谁在何时说了什么：用双流解耦与数字时间锚做联合识别与 diarization

英文题目：TagSpeech: End-to-End Multi-Speaker ASR and Diarization with Fine-Grained Temporal Grounding

会议身份：conference:acl:2026:conference-paper-id:2026.acl-long.1938

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#会议转录 #端到端学习 #语音 #语音识别 #说话人分离标注

评分：6.7/10 | 创新 1.4/2 | 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 1.0/1.5 | 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：方法研究

👥 作者与机构

• Mingyue Huo：机构信息未能从会议 PDF 纯文本可靠映射
• Yiwen Shao：机构信息未能从会议 PDF 纯文本可靠映射
• Yuheng Zhang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

任务输入为会议远场混合波形的80维对数Mel频谱，输出为同时携带转写文本、说话人身份与起止时间戳的结构化序列，难点在于频繁重叠、快速轮次切换以及语义连续性与说话人切换错位。方法先用解耦双流编码器分工：语义流经序列化输出训练学习多说话人轮次动态，说话人流保持内容不变的判别性，两路输出同步送入下一步对齐。接着两路特征经两层投影器映射到大语言模型空间，并按固定8帧间隔交织插入数字时间锚点，将双流同步为带细粒度时间接地的统一输入。然后输入输出均采用XML风格共享标签显式对齐文本通道与说话人通道，冻结Qwen2.5-Instruct-7B主干而仅训练轻量投影器做自回归生成。与依赖外部聚类或仅做说话人归属转写的级联方法不同，该机制直接复用大语言模型已有数字token而无需扩展词表，强制内容、说话人与时间在生成中联合对齐。在AliMeeting基准下，TagSpeech的DER为22.13%，低于Pyannote 3.1+Whisper-large-v3级联基线的DER 26.13%。其适用边界为话轮组切分的中英文会议场景，极短或超长语音及跨语言零样本转写为失败条件，跨数据集外推尚未验证。在H200硬件上仅训练投影器的训练成本约为3小时收敛，但自回归解码的延迟仍高于级联判别系统。

🔗 开源与复现资源

• 第三方资源：https://huggingface.co/Qwen/Qwen2.5-Omni-7B — 暂时无法访问
• 第三方资源：https://huggingface.co/Qwen/ — 暂时无法访问
• 第三方资源：https://huggingface.co/pyannote/ — 暂时无法访问
• 第三方资源：https://huggingface.co/openai/ — 暂时无法访问
• 第三方资源：https://huggingface.co/microsoft/wavlm-large — 暂时无法访问
• 第三方资源：https://github.com/BYVoid/OpenCC — 暂时无法访问
• 第三方资源：https://ai.google.dev/api/generate-content# — 暂时无法访问 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，输出要保留什么？

输入是一段多人会议的原始波形，包含自发对话、房间混响、快速抢话与大比例重叠。目标不是只给出一段文字，而是同时回答说了什么、谁说的、何时说的。必须保留的信息有 3 类：按时间排序的文本内容、与内容绑定的说话人编号、每句话的开始与结束时间。缺少任何一类，后续都无法做可核对的会议记录或按说话人拼接的词错误率评价。

白话说，自动语音识别解决听写问题，说话人 diarization 解决谁在何时说话的问题。英文缩写 ASR 指前者，DER 指后者的错误率，包含漏检、虚警与说话人混淆三部分。传统做法把两者拆成多步：先做语音活动检测切出有声段，再分别做说话人聚类与识别，最后拼接。论文图 1 展示了这种拆分带来的风险。

级联流水线 × 端到端联合解码： 级联流水线指语音活动检测、说话人嵌入、聚类、识别与后处理拼接依次执行，端到端联合解码指由一个大语言模型直接从波形生成带说话人与时间戳的结构化转写，前者每个模块独立优化因而误差会传播且说话人与文本需要启发式对齐，后者用统一输入输出格式避免拼接，因此论文把是否显式输出时间戳作为区分真联合 diarization 的标准。

下面这张图对比了传统级联与本文端到端在结构与输出上的差异，上路有多分支与后处理拼接，下路只有一个联合模型直接给出带时间与说话人的文本，图中示例特意保留了重叠时间段以说明任务难度。

看图路径： 1. 先看上半部分从波形经语音活动检测到说话人嵌入与聚类再到识别的两条分支；2. 再看下半部分单个联合模型直接输出带时间段与说话人编号的三行示例；3. 对比上下两路在融合位置标注的误差传播与错配文字；4. 注意示例中第二与第三段在时间上重叠但标签不同

论文图 1。原论文 Figure 1：“Comparison between a conventional cascaded pipeline (top) and our end-to-end framework TagSpeech (bottom) for multi-speaker speech processing.”。

从像素看，上方面板从左侧波形进入语音活动检测，再分叉为说话人嵌入加聚类与识别两路，最后汇入拼接后处理，右侧明确标出误差传播、说话人与文本错配、聚类混淆 3 类问题。下面板只有一个联合模型，右侧输出示例为 0.00 至 2.18 说话人 1、2.10 至 3.00 说话人 2、2.22 至 5.26 说话人 3，第二段与第 3 段在时间上重叠，这正是级联系统难以对齐而端到端要直接建模的情况。理解该图后，才能明白后文为何强调显式时间戳与同步机制。

已有路线在输入目标与监督上如何划分？

按同输入、同目标、同监督来划分，已有工作可分为 3 类。第一类是不用大语言模型的专用系统，例如基于聚类的 diarization 或基于端到端神经 diarization 的帧级多标签分类，它们能输出精确时间但通常不直接给文本。第二类是多说话人识别路线，包括排列不变训练与序列化输出训练，前者解决输出顺序置换问题，后者把重叠语音按时间串成一条带切换符的序列，能处理重叠识别但本身不输出时间戳。第 3 类是近期的大音频语言模型，用语音编码器加投影层加大语言模型做统一解码，多数只做到说话人归属转写而无显式时间，因此无法用严格 diarization 错误率评价。

论文用一张对照表说明这种差异：只有 TagSpeech 同时显式输出转写、说话人与时间戳。相关工作的另一条线是时间感知。视频大模型发现交错的文本时间戳比复杂的位置编码更有效，音频领域则有人引入帧级对齐模块或专用时间词元，但需要扩词表或额外编码器，难以推广到多人快速轮替。TagSpeech 的选择是保持词表与模型结构不变，只插入可复用的数字词元作为时间参照。

教学例子：假设 2 人在 2 秒附近同时说话，专用 diarization 可能给出两个重叠的时间段但无文字，序列化输出训练的识别可能给出两句话但无时间，大语言模型基线可能为了避免重叠而把第二句话的开始时间硬推到第一句话结束后，这就是后文要讨论的线性偏置。例子不附加数值，只说明 3 类输出在信息完备性上的差别。

论文把联合任务定义成什么可验证形式？

论文把任务定义为学习从波形到结构化序列的映射，每个输出词元属于包含语义文本、说话人标识与时间戳标记的统一词表。验证标准是显式的：文本用词错误率或字错误率衡量，说话人与内容绑定用按说话人拼接后的最小置换词错误率衡量，时间精度用无宽容 collar 的 diarization 错误率衡量，并包含重叠区。说话人数量准确率与输出格式失败率作为辅助可靠性指标。

说话人归属识别 × 带时间戳的 diarization： 说话人归属识别只回答每句话是谁说的而不给起止时刻，带时间戳的 diarization 还要求回答每段语音在何时开始结束并能用 diarization 错误率评价，前者无法衡量毫秒级边界与漏检，后者需要显式的时间建模，因此论文强调许多自称联合 diarization 的工作实际只做了前者，而 TagSpeech 要同时输出内容、说话人与时间。

论文指出的两个根本错位是：连续毫秒级声信号与离散高层语义词元之间存在粒度错位，没有显式线索难以做细粒度时间推断；语义连续性与说话人切换常常不对齐，联合编码会纠缠谁说与说什么。因此方法必须同时解决表示解耦与时间接地，而不能只靠更强的语言模型解码。

TagSpeech 让一个样本走完怎样的主路径？

沿一个话语组样本走一遍。输入是 80 维对数梅尔谱，帧移 10 毫秒。同一份谱同时送入语义编码器与说话人编码器，得到两路连续表示。两路各自经两层多层感知机加 4 倍下采样投影到大语言模型维度，压缩后帧率约为 6.25 赫兹。再以固定间隔向两路插入相同的数字时间锚，输入端用文本标签与说话人标签包裹两路特征，目标端镜像地生成文本块与说话人块，大语言模型自回归生成带时间段的转写与带时间属性的说话人标签。

下图是该流程的像素总览，左侧为话语组与序列化训练示意，中间为双投影与交错锚，右侧为结构化输出，红色虚线强调 2 流在相同锚位置同步。

看图路径： 1. 从左侧话语组输入沿两条分支分别经过语义编码器与说话人编码器到各自投影层；2. 观察中间输入框中上下两排特征以相同间隔插入的红色时间锚位置；3. 跟踪右侧输出框中文本块与说话人块如何分别携带相同的时间段

论文图 2。原论文 Figure 2：“Overview of TagSpeech, an end-to-end multi-speaker ASR and diarization framework.”。

从像素看，左侧上方虚线框标出序列化风格的 3 段话语连接方式，下方示意两说话人的重叠话语组。中间语义编码器标注经序列化微调，两个投影层标为可训练，输入框中蓝色语义条与绿色说话人条在相同横向位置有红色锚线对齐，下方文字说明锚为可被分词的数字。右侧输出框上半为带时间前缀的三行文本，下半为带起止属性的两个说话人标签，文本时间与说话人时间一一对应。这张图说明解耦发生在编码端，同步发生在特征端，对齐发生在输出端，三者缺一不可。

双编码器各自负责什么计算？

两个编码器共享 Zipformer 结构但参数与训练目标不同，输出下采样到 25 赫兹、隐维度 768。语义编码器先在多说话人数据上用序列化输出训练微调，参考转写按时间排序并用特殊切换符连接，使编码器学会轮次与重叠模式。说话人编码器采用预训练的通用语音编码器，经说话人、性别、年龄与情感等多任务预训练，目标是内容不变而身份可分。投影层把两路表示映射到大语言模型维度并再压缩到 6.25 赫兹。

语义编码器 × 说话人编码器： 语义编码器负责从重叠语音中恢复说了什么与轮次顺序，说话人编码器负责提取与内容无关但可区分身份的声纹特征，二者并行处理同一梅尔谱是因为把内容连续性与说话人切换混在同一表示中会互相干扰，解耦后各自经投影层对齐到大语言模型空间，再由时间锚同步，才让模型能同时判断内容与身份。

序列化输出训练 × 轮次动态： 序列化输出训练是把按时间排序的多人转写用说话人切换符连接成一条序列作为训练目标，轮次动态指谁先说、谁打断、何时重叠的时序模式，前者为语义编码器提供显式的多说话人监督，使其在编码阶段就学会重叠感知与切换检测，从而减轻下游大语言模型从纠缠音频中推断轮次的负担。

时间锚点 × 双流同步： 时间锚点是以固定帧间隔插入特征序列的数字词元，双流同步指语义流与说话人流在相同位置插入相同锚点以保持帧对齐，前者利用大语言模型原有的数字推理能力提供绝对时间参照，后者保证两路特征在解码时对应同一物理时刻，组合后模型才能把文本、说话人标签与起止时间绑定输出。

具体到可复述动作：取同一梅尔谱并行前向得到两组特征；语义分支的训练监督来自带切换符的序列化文本，说话人分支的判别性来自预训练保留的身份嵌入；推理时 2 分支均冻结，只训练投影层；插入锚的间隔在主实验中取 8 帧，对应约 1.28 物理秒，多位数字会被分词器拆成单个数字词元，因此只需预缓存 0 至 9 的嵌入。这种安排的理由在原文中明确写出：编码器侧优化比微调大语言模型更高效且可扩展，而数字锚复用已有数值推理能力，无需改词表。

只训练什么、冻结什么、用什么目标？

训练目标是标准的自回归负对数似然，给定结构化输入预测目标序列的每个词元。参数策略是参数高效的：大语言模型主干、经序列化微调的语义编码器与说话人编码器均冻结，只从零训练两个投影层，总可训练量约为 47.72M。优化器用 Adam，初始学习率 0.001，配合 eden 调度与热身，启用混合精度与贪心解码，训练时做桶式采样与 SpecAugment，不做变速扰动。数据以话语组为单位，相邻无间隙的话语合并为一个样本，最大输入时长 80 秒。

需要指出的缺项是：原文未报告梯度是否回传到编码器以外的细节之外的其他路径，也未给出多轮消融的随机种子方差，主结果为固定种子的单次运行。复现时应先按冻结主干只训投影层的设定搭建，若改动编码器或引入低秩适配则已超出原文验证范围。推理对长录音采用分块解码策略，但原文承认自回归生成仍慢于非自回归判别模型，不适合严格实时场景。

时间锚的不同形式成本差异何在？

论文在固定 8 帧间隔下比较 4 种时间线索，从隐式连续嵌入到显式符号表示。比较问题是：大语言模型解码器是否更受益于可解释的离散标记，以及数字与文本时间戳在词元开销上的差别。下表整理原文报告的对照，diarization 错误率与拼接词错误率越低越好。

表后解释需说明未胜出项：文本锚在该点略优于数字锚，但每个锚需 4 至 6 个词元且需额外压缩工程，长会议成本显著上升；正弦嵌入直接加到隐状态反而最差，说明连续信号不如显式符号易被解码器利用。数字锚以最低开销达到相近精度，因而更具可扩展性。该结论只在固定间隔与英语集上验证，不能推广为所有密度下文本锚都不值得尝试。

在什么数据、切分与指标下比较？

数据为 AMI 英语会议的单远场麦克风子集与 AliMeeting 普通话会议的远场子集，均取多通道中的第一通道，覆盖自发多方对话与频繁重叠。训练量分别为约 65 小时与 103 小时，验证与测试各有数小时与数千样本。评测时过滤短于 0.5 秒与长于 80 秒的极端样本，约占总时长 5%，以保证大模型基线在不稳定长输入下可比。

指标方向要记清：diarization 错误率、拼接最小置换词错误率与全局词错误率越低越好，说话人数量准确率越高越好，失败率指不可解析输出占比越低越好。diarization 错误率主结果用 0 秒 collar 的严格版以反映边界精度，附录另给 0.25 秒 collar 以便与文献对比。普通话用字错误率，英文用词错误率。基线包括端到端的 Gemini、Qwen2.5-Omni、Qwen3-Omni 与级联的 diarization 加大词汇识别流水线，比较时统一在各自数据集内训练与评测。

资源可达性方面，原文脚注给出代码地址与多个第三方模型链接，但本次核对中这些外部链接状态为暂时不可达，因此不能写已公开可用，只能说原文声明了地址而本次未能确认可达。复现应以论文正文的超参数与切分描述为准，不依赖外部权重可下载的假设。

基线提示与后处理如何保证可比？

为保证可比，论文对基线做了显式约束。Gemini 用结构化 JSON 提示并要求保持话轮完整、不为避重叠而切分，若返回截断则记为失败；普通话输出若含繁体则经转换后再评价。Qwen 系列关闭语音生成、固定最大新词元并把类字幕时间格式归一化。级联用专用 diarization 流水线切分后再用大词汇识别逐段解码，并同样统一简繁。

附录还给出 0.25 秒 collar 的结果以便与文献对齐，趋势与严格 collar 一致。这些细节说明比较的公平性建立在相同切分、相同语言选项与相同后处理上，复现时遗漏任一项都会引入偏差。

主结果在什么条件下支持什么判断？

要回答的核心问题是：在相同远场会议条件下，统一端到端模型能否在 diarization 精度上超过强端到端基线并保持识别可用，同时失败率更低。公平条件是同一数据集内切分、同一话语组构造、同一严格 collar 与重叠计入的 diarization 错误率，以及按说话人拼接与按时间拼接的两类识别指标。下表整理主结果中的关键行，指标方向为 diarization 错误率与词错误率越低越好，说话人计数准确率越高越好。

表后解释需要同时给出收益与代价。报告显示 TagSpeech 在所有端到端基线中 diarization 错误率最低，在普通话集上还低于专用级联，而在英语集上比级联高约 1.8 个百分点；说话人计数准确率在两集均为最高，失败率明显低于大基线，说明输入输出模板提升了稳定性。代价是内容识别并非最优，且在非重叠区的时间边界精度不如带专用语音活动检测的级联。原文进一步按重叠与非重叠分区报告：在重叠区 TagSpeech 大幅优于级联，在普通话重叠区有近 20 个百分点的绝对改善，这支持时间锚与双流对重叠建模有效的判断，但不等于每段时长与每种说话人数下都成立。

下图用时间线直观展示线性偏置问题，同一密集重叠样本下参考存在并行色条而基线只给串行色条。

看图路径： 1. 自上而下对比参考、TagSpeech 与两个基线在同一时间轴上的色条排布；2. 注意参考中蓝色与绿色长条在 3 秒附近存在明显重叠；3. 检查基线色条是否首尾相接呈串行而缺少重叠段

论文图 6。原论文 Figure 6：“Visualization of diarization timelines on a challenging sample with dense overlap. Baselines avoid overlapping timestamps, revealing a linearity bias.”。

从像素看，第一行参考中蓝色长条从 0.02 延续到 3.65，绿色长条从 3.01 延续到 7.19，粉色短条点缀其间，多处横向重叠。第二行 TagSpeech 保留了类似的并行结构，蓝色到 3.95，绿色从 2.98 延续，粉色从 4.09 延续，虽边界有偏移但重叠关系正确。第三四行基线色条被切成首尾相接的小段，无并行重叠，且 Gemini 行明显偏短伴随幻觉风险。该图支持的判断是：显式锚与序列化编码有助于恢复重叠时间线，而仅靠提示词难以纠正大模型的串行偏置；限制是这只是单样本可视化，不能替代分区 diarization 错误率的统计结论。

跨语言与极端输入暴露了什么边界？

除核心结果，论文特有的两类细节值得展开。一是零样本跨数据集泛化，把英语训练的模型直接测普通话，反之亦然。报告显示时间定位保持可用而内容识别崩溃，拼接错误率超过 100%，定性表现为模型只生成训练语言的假设。这支持时间接地表示具有语言无关性，而冻结的大语言模型内部语言先验很强，未来需用低秩适配增强语言泛化。二是按时长与说话人数分组的完整结果：极短与超长话语最难，基线在极短输入上幻觉严重。

说话人数越多各项指标越差，大基线对 3 人以上计数的敏感性明显不足；级联在不同时长下方差较小，但在秒级 backchannel 上常因检测不到说话人而直接影响下游识别。

教学提醒：跨语言实验中 diarization 数字只在成功解析样本上计算，失败率差异很大时不能直接比较绝对值，需看公共成功子集。百分点差值与相对百分比不同，原文约 28% 与 36% 的相对改善是相对于强端到端基线的总体描述，不等于每组都有同等幅度。

双流与序列化微调哪部分真正起作用？

要回答的第二个问题是：若去掉双流或换掉语义编码器的训练方式，性能如何变化。比较条件固定说话人编码器与评测集，只改变语义侧结构或训练数据。下表聚焦英语集上的编码器消融，失败率与错误率越低越好，准确率越高越好。

表后解释要包含未胜出项。报告显示单编码器即使使用经序列化微调的同一结构，diarization 仍明显更差；用通用大语音表示的单编码器失败率超过 20% 且识别崩溃，说明内容与身份共用表示时会互相干扰。双编码器下，仅用现成识别编码器已有改善，域内单人切分微调进一步改善，而域内多说话人序列化微调取得综合最优，在普通话集上增益更大，可能与该集重叠比例更高有关。该结论支持语义预对齐对说话人切换检测的重要性，但原文未验证若同时微调说话人编码器会如何，因此不能推广为双流已达上限。

第三个要验证的是锚密度与锚形式的权衡，比较问题是多密的数字提示才既给时间又不打断语义。下图把 diarization 错误率拆成漏检、虚警与混淆 3 段，横轴为锚间隔。

看图路径： 1. 先确认纵轴为 diarization 错误率百分比且每根柱由漏检、虚警、混淆三段堆叠；2. 比较横轴锚间隔从密到稀时蓝色漏检段高度的变化趋势；3. 观察间隔为 8 附近总高度最低而两侧均升高的 U 形

论文图 3。原论文 Figure 3：“The miss rate accounts for the dominant vari- ation in DER across anchor intervals, indicating that time anchors improve diarization primarily by reducing missed speaker activity.”。

从像素看，纵轴为百分比，蓝色漏检段占主体，黄色虚警与绿色混淆相对稳定。当间隔从 1 增大到 8 时总高度下降，超过 16 后蓝色段急剧增高，总高度回升呈 U 形，间隔 8 附近最低。这支持原文的机制解释：过密锚淹没语义与说话人流的潜在结构，过稀锚则时间接地不足，增益主要来自减少漏检，包括静音误判与重叠区漏说话人。另一组对照显示正弦嵌入最差，固定占位符次之，文本时间戳略优但需更多词元，数字锚以 1 至 2 个词元达到相近效果，因此论文选择数字锚是成本与精度的折中，而非精度上全面碾压。

哪些量没有被测量，不能承诺什么？

论文明确报告的局限有 3 类。数据规模与泛化方面，两集训练量有限，未在大规模合成数据上验证扩展行为，偶发的格式错误或幻觉可能是数据稀缺而非结构缺陷，待验证。推理延迟方面，自回归生成本质慢于非自回归判别模型，虽可用分块处理 30 至 50 分钟录音，但仍落后于高度优化的级联，论文未给出逐词延迟与实时因子的系统测量，因此不能承诺实时性改善。多模态理解方面，说话人编码器虽具备性别年龄情感潜力，但会议语料缺乏严格标注而无法定量评价，不能把身份判别能力外推为副语言属性识别能力。

此外，失败案例分析显示大基线在 0.21 秒单字输入上幻觉出 28 秒对话，说明缺乏时长感知时会退回语言先验；TagSpeech 通过锚与序列化编码缓解了该问题，但长尾超长与多人 dense 重叠仍是误差集中区。阅读时应把缺失证据视为未验证而非技术错误，把相关性视为支持而非因果证明。

复现应先固定哪些信息条件？

若要复述方法，先固定信息条件：80 维对数梅尔谱、25 毫秒窗、10 毫秒跳；双 Zipformer 编码器下采样到 25 赫兹再经投影压缩到 6.25 赫兹；锚间隔 8 对应约 1.28 秒；大语言模型为 7,000,000,000 参数指令模型并冻结；输入输出均用文本与说话人标签包裹，目标镜像该结构。

训练只更新投影层，学习率 0.001，桶采样上限 80 秒，启用 SpecAugment 而关闭变速。评测用严格无 collar 的 diarization 错误率并计入重叠，同时报告拼接错误率、全局错误率、计数准确率与失败率，普通话需统一简繁后再算字错误率。

先跑通单数据集内的主流程，再做编码器消融与锚间隔扫描，最后才尝试跨语言零样本。基线复现要注意：大模型需用结构化提示并显式要求保留重叠、禁用音频生成、统一时间格式后处理；级联需固定 diarization 与识别版本及语言选项。任何改动冻结策略、引入适配器或更换编码器都应另行记录，不能替代原文的可部署收益。

何时值得尝试，还需补哪项验证？

当任务要求同时输出内容、说话人与可评价的时间边界，且重叠较多、级联拼接错配严重时，值得尝试双流解耦加数字锚的统一解码。尤其在说话人计数准确性与低失败率更重要、训练预算只允许更新轻量投影层时，该方案的数据效率与稳定性有直接证据支持。当非重叠区边界精度要求极高或需严格实时流式时，则应保留专用语音活动检测或非自回归 diarization，或做分块与延迟的专项优化。

还需补的验证包括：更大规模与更多语种上的扩展性、说话人编码器在多说话人数据上的微调收益、低秩适配对内容识别与语言泛化的影响、长录音上下文跨块传播与流式策略。常见误解是把说话人归属转写等同于 diarization，或把曲线向下直接读成变差；正确做法是先确认纵轴是原始错误率还是改善量，再结合漏检虚警混淆的拆分判断增益来源。记住论文的中心判断：解耦解决谁说与说什么的纠缠，锚解决何时的接地，两者同步才得到可验证的谁在何时说了什么。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

区域 1 · 查看论文原页

区域 2 · 查看论文原页

区域 3 · 查看论文原页

另有 21 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 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 acl-2026 论文汇总