英文题目：Towards Fine-grained Audio Captioning with Multimodal Contextual Fusion
会议身份：
conference:acl:2026:conference-paper-id:2026.acl-long.1285
✅ 来源为官方会议 PDF；可重放的表格、公式文本与 Figure 像素已按 PDF 抽取结果绑定，未成功恢复的结构不作推断。
标签：#数据集 #多模态学习 #音频字幕生成 #音频检索
评分：7.0/10 | 创新 1.5/2 | 技术严谨 1.0/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1.2/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5
排名：前50% | 文档类型：数据集与基准
👥 作者与机构
- Shunian Chen：机构信息未能从会议 PDF 纯文本可靠映射
- Xinyuan Xie：机构信息未能从会议 PDF 纯文本可靠映射
- Zheshu Chen：机构信息未能从会议 PDF 纯文本可靠映射
- Owen Lee：机构信息未能从会议 PDF 纯文本可靠映射
- Liyan Zhao：机构信息未能从会议 PDF 纯文本可靠映射
- Zhan Su：机构信息未能从会议 PDF 纯文本可靠映射
- Qilin Sun：机构信息未能从会议 PDF 纯文本可靠映射
- Benyou Wang：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
音频字幕生成（Audio Captioning）需从10秒复杂混合音频输出忠实细致的自然语言描述，难点在于多声源交织、语音与音乐属性难辨以及纯音频线索常欠定。本文构建离线两阶段流水线，先由四个专用专家并行抽取语音、音乐、通用声音与视频上下文，再由推理模型综合为纯音频描述，与仅用稀疏标签或浅层视听线索的已有自动化方法形成对照。融合模块执行解析、听觉事实初判、条件性视觉纠正、歧义推理与可靠性评估，输出限定格式的纯音频字幕与听觉歧义，过滤器再用CLAP（对比语言音频预训练）余弦相似度剔除幻觉样本。经该流程构建的FusionAudio-1.2M在AudioCaps测试集文本到音频召回率R@1达到44.3%，超越1.5M至1.9M规模基线数据集训练的同结构模型；在15项理解任务上FusionAudio-high在逆境声学与细粒度组超越Gemini-2.5-Pro与GPT-4o-Audio。该结论限于短片段英文音频与AudioSet来源分布，对长音频、多语言及强噪声外推尚未验证。原文仅披露离线构建成本，未披露训练推理部署成本。
🔗 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
输入是什么，目标是什么，为什么只听音频不够？
这篇论文的输入是带声音的短视频片段，目标是为其中可听到的内容写出细粒度英文音频描述。读者需要先建立的事实是，输出被要求只描述能听到的声音及其听觉特征，不写视觉颜色位置、不引用具体对话原文，还要对不确定声源用保守措辞而非直接宣称无法判断。论文报告的产出是包含 1,200,000 条细粒度描述与 6,000,000 问答对的融合音频数据集，以及用它训练的检索编码器与理解模型。
已有自动方法多依赖稀疏标签或浅层多模态信息，论文指出这会导致缺少细节并容易产生幻觉。教学上可以这样理解：若只听 10 秒混合声，引擎轰鸣、风噪、人声很容易混在一起，单独的音频模型可能把静止摩托车误判为移动踏板车。人类则会同时看画面、听语音语气、分离音乐与环境声，再综合判断。论文把这种生物机制拆成两层，一是跨模态协同，二是听觉场景分析，前者用视觉帮助言语可懂度与声音识别，后者按时频规律把复杂声景拆成不同数据流。
下面这张示意图用修摩托车的例子把上述思想具体化，值得初学者沿箭头走一遍，理解 3 路信息如何汇成一句描述。
看图路径： 1. 先看中间人头与下方综合句，确认三路输入向一处汇聚；2. 再对比左侧声音框与右侧视觉框的词语类型差异；3. 注意顶部语音框只提供态度与存在性，不直接决定声源；4. 看底部绿字如何把修理、摩托车、信心等跨模态词连成一句
论文图 1。原论文 Figure 1：“Human auditory perception integrates multi- sensory cues.”。
图中左侧给出引擎轰鸣与风噪等声音信息，顶部给出我能做到等语音上下文，右侧给出男孩、工具、摩托车等视觉信息，中间人头表示整合，最终在底部生成男孩在户外修摩托车、引擎轰鸣为背景、话语传达信心的句子。这个例子是教学示意，不是可复现的数值实验，但它对应了后文流水线的分工：声音分支管事件，语音分支管人声存在与态度，视觉分支管候选声源，大语言模型管综合与措辞。理解这一点后，再看方法全景就不会把视觉当成直接抄进描述的证据。
同输入同目标的已有路线差在哪里？
按同输入、同目标、同监督来对照，音频描述研究分两条路线。人工标注路线以高质量著称但难以扩展，自动化路线利用网络音频的稀疏元数据或标签辅助生成，规模大但细节不足。论文把后者再细分：一类用文本标签引导，另一类引入松散关联的多模态内容。相关工作还包括对比学习与生成式音频语言模型，例如用对比目标做音频文本预训练，以及把大语言模型与音频处理结合做更通用的理解。
本工作的差异不在于提出新的检索损失或新的变换器结构，而在于构造数据的流程更深：先用多个专用模型分别理解语音、音乐、通用声音与视频，再由大语言模型做有约束的融合。论文明确指出，先前融合多为浅层，而这里要求交叉验证与主动纠正，例如只有当音频判断为含糊的隆隆声且视频明确出现飞机等可信声源时，才允许把笼统描述收窄为具体声源，否则宁可保守省略。这种安排理由在后文提示词中写得很细，初学者应把它记为可核对的方法要点，而不是一句多模态更好的口号。
要解决的判别问题与三类困难场景是什么？
论文把任务形式化为给定短音频及其伴随视频，生成纯音频英文描述，并附带纯听觉歧义标注。输入包含人工音频标签及其置信度、通用音频描述、语音识别文本、音乐描述与视频描述，输出是结构化描述或在信息极度稀缺时输出特定字符串表示不确定。关键约束是最终描述不得包含视觉元素与具体语音文本，语音文本只用于判断有人声与否及其非内容特征。
为说明何时需要多模态，论文列出 3 类场景。第一类是恶劣声学条件，包括复杂声景中的场景识别与设备或合成噪声导致的退化录音；第二类是高层语义理解，包括音乐流派情绪与声音隐含信息；第 3 类是细粒度信息识别，包括乐器、人声与声学事件的细微区分。教学例子是轰鸣声可能对应车辆或飞机，打击声可能对应打字或轻敲，若只有音频则难以区分，若视频明确出现对应声源且音频本身含糊，则可用视频收窄判断，否则必须保持保守。论文未承诺降低延迟或推理成本，相关评价留待复现部分讨论。
两阶段流水线如何从视频走到终稿？
方法全景可沿一个样本走完。输入是一段 10 秒左右的视频，先做初始人声分离，把人声与音乐分开以减少互相干扰。然后进入多模态线索抽取：语音识别模型处理人声得到转写，通用音频模型处理整段音频得到事件描述，音乐理解模型处理音乐部分得到乐器节奏情绪描述，视觉模型处理视频帧得到带时间戳的视觉描述。接着大语言模型作为整合引擎，解析各路文本、初步确定听觉事实、引入视频做条件式主动纠正、推理纯听觉歧义、评估可靠性，最后生成纯音频描述。质量过滤器再用音频文本相似度筛掉明显不匹配的样本。
下图展示了上述主路径与分支汇合位置，初学者应先看主干再看分支。
看图路径： 1. 从左侧视频与音频出发，沿虚线追踪分离与直送两条路径；2. 在中间黄框内数出四个专家模型及其输入标注；3. 再看右侧大语言模型到质量过滤器再到终稿的箭头方向
论文图 2。原论文 Figure 2：“Overview of our multimodal audio captioning pipeline.”。
从像素可见，左侧视频分出音频与视频两条虚线，音频先经音频轨道分离再分出人声、整段音频与音乐 3 路，分别进入语音识别、音频描述、音乐描述模型，视频直送视频描述模型，4 路文本再汇入右侧大语言模型驱动的合成模块，随后经质量过滤器得到终稿，过滤器还回连音频做相似度校验。这种布局的教学意义在于，视觉从不直连终稿，必须经过语言模型的条件式校验，这正是控制跨模态干扰的结构保证。原文未给出分离模型的具体阈值与梯度路径，复现时只能按调用现成预训练模型理解，不应从模型名称推定其内部实现。
四个专家与融合提示词各自做什么？
4 个专家的分工在原文中有明确点名。语音部分用自动语音识别模型，音乐属性用音乐理解模型，通用声音用音频理解模型，视频信息用视觉模型。融合与问答生成用推理型大语言模型，模态用量标注与语义多样性统计用轻量模型辅助。提示词设计是本方法的核心计算之一：视频提示词要求只描述可见元素与时间戳，避免臆测声源；音频提示词要求详细但不联想；融合提示词则规定优先级，高置信度人工标签最优先，其次是音乐中的音乐部分与音频描述，再次是语音存在性，最后是低置信度标签与音乐中的非音乐描述。
听觉场景分析 × 多模态线索融合： 听觉场景分析负责把混合声按时频规律拆成语音、音乐、环境声等数据流，多模态线索融合负责引入视觉等非听觉证据来消解同类声音的歧义，二者搭配的原因是仅靠声音难以确定声源而仅靠视觉又会引入不可听内容，组合后由大语言模型在文本层做交叉校正，新增作用是得到更具体又仍只描述可听内容的标题。
融合步骤还规定了严格禁令：不得输出视觉位置形态与屏幕行为，不得引用改写或总结语音文本，不得把音画不一致直接写成歧义条目，只能在内部标记并转为保守措辞如听起来像、可能是。若判定听觉事实极度稀缺或各路严重冲突，则直接输出预设的不确定字符串而非强行生成。这种保守策略是理解后文丰富性与准确性权衡的关键。
自动语音识别 × 音频描述： 自动语音识别负责判断是否有人声及其非内容特征并辅助推断场景情绪，音频描述负责给出声音事件与环境声的事实基础，二者搭配的原因是语音转写文本不可直接写入最终描述但能纠正把人声误判为噪声的情况，组合后以音频标签与描述优先、语音存在性为辅的优先级裁决，新增作用是保留人声特征同时杜绝引用具体对话内容。
幻觉评分 × 对比相似度过滤： 幻觉评分负责人评判断描述中不可听或矛盾内容的比例，对比相似度过滤负责用音频与文本嵌入余弦相似度做自动筛选，二者搭配的原因是人工逐条检查 1,200,000 条不可扩展而纯自动阈值需要与人评对齐，组合后以略重召回的分数选定阈值并丢弃低分样本，新增作用是以约百分之几的丢弃率去除明显图文不匹配。
初学者复述时应强调，视频只在音频含糊且视频证据清晰时才用于收窄声源类型，若高置信度标签已明确具体类型，则不再做视频主动纠正。这一条件是可核对的，不要简化为视频总是有帮助。
没有新结构时，训练与构造的真实计算是什么？
本研究没有提出新的神经网络结构，训练一词在这里指两类下游复用与一类数据集构造。数据集构造是 1 次性离线成本，可并行：专用模型在全量数据上各跑 1 次，大语言模型与视觉语言模型按每样本 token 量计费。下游训练则沿用已有结构，检索用分层音频变换器加文本编码器做对比学习，理解用已有音频语言模型做指令微调。论文明确报告了优化设置，初学者应按原值记录，不自行换算或四舍五入。
对比学习预训练 × 音频文本检索： 对比学习预训练负责把音频编码器与文本编码器的配对样本拉近、非配对样本推远，音频文本检索负责用文本找音频和用音频找文本来检验对齐质量，二者搭配的原因是细粒度描述提供了更具区分度的正样本，组合后先在融合音频数据上预训练再在标准集上微调，新增作用是让模型能区分相似音频的细微差别。
指令微调 × 音频理解： 指令微调负责让生成模型按问答指令回答场景、音乐、细粒度实体问题，音频理解负责在恶劣声学、高层语义和细粒度 3 类任务上度量回答正确性，二者搭配的原因是仅有描述文本不能直接证明问答与推理能力，组合后用统一数量的问答对微调同一基础模型再对比，新增作用是检验每条描述的信息密度是否转化为下游问答优势。
下表整理原文明确给出的 3 段训练配置与硬件预算，便于复现时一一对照。比较问题是不同阶段的学习率、批量与轮数是否一致，公平条件是后文检索对比对所有数据集采用相同 2 阶段协议。
| 阶段 | 学习率 | 批量大小 | 训练轮数 | 任务与结构 |
|---|---|---|---|---|
| 检索预训练 | 5e-5 | 196 | 15 epochs | 对比学习，音频文本编码器 |
| 检索微调 | 1e-5 | 196 | 20 training epochs | 在标准集训练划分上全参数微调 |
| 理解微调 | 5e-5 | 128 | 2 training epochs | 通用音频理解模型指令微调 |
| 硬件预算 | 8 NVIDIA A800 80 GB GPUs | 8 NVIDIA A800 80 GB GPUs | 8 NVIDIA A800 80 GB GPUs | 服务器配置 |
表后需要说明代价与边界。检索 2 阶段都用了较大批量与多轮训练，理解微调轮数少但每轮问答对密集。硬件为 8 卡 80 显存服务器，论文未报告单步耗时与推理延迟，因此不能从训练资源推定系统输出确定或响应更快。未报告梯度是否冻结、优化器类型与学习率衰减，这些是具体缺项，复现时需按原文引用结构默认配置补齐并明确标注为自行补充，而非论文原值。
数据、划分、指标与人工评价如何组织？
数据方面，融合音频数据集以 1,200,000 条描述与 6,000,000 问答对为规模特征，音频类别以音乐与语音为主，超过半数样本整合至少两种模态。描述长度显著长于已有数据集，语义多样性在乐器情绪流派上覆盖更高。划分上，检索实验先在各源数据集上预训练再在标准集训练划分上微调，最后在官方测试集上报告双向召回。理解实验把训练数据归一化到 25000 个问答对，此时融合音频仅需 9000 个独特音频片段而基线通常需 25000 个，以此体现每片段信息密度。
指标方向需分清：召回率越高越好，分类准确率越高越好，平均精度越高越好，模型裁判分越高越好，幻觉分按 1 到 5 分越高表示越好即幻觉越少，细节分按 1 到 3 分越高表示越细。人工评价招募 5 名有英语教学背景的评估者，共评估 1300 个样本，每样本被 2 人评分，从细节与幻觉 2 维打分。幻觉标注先由模型标出待核查短语，再由人工按正确、可疑、幻觉赋 0、0.5、1 分并换算成百分率映射到 1 到 5 分。
下表总结过滤阈值的选择逻辑，初学者应注意正负类定义与召回偏好。
| 条件 | 指标与阈值 | 正类定义 | 负类定义 | 结果 |
|---|---|---|---|---|
| 余弦相似度过滤 | Threshold 0.08 | hallucination scores ≤ 2 | scores > 2 | exact match rate: 88.3% |
| 优化目标 | F 1.05 score | captions to discard | captions to retain | 7.3% filter rate |
| 人工依据 | annotators as ground truth | prioritizes recall | removing hallucinated content | 自动筛选 |
该表显示阈值选择以人评为真值，用略重召回的分数兼顾精度与召回，目的是优先去除高幻觉样本，即使误伤部分可接受样本。代价是约百分之几的过滤率，收益是去除明显音文不匹配。论文未测量误判率随阈值变化的完整曲线，复现时若改阈值需重新与人评对齐，不能直接沿用。
主结果在什么条件下支持什么判断？
检索问题测的是给定描述找音频与给定音频找描述的能力，对比对象包括小规模人工集与多个大规模自动集，条件一致处在于都经过相同 2 阶段训练并在同一测试集上报告。论文报告融合音频训练的模型在所有召回指标上领先，支持的判断是更细的描述带来更强的区分能力，限制是该结论依赖官方测试集的分布，若换领域需重新验证。理解问题测 3 类 15 项任务，论文报告在恶劣声学与细粒度上超越闭源通用模型，在高层语义上仍落后于具有丰富世界知识的大模型，这是一个重要的未胜出项，说明世界知识不是仅靠音频描述能补足的。
下图从分布层面解释为何有上述收益，初学者应先读图例再判断好坏。
看图路径： 1. 先看左列条形图中音乐与语音的百分比高度差；2. 再看中上标题长度分布里各数据集峰值左右位置；3. 对比右下四种标题类型的用量高低顺序
论文图 3。原论文 Figure 3：“Key statistics of FusionAudio-1.2M: (a) Proportion of top 5 audio labels from AudioSet; (b) Caption length comparison with existing datasets; (c) Diversity of semantic content…”。
从像素可见，左列音乐占比最高约 40%，语音约两成多，吉他与车辆等远低于前两者；中上长度分布中融合音频峰值最靠右且拖尾最长，表明描述更长；中下相似度分布峰值在 0.2 到 0.3 之间；右下用量中音频几乎全用，视频、语音、音乐各约四到 60%，超过半数样本用至少两种模态。这些分布支持信息更丰富的判断，但相似度分布本身不是好坏的绝对标准，需结合下游任务看。
为满足定量对照要求，下表给出经原文结构化证据核对的缺模态标题质量对照，分数方向为越高越好。表前比较问题是去掉任一模态后细节与幻觉如何变化，公平条件是同一样本重生成并盲评，指标方向已在表注说明。
| Setting | Hallucination | Detailness |
|---|---|---|
| All modalities | 3.06 | 2.79 |
| w/o music | 3.82 | 2.18 |
| w/o speech | 4.11 | 2.29 |
| w/o video | 3.98 | 2.19 |
表后解释需同时讲收益与代价。全模态细节最高而幻觉分最低，去掉任一模态后幻觉分上升但细节下降，表明少模态更保守通用而多模态更丰富但风险略高。然而下游检索与理解仍以全模态为优，说明新增信息的价值超过幻觉小幅上升的代价。未胜出项是单看幻觉分时全模态并不占优，若只优化幻觉分会误选保守模型，这是不能把单一自动指标当成人评整体的典型例子。
拿掉一路信息或换掉融合器会发生什么？
消融问题分 3 组：拿掉辅助模态、换掉合成模块、去掉过滤器。论文在 2.5 万规模子集上用相同训练流程比较，报告去掉视频下降最大，去掉音乐与语音也有下降，唯有一项任务上去掉语音略有提升，论文将其解释为恶劣声学下转写噪声可能有害且该任务更依赖非语音分析，这属于有限解释而非因果证明，复述时应用可能一词。过滤器去掉后多项任务下降，支持其去除明显不匹配的作用。合成模块替换中，用推理能力稍弱的模型平均下降约 1 分，用规则模板合并则在仅用音频加音乐时下降近 4 分，支持大语言模型合成对跨模态整合的必要性。 下图展示数据规模效应，初学者不要把末步结果推广为全程线性。
看图路径： 1. 先看上图理解任务平均分随数据量从 1.25k 到 80k 的变化斜率；2. 再看下图两条融合音频曲线与其他散点在同等规模下的上下关系；3. 注意横轴为对数或指数刻度，不要把等距误读为线性增长
论文图 4。原论文 Figure 4：“Scaling result of understanding and retrieval tasks.”。
从像素可见，上图理解平均分从 1.25k 到 5k 上升最陡，之后到 20k 与 80k 增益变缓；下图两条融合音频曲线随规模单调上升且在同规模下高于其他散点，但不同数据集规模与描述风格不同，不能把散点高低直接读成同条件胜负。总体趋势支持更多数据提升能力，但不等于每组每步都同等提升。
下表整理缺模态时细节与幻觉的相对变化，所有数字均有原文连续句覆盖。表前问题是丰富性与准确性的权衡幅度，公平条件是 100 个随机片段重生成与盲评，指标方向为幻觉分与细节分越高越好。
| 条件 | 细节分 | 幻觉分 | 相对变化 | 样本与量表 |
|---|---|---|---|---|
| 全模态 | 2.79 | 3.06 | 基准 | 100 randomly sampled clips |
| 缺音乐或语音或视频 | 2.18–2.29 | 3.82–4.11 | detailness by 22–28% | 1–5 scale, 1–3 scale |
| 变化方向 | improve detailness | reducing hallucination score | 22–28%, 20–25% | blind human evaluation |
| 评估标准 | same detailness criteria | same hallucination criteria | richer vs conservative | higher is better |
| 结论指向 | multimodal fusion richer | slightly higher risk | outweighs increase | downstream better |
表后解释是，全模态细节比分高出两到 30%，幻觉分低两到 30%，但下游仍更优，说明自动过滤与保守措辞未能完全消除幻觉，信息增益仍占主导。代价是若应用对幻觉零容忍，需额外人工核查或提高阈值，这会损失细节。
下表整理模态与融合器消融的平均下降幅度，用于回答何时值得保留视频与推理型合成器。
| 变体 | 对比基准 | 平均变化 | 任务范围 | 证据指向 |
|---|---|---|---|---|
| 去音乐 | 全模态 | -0.76 for Music | average | Figure 3e usage |
| 去视频 | 全模态 | -1.18 for Video | average | largest decline |
| 去语音 | 全模态 | -0.93 for Speech | average | adverse noise |
| 换较弱推理模型 | QwQ-32B | 1.04-point average drop | three AIR-Bench groups | all four modalities |
| 换模板合并 | LLM synthesis | 3.93-point average drop | audio plus music only | rule-based merger |
该表显示视频缺失平均下降最大，与其在数据中的高用量对应，支持视觉上下文关键的判断；模板合并下降远大于换模型，支持必须用大语言模型做合成、更强推理进一步增益的判断。反例是语音消融在个别任务上不降反升，复现时若只测该任务会得出相反结论，因此必须报告 3 类平均而非单项最优。
哪些边界尚未验证，不能承诺什么？
论文明确列出四项局限。第一，自动生成仍可能引入幻觉或错误，即使有人评与自动过滤；第二，流水线聚焦 10 秒短片段，对更长更复杂音频的适用性有限；第三，多模态融合纳入了语音音乐视觉与通用音频，但模态间相互作用与加权尚未深入探索；第四，描述主要为英文，对其他语言的应用受限。
从证据等级看，前两项是直接报告的边界，后两项是未验证的推测空间。相关性不等于因果，例如用量高的模态消融下降大，支持重要性但不能证明加权最优。未测量的量包括推理延迟、输出帧率、实际部署成本与误判率，论文未声称这些得到改善，复述时不得承诺。此外，资源状态方面，未发现来源绑定且完成验证的公开代码模型或数据链接，因此不能声称代码模型或数据已公开，只能讨论论文内报告的离线构造与训练流程。
复现先做什么，需要哪些信息条件？
复现应先做最小闭环：取带音频的短视频，按原文点名的 4 类专家分别生成语音转写、通用音频描述、音乐描述与带时间戳的视觉描述，再用融合提示词的优先级与禁令生成纯音频描述，最后用余弦相似度阈值过滤。关键超参数与信息条件是检索预训练与微调的学习率批量轮数、理解微调的批量轮数、过滤阈值与人评映射，以及视频只做条件式纠正的规则。缺失项需自行记录：分离模型参数、优化器与衰减、解码温度除理解推理外多未给出、嵌入模型版本。
建议先在小规模子集上复现缺模态对照与过滤对照，检查细节上升与幻觉下降是否同向，再扩大到规模曲线。人工核查至少覆盖高幻觉风险样本，不能仅看平均分。若改动阈值或换合成模型，需重新做人评对齐，否则无法比较。硬件上按 8 卡 80 显存为参照，若资源不足应减小批量并注明条件不一致。最后，引用图注与正文时明确归因，不要猜测像素无法辨别的精确数值与曲线步数。
何时值得尝试这种融合，还需补哪项验证？
当任务音频本身含糊且伴随视频能提供明确声源、同时需要区分乐器情绪与细粒度事件时，这种先分离专家再由大语言模型有约束融合的路线值得尝试。当音频已很清晰或视频与音频明显无关时，视频帮助有限且可能引入噪声，此时保守省略比强行融合更稳妥。是否采用还取决于能否承担离线专家成本与人工核查成本，若对幻觉零容忍，需把阈值调严并接受细节损失。
还需补的验证包括长音频与多语言上的效果、模态加权策略的系统比较、以及在真实部署中的延迟与成本测量。初学者应记住的核心判断是，细粒度收益来自更丰富的可听事实与更谨慎的措辞共同作用，而非单纯把描述写长。重提检索与理解结果时，应补充上述适用条件：同分布同协议下成立，换领域、换阈值、换合成器后需重新评估。
⚖️ 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