.84,完整分布匹配后 Sync-C 为 8.731 而 FVD 为 7.76,去掉替换音频则 Sync-C 回落到 8.577。这支持替换监督对同步必要、分布匹配对画质必要,但无引导真实分数的 FVD 为 7.00 更低,说明引导在同步和分布间有权衡。原文还报告固定或时移音频会降低 Sync-C,支持嘴动跟随输入语音而非通用张合。
身份保持和长视频稳定性能复述吗?
身份与非嘴保持在 VidDub-Bench 上比较,问题是同步提升是否只集中在可编辑区,指标为 Sync-C 越高越好、上半脸 L1 越低越好、身份余弦越高越好、姿态误差越低越好。
| Method | Sync-C↑ | Upper-L1↓ | ID↑ |
|---|---|---|---|
| LatentSync | 7.544 | 1.605 | 0.913 |
| Full-context teacher | 8.718 | 1.207 | 0.872 |
| VidDub | 8.709 | 1.199 | 0.875 |
该表显示 VidDub 的 Sync-C 为 8.709 接近教师 8.718,上半脸变化 1.199 与教师 1.207 相当,身份 0.875 与教师 0.872 相当,姿态 0.579 与 0.573 相当,而 Lip Forcing 上半脸变化达 3.761。这支持同步增益集中在下半脸,周围内容得以保留,但身份仍低于 LatentSync 的 0.913,不能说身份最优。独立视觉语音识别也显示 VidDub 在 3 个英语子集词错率最低,与 Sync-C 一致,支持改进的是可读的目标语音内容而非单一分数。
长视频用重叠窗而非持续缓存,20 个 60 秒对上 VidDub 平均与末 5 秒同步最高,非嘴与色漂最低,首尾保持变化接近零。盲评 15 人 150 试次中与教师多为平局,对 LatentSync 和 Lip Forcing 在同步和整体上占优。这些结论依赖冻结连续源目标链和重叠窗配置,持续缓存的早期实现曾出现下半脸塌陷,说明长时稳定并非无条件成立。
同骨干全上下文与因果两步对比回答离线何时值得用全上下文,指标为首输出延迟越低越好、吞吐越高越好、峰值显存越低越好。
| Execution Design | First-Out↓ | FPS↑ | Peak GiB↓ | VSR Wins↑ |
|---|---|---|---|---|
| Causal two-step | 1.052 s | 9.4 | 21.96 | 0/6 |
| Full-context (VidDub) | 7.165 s | 11.3 | 13.77 | 6/6 |
该表显示因果首输出 1.052 秒快于全上下文 7.165 秒,但全上下文吞吐 11.3 对 9.4 更高,峰值 13.77 对 21.96 更低,六项视觉语音识别全胜。这支持离线全片可用时选全上下文,流式首帧敏感时选因果,不能把一方说成全面胜出。
哪些情况还不能下结论?
首先是数据与划分限制。VidDub-Bench 与部分训练共享 H3 生成域,只是不重叠源视频;HDTF、VoxCeleb2 和 TalkVid 的不同片段也可能同时出现在训练池,论文用组键排除评测身份和源视频,但域重叠仍存在,跨域泛化需谨慎解读。TalkVid 和 VidDub-Bench 的排名用成功交集,失败输出不计入均值,覆盖率需另看。
其次是指标与统计限制。FVD 为全局分布泛函,只给点估计,不做逐视频配对置信区间;Sync-C/D 来自 SyncNet 管线,对口型以外的变化也敏感,需与独立视觉识别和人工盲评联合看。百分点与相对百分比不可混淆,不同量纲不可相减。
最后是因果对照的范围。最终模型是全上下文两步,因果两步是同骨干对照而非主方法;持续缓存的 60 秒审计暴露过稳定性问题,最终长视频结论只支持重叠窗方案。替换音频采样不强制不同身份、文本或语言,跨语言与跨身份的细粒度效果仍待验证。
复现第一步做什么、去哪里找资源?
复现先固定评测清单:用 256 源的 VidDub-Bench 固定同音与替换配对、相同 81 帧 24 帧 512 分辨率窗口、相同 S3FD 加 SyncNet-v2 管线,分别报告同跨两轨,不混合池化。训练复现需先跑音频预热和联合适配,再以 0.30 替换率做替换感知精修,替换取自同 rank 前一样本,限制替换样本在噪声水平内,并保持非嘴重建与同步权重与原文一致。
资源方面,论文给出 GitHub 链接为第三方可用链接,状态码 200,只能证明该链接当前可达,不能证明作者已开源权重或训练数据。原文称将发布精选训练片段、基准、预处理输出和统一评测代码,但在本文证据中属于未来计划,是否已公开需以链接实际内容为准。第三方基准只提供标识和确定性清单,不再分发受限媒体。
成本上注意口径:NFE 只计去噪步,不含因果的状态提交前向;FPS 为预处理输入吞吐,不含人脸检测和粘回;同硬件墙钟需拟合斜率比较,因为命令行基线每次重载权重。显存与延迟都以单张 H20 实测为准,换卡不可直接对比。
什么时候值得尝试、还缺哪项验证?
当任务是离线换台词、整段源视频和目标语音都已给定、要求两步吞吐和身份背景保持时,VidDub 的分区监督加全上下文蒸馏值得尝试;当需要低首帧延迟的在线流式,或只有单张参考图而无完整源视频时,不应直接套用本文结论。
复现第一步是跑通固定替换配对的跨音频同步与非嘴保持,确认屏蔽嘴重建后 Sync-C 提升且上半脸变化不增,再做轨迹与分布匹配 2 个阶段。还缺的验证包括跨语言跨身份的系统拆分、真实噪声与极端姿态下的失败率、以及与端到端延迟和人工可懂度的联合评估。总体上,论文直接报告的是在 4 个冻结基准和固定窗口下的同步与质量权衡,证据支持替换感知解决目标冲突、两步蒸馏保留同步并补回画质,但不承诺任意语音、任意时长和任意部署条件下的最优。
📎 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

