📄 冻结扩散生成器的谱转向:为改动与保持请求校正方向

英文题目:Spectral Steering: Local Inverse Geometry for Frozen Diffusion Generators

评分:6.5/10 | 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 0.5/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

👥 作者与机构

  • Angelo Moroncelli:University of Applied Sciences and Arts of Southern Switzerland (SUPSI), IDSIA;Università della Svizzera italiana (USI)
  • Alessandro Leanza:University of Applied Sciences and Arts of Southern Switzerland (SUPSI), IDSIA;Università della Svizzera italiana (USI)
  • Loris Roveda:University of Applied Sciences and Arts of Southern Switzerland (SUPSI), IDSIA;Politecnico di Milano

📌 核心摘要

冻结扩散生成器需在不重新训练时改变部分输出属性并保持其余属性,难点在于经过剩余采样链后不同属性对干预的敏感度不同,一阶梯度会按敏感度加权请求并扭曲相对方向。本文把干预时刻中间状态到下游属性的映射记为目标相关的剩余采样器雅可比,分析请求在该矩阵奇异向量上的分量如何被放大或压缩,并用阻尼最小二乘求局部逆以补偿增益不均。方法先用该雅可比计算余弦增益预测,输出方向改善估计并送入校正环节以判断逆校正相对一阶拉回的收益,再执行固定时间重线性化,在同一扩散时刻重算雅可比与相对原始目标的残差并更新干预状态。跨视觉音频与机器人多实例的局部线性区间内,预测增益与实测增益呈强正相关,明显高于对数条件数的弱负相关,支撑请求与几何相互作用的解释。在随机掩码修复图像的独立轨迹集上,本文方法四次校正的SNR为12.30 dB,高于Adam的9.05 dB,在相同总导数遍历数下相差3.25 dB。与已有引导相比,关键差异在于按请求分量校正模态增益而非仅依赖条件数或统一引导强度,这意味着对敏感度不均的请求能保持相对方向并兼顾保持属性。结论适用于局部模型有效的结构化编辑,超出线性区间、目标覆盖不全或执行环节衰减时收益下降;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

冻结生成器要解决什么样的编辑任务

这篇论文处理的是生成器参数完全冻结、只能在采样中途干预的编辑问题。对语音和音频读者,可以把冻结的扩散先验想象成一个已训练好的波形或声谱图生成器,给定一个带噪中间状态,它会按固定随机数和条件继续去噪、解码出一段音频或一张图像,研究者不能再调它的权重。

任务的输入是选定扩散时刻的干预状态 xt,目标是让最终输出的若干下游属性按指定向量变化,同时另一些属性保持不动。例如音频里把中间时间段的中频提升 6 dB、把高频压低 8 dB 而其余时频格保持 0 dB 变化,图像里提亮一个区域而固定另一区域,人物运动里移动手腕而双脚钉住,机器人里移动末端位置而保持工具朝向。输出是走完剩余采样器后的完整信号,但评价只看 h 选出的 Z 个坐标是否实现了请求 d。

已有路线分两类。一类是可微引导,在每一步采样中把输出目标对状态的梯度加回去,如分类器引导、通用引导、损失引导扩散等做法,它们证明了可微 conditioning 可行,但没有回答梯度方向在多大程度上忠实传递了一个多维位移的相对比例。另一类是端到端优化,把整个生成过程打通求导,直接优化潜变量或中间状态,如对人脸、音乐、动作的做法,它们证明了全过程可微可行,但同样没有预测哪类请求能从方向校正中受益。本文的切入点正在于此:损失下降不等于各分量按比例移动,需要把方向保真度和任务效用分开评价。

与引导、端到端优化和逆问题的区别在哪里

引导类方法的输入、目标和运行阶段与本文相近,都是在推理期利用可微目标影响采样,但它们的更新多为梯度步,本文要比较的正是梯度步与阻尼逆步在同一请求下的方向差异。论文在结构化编辑上把通用引导、去噪后验采样适配、流形保持等做法改成面向同一解析目标的适配版本进行描述性对比,明确这些不是原生基线协议,不能直接读成同预算胜负。

端到端优化类与本文共享全过程求导这一机制,包括对生成器雅可比作用于输出梯度的分析,但本文多了一个请求相关的预测量和两类对照:单坐标精确零点检验,以及固定运动量下的方向对照。逆问题类如利用测量结构、测量模型伪逆估计条件分数的做法,与本文都涉及逆,但本文逆的是下游表征与完整剩余采样器复合后的算子,而不是去噪器本身或测量矩阵本身。

规划与策略转向方面,离线模仿、扩散策略、约束规划已有各自的数据和执行评价,本文的谱转向要求目标可微、不再训练另一个控制器,执行和安全仍是独立评价层。理解这层划分很重要:生成参考上请求实现得好,不等于机器人在伺服和跟踪后仍好,也不等于听感自然,论文明确音频没有听音测试,机器人只是仿真。

结构化请求如何被局部几何扭曲

论文把固定时刻 t 的干预状态记为 xt,把下游属性记为 z(xt)=h(Ft→0(xt;c)),其中 F 是从 xt 走完剩余采样器、解码和任务坐标缩放的完整映射,剩余随机数固定。目标是找到有限位移使 z(xt+Δx)-z(xt) 接近 d,其中 d 的前段是要求的变化量,后段是要求保持的 0 位移,没有列入 h 的坐标不受保护。

\[J_{h,t}=\frac{\partial(h\circ F_{t\rightarrow 0})(x_{t};c)}{\partial x_{t}}.\]

上式给出目标相关的剩余采样器雅可比,它同时依赖生成器和下游表征,改测量或改缩放就改了要逆的算子。局部用 1 阶模型近似有限编辑,梯度下降最小化请求残差平方的一半,得到 1 阶更新。对音频读者,这相当于在时频能量格点上,先算每个格点对中间噪声的灵敏度,再把请求按灵敏度加权拉回。

剩余采样器 × 下游属性映射 h: 剩余采样器指从干预时刻 xt 出发完成剩余去噪、解码得到输出的过程,下游属性映射 h 把该输出变成任务关心的坐标,二者复合得到 z,雅可比只针对这个复合映射而言,换了测量或缩放就换了要逆的对象。

问题在于 1 阶预测响应正比于 Jh Jh^T d,标量步长只能整体放大缩小,不能修正各分量比例。若把雅可比做紧凑奇异值分解,请求在左奇异向量上的系数 ai 会被 σi 平方加权,灵敏模态被过度放大,不灵敏模态被压小。即使谱很病态,只要请求只占一个可达单模态,方向仍可保持,这说明扭曲取决于谱与请求模态成分的交互,而非谱本身。Z=1 时经幅度匹配后两种更新在相同采样随机数下完全相同,这是后文 935 对检验的精确零点。

谱转向的整体流程是什么

谱转向的输入仍是同一 xt、同一时刻、同一采样器和同一请求,输出是一次或多次修正后的干预状态,最终都要走完剩余采样器得到可评价的信号。它不训练新网络,只在推理期解一个带阻尼的局部最小二乘,再按需刷新几何。一次修正记为 K1,两次和四次记为 K2 和 K4,k 只计修正次数,不计去噪步。

\[\Delta x_{\rm FO}=\eta J_{h,t}^{\top}d,\qquad\Delta z_{\rm FO}\approx\eta J_{h,t}J_{h,t}^{\top}d,\quad\eta>0.\]

上式是 1 阶拉回的更新与预测响应,η 大于 0。谱转向把同样的 d 换成阻尼逆方向,弱模态继续被衰减,不在值域的分量局部不可达,强模态增益回到接近 1。直观说,1 阶是按灵敏度投票,灵敏的声部声音过大,阻尼逆是给每个声部重新配平,让合唱比例回到谱面。固定时间重线性化则在得到新状态后重算雅可比和指向原始目标的残差,再解一次,保持目标始终是 z0+d 而不是每次要求完整再来一遍。

一阶拉回 FO × 阻尼局部逆: 一阶拉回 FO 把请求 d 经雅可比转置拉回状态空间,预测响应会被奇异值平方加权而扭曲相对分量,阻尼局部逆用带 lambda 的最小二乘把各模态增益拉回接近 1,方向更贴近请求而非单纯走得更远。

下面这张方法总览图值得按路径读,它把多类输入统一到同一接口,右侧人物运动直观显示了方向校正的后果。

看图路径: 1. 先沿左侧输入经冻结生成器到下游属性的主路径看接口划分;2. 再看中间受控潜变量与局部逆几何到下游变量增量的对应;3. 结合图注理解右侧人物运动示例的分组与标记含义

原论文 Figure 2:From gradient pullback to local inversion.

论文图 2。原论文 Figure 2::“From gradient pullback to local inversion.”。

该图左侧示意图像、音频、机器人与控制规划等输入路径经冻结生成器到下游属性的总体走向,中间示意受控潜变量、局部逆几何与下游变量增量之间的对应关系,以及固定时间重线性化的回路走向。右侧为同一任务下不同转向方式的人物运动示例,图注说明红色球体用于标记骨架与障碍的相交情况。具体分组与标记含义以图注和面板内文字标注为准,不从像素颜色深浅判断归属。结合图注理解,有助于把握多维请求同时包含改动与保持约束的设计意图。

阻尼逆如何补偿不均匀增益并预测方向收益

阻尼逆解的是带 lambda 惩罚位移范数的局部问题,primal 在状态空间求解,dual 在属性空间求解,二者数学等价,属性维 Z 小时 dual 更划算。紧凑奇异值分解下,1 阶响应系数是 η 乘 σi 平方乘 ai,谱响应系数是 σi 平方除以 σi 平方加 lambda 再乘 ai,前者在 σi 很大时主导方向,后者在 σi 平方远大于 lambda 时恢复为 ai。实现上显式求解用约化奇异值分解滤波而不硬截断,无矩阵求解用至多 16 步从请求启动的 Golub-Kahan 双对角化,在投影空间解阻尼问题,每步用一次向量雅可比积和一次雅可比向量积。

\[G_{\mathrm{cos}}^{\mathrm{pred}}=\cos\!\left(G_{h}(G_{h}+\lambda I)^{-1}d,d\right)-\cos(G_{h}d,d).\]

上式是余弦增益预测分数,Gh 是 Jh Jh^T,第一项是阻尼逆预测响应与请求的余弦,第二项是 1 阶预测响应与请求的余弦,差值在编辑前即可算出。不同请求在同一雅可比下预测值不同,这是请求相关的关键。对音频例子,若请求同时包含提升格和保持格,预测分数会告诉你这次主要是灵敏格主导还是保持格被淹没,而不是只看最大最小奇异值之比。论文报告该分数与实现增益在局部区间相关,而对数条件数几乎不相关,说明只看谱整体病态会误判。

余弦增益预测分数 Gcos_pred × 条件数: Gcos_pred 比较阻尼逆预测响应与 FO 预测响应分别和请求的余弦差,条件数只看谱的整体病态程度,前者同时包含请求在哪些奇异向量上有分量,因此同一雅可比下不同请求可以有不同预测收益。

需要提醒的是数值可达性诊断与阻尼是两回事,论文用奇异值相对阈值记录可达比例,只做诊断,不做硬截断。若雅可比为零,1 阶没有可用响应,任何方向校正都无从谈起。阻尼系数固定为 0.01 乘最大奇异值平方,每次修正刷新,所谓自适应仅指刷新这个估计,不含线搜索或潜范数约束。

有限编辑为何要在同一时刻反复重算几何

一次局部逆只在切平面成立,请求幅度越大,非线性误差越大。固定时间重线性化在 xt 的第 k 次迭代处重算 Jk 和残差 rk=z*-z(xt(k)),再做一次阻尼逆更新,系数 lambda_k 取 0.01 乘 Jk 最大奇异值平方。它不推进扩散时间,每次候选都要完整走完剩余采样器、量相对原始目标的残差,再更新干预状态。论文强调这能缓解非线性误差,但不保证收敛,加深也可能非单调。

\[x_{t}^{(k+1)}=x_{t}^{(k)}+J_{k}^{\top}(J_{k}J_{k}^{\top}+\lambda_{k}I)^{-1}r_{k},\qquad\lambda_{k}=0.01\sigma_{1}(J_{k})^{2}.\]

上式就是该迭代,k 计修正次数。音频中校准编辑一次求解就够,加倍请求则需要重线性化,人物运动避障误差也随 K1 到 K16 逐步下降,这些都是有限编辑超出切平面的表现。计算上一次无矩阵修正至多 16 个向量雅可比积和 16 个雅可比向量积,K 次则乘以 K,显式实现则是一次反向雅可比加奇异值分解。论文明确直接逆指的是逆关系本身,不是免迭代,幅度匹配的 1 阶对照复用 K1 的雅可比或 Krylov 量以隔离方向,其成本不是独立成本。

固定时间重线性化 K2/K4 × 剩余采样器: 固定时间重线性化指不推进去噪步,仍在同一扩散时刻刷新雅可比和指向原始目标的残差再解一次阻尼逆,每次都重新走完剩余采样器量残差,用新局部模型修正有限编辑的非线性误差。

对初学者,一个常见误解是把 K 理解成多步去噪。实际上去噪步数不变,变的是在同一时刻对同一目标的几何估计次数。另一误解是把阻尼当成截断,实际上阻尼是软衰减弱模态,诊断用的奇异值阈值不截断修正,这是两套并行的处理。

实验在什么条件下比较才公平

视觉用 CelebA-HQ 的扩散做修复,用稳定扩散 1.5 做结构化编辑,音频分波形摘录与生成梅尔谱两类,机器人用时序扩散生成参考再经 MuJoCo 执行,控制与规划先做 60 帧人物运动再做轨迹与动力系统。人物运动用冻结文本条件运动扩散,60 帧每秒 20 帧,原生 50 步采样,干预时剩 25 步确定性去噪,作用在 263 乘 1 乘 60 的人体运动特征状态。所有比较都固定初始状态、时刻、采样器、目标和请求,1 阶与 K1 做预测目标空间位移范数匹配,另有固定潜位移的对照以分离方向与步长。

音频的测量需要仔细说明,因为分贝格的定义决定什么叫改动与保持。波形局部均衡把短时傅里叶幅度按 4 段时间和 6 个对数频带分成 24 格,每格取能量加微小常数再取对数乘 10,其余音频任务或换划分或用线性测量。目标是加性的,要求加 6 dB 就是未转向值加 6,保持格要求 0 变化,漏进保持格同样增大请求损失。

\[h(x)_{q,b}=10\log_{10}\!\left(\sum_{(m,f)\in(q,b)}|X_{m,f}|^{2}+10^{-10}\right).\]

上式就是该分贝格定义,X 是短时傅里叶变换,求和范围是时间和频率落在第 q 段第 b 带的所有点。评价分请求保真度、应用结果和执行行为三层,配对比较为主,计算分别计向量雅可比积、总遍历或网络评估次数,这些计数不等同于墙钟时间。通用优化器用固定、先导或评估集选定的设置,主表不是同预算排名,字符运动优化器按 K4 名义反向次数匹配,不匹配前向次数或独立运行时间。

方向增益的预测与实现证据有多强

先看音频尺度如何分离方向与局部有效性。下图的读图任务是比较小请求下一次求解的方向优势与大请求下必须重线性化的分界。

看图路径: 1. 看左面板联合成功率随请求尺度变化的总体走向;2. 看右面板线性化误差随请求尺度变化的总体走向;3. 对照正文关于校准尺度与加倍请求的说明理解两面板分工

原论文 Figure 11:Audio request scale separates direction from locality.

论文图 11。原论文 Figure 11::“Audio request scale separates direction from locality.”。

该图左面板展示联合成功率随请求尺度变化的总体走向,右面板展示线性化误差随请求尺度变化的总体走向,不比较具体曲线点位的高低排序,也不从像素估读数值。结合正文说明理解:在校准尺度附近一次求解即可改善实现,在加倍请求下需要重线性化;正文指出两种方法在匹配尺度下线性化误差相近,因此中间尺度的差异主要体现方向校正的作用。具体成功率数值以正文报告的 4%、82%、100% 等诊断为准,不从图中估读具体点位。

请求保真度 × 任务成功与执行行为: 请求保真度量生成改变量与请求向量在方向和相对大小上贴合多少,任务成功还要看是否落入容差和抖动等门限,执行行为则是独立控制器跟踪生成参考后的物理结果,三者分离才能判断增益卡在哪一层。

跨域预测的总体情况如下图,读图任务是看编辑前预测能否指示实现增益。

看图路径: 1. 看横轴编辑前预测增益与纵轴实现增益的总体关联趋势;2. 注意纵轴零线的含义与图注说明的实例总数;3. 结合正文报告的相关系数理解预测作用

原论文 Figure 12:Cross-domain prediction of directional benefit.

论文图 12。原论文 Figure 12::“Cross-domain prediction of directional benefit.”。

该图展示编辑前预测余弦增益与实现增益之间的总体走向,纵轴零线以上对应偏向谱转向的方向这一含义以图注为准。图注说明每个点为局部区间内一个实例,共 8923 例,相关数值以正文明确报告的 r=0.75、ρ=0.79 为准,条件数相关以正文报告的 -0.04 与 -0.11 为准。图中不同领域实例的点簇细节不做像素级辨认,不比较颜色点簇的高低先后,只看整体随横轴变化的走向;分组归属以图注图例为准。跨领域的一致性以后文按任务内计算的人物运动相关和居中后相关作为补充依据。

下面 4 张表分别回答 4 个可比问题,每张表前后都有独立说明与限制,数字与单位保留原文写法。第一张回答多格音频同时改与保能否实现。

该对照固定 32 个音频单元的交替增减与保持请求,比较 FO、K1、K2 的联合成功率,成功要求全部坐标进入容差,指标方向越高越好,样本 50 例。

条件FO 联合成功率K1 联合成功率K2 联合成功率样本量
32 音频单元请求4%82%100%50

该表支撑一次逆已大幅改善同时实现、重线性化补足剩余的判断,但只在该 32 单元诊断与容差下成立,不能推广到波形保持格本身隔离不良或 2 倍大请求,论文另报波形保持格在 K4 变差 0.0834 dB。读者应拿它与下文人物运动的余弦表对照,一个看通过率,一个看方向贴合度。

第二张回答人物运动方向是否更贴近请求。

该对照固定同一 xt 与请求并匹配预测目标空间位移范数,只变方向,比较保真余弦越高越好,50 种子配对。

任务FO 保真余弦K1 保真余弦
避障类0.4580.976
多目标到达类0.7010.931

该表支撑方向校正本身带来增益且 50 对全胜的判断,骨漂移两组几乎不变说明增益不在骨长上作弊。但余弦高不等于请求完成,论文另报 K1 后中位误差仍高于容差,联合成功还需重线性化,读者应拿它与重线性化阶梯对照。

第三张回答配对修复中重复几何修正相对 Adam 的代价与收益。

该对照在同一 50 例随机掩膜修复轨迹上分别按向量雅可比积计数与总遍历计数比较,指标为缺失像素峰值信噪比越高越好,差异为谱减 Adam。

配对比较差异备注
K4 对 Adam@64,等向量雅可比积2.74 dBK4 达 28.32
K4 对 Adam@128,等总遍历3.25 dB95% 区间 [2.32, 4.35],86% 配对获胜

该表支撑深层修正才超越 Adam、单次求解反而落后的判断,K1 在两种口径下分别低 0.96 dB 和 2.07 dB。限制是计数不等于墙钟,优化器用不交集,Adam 在 54 步达 25.60 dB 峰后继续优化残差反而掉 1.59 dB,说明残差最小不等于重建最优。

第 4 张回答预测分数是否比条件数更能指示增益。

该对照在测量到的局部区间内比较预测与实现余弦增益的相关,另看对数条件数的相关,人物运动单独按任务内相关计算以免任务间偏移。

范围预测与实现相关对数条件数与实现相关
50 种子人物避障r 0.94,ρ 0.92ρ 0.04

该表支撑请求相关几何比整体谱统计更能预测方向收益的判断,居中后仍保持 0.77,且 27 群中 26 群为正。但区间选择依赖事后非线性响应,1439 例三群因单步线性化误差大于 1 被排除,论文明确这只是局部诊断,不是可部署的接受规则,也与复合修复中方向增益和误差减小反向的例子并存。

哪些对照证明增益来自方向而非步长

单坐标零点是最干净的可证伪对照。Z 等于 1 时,经预测目标空间移动量匹配后,1 阶与阻尼逆的潜更新在相同采样随机数下完全相同,935 对全部精确到机器精度打平。这说明多坐标下才有方向问题,也排除了实现把单坐标增益算错的可能。

运动量对照分两支。一支固定潜位移范数到 4 乘 10 的负 14 次方内 agreement,在 576 例 3 模态中 K1 在修复图像 100%、音频摘录 85%、Panda 实例 93% 上更好实现请求。另一支固定预测下游移动范数,从 1 阶经分数幂插值到逆,50 张图像每一步都改善且重建单调提升 5.34 dB。这两支共同分离了取更大步的解释:潜范数固定仍赢说明不是步大,预测移动固定仍赢说明是方向。

失败条件同样重要。音频过渡满足测量请求却让未优化的突变诊断从 9.47 升到 11.3 到 11.6 dB,带宽扩展中早停 Adam 达 12.525 dB 与 K4 的 12.730 dB 无显著配对差异,Panda 去掉避让坐标目标误差从 1.30 降到 0.70 cm 但无接触执行从 83.2% 掉到 61.9%,密集障碍 B2 上调优优化器残差 0.0446 和 0.0422 优于 K4 的 0.6364。这些反例说明目标覆盖、预算选择和执行传递会翻转排名,方向好只是链条中的一环。

结论在什么边界之外不再成立

局部模型有效性是第一边界。预测汇总的 8923 例来自事后用非线性响应筛选的 27 群体,另有 1439 例三群体因线性化误差大被排除,单独画出的实现响应很分散。论文明确不能把相关外推到大非线性编辑,复合修复 150 例中预测与余弦增益正相关 0.805 却与误差减小负相关,方向与误差是不同终点。

目标覆盖与执行是第二边界。生成保真度高不等于执行好,Panda 小请求下生成增益与执行误差减小的秩相关仅 0.11,16 cm 大请求才到 0.77,低于伺服分辨率的小改动会被跟踪衰减。符号速度请求在生成参考余弦 0.998 而机器人只执行 41%,经由点 cosine 增 0.0674 而执行无可测改善,这些都说明需要执行侧验证与独立安全 enforcement。

比较与成本是第三边界。导数计数、网络评估与墙钟分开,显式与无矩阵实现导数表示不同,通用优化器设置按先导或评估集选定,主表不是同预算排名。机器人全仿真,音频无听音,自然度、误判率、延迟都未测量,不能承诺改善。论文的补充材料记录目标、检查点、匹配规则、优化器预算、配对统计与定性选择规则,附带材料据称含代码与媒体文件,但本次未确认可公开获取的作者资源,复现应以文中协议为准。

什么时候值得试,第一步做什么,还缺什么验证

当任务能写成可微下游坐标的改动加保持,且生成器冻结、允许在固定时刻多走几次剩余采样器求导时,值得先用预测分数做诊断。若同一雅可比下目标请求的预测增益明显为正,且请求幅度接近已验证的校准尺度,一次阻尼逆可能改善方向,大请求则准备 K2 到 K4。波形保持格若本身隔离不良,或目标缺了避让、速度、骨长等约束,更 faithful 的逆反而放大不完整目标,此时应先补目标而非加深。

复现第一步是固定随机数与条件,复刻 z、Jh、d 的定义与缩放,按 0.01 乘最大奇异值平方设阻尼,先做 Z 等于 1 的幅度匹配打平检验,再做预测目标空间匹配的方向对照,最后才跑 K2/K4 并记录向量雅可比积、总遍历与网络评估 3 套计数。音频先看时频格误差与保持格泄漏,人物运动先看余弦与泄漏再看位置与抖动门限,机器人必须加执行后误差与接触率。

还缺的验证是部署前的接受规则、听音偏好、真实硬件与独立安全检查,以及理论上最大可靠转向幅度的局部性界。论文把精细逆定位为闭环扩散策略中的精度层构想,用跟踪、避让、能量或动力学残差作属性,但明确未评估,需要执行感知验证。总体看,请求相关的局部逆几何是可用的控制接口,收益受局部精度、目标覆盖与下游执行三重限制。

📎 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 2026-11-17 语音/音乐/音频论文速递