一步跨越整条轨迹：MeanAudio 以平均速度实现单步文本转音频

英文题目：MeanAudio: Fast and Faithful Text-to-Audio Generation with Mean Flows

会议身份：conference:acl:2026:conference-paper-id:2026.acl-long.654

✅ 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：#流匹配 #Transformer #高效推理 #音频生成

评分：8.2/10 | 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 1.2/1.5 | 开源 1.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前25% | 文档类型：模型报告

👥 作者与机构

• Xiquan Li：机构信息未能从会议 PDF 纯文本可靠映射
• Junxi Liu：机构信息未能从会议 PDF 纯文本可靠映射
• Yuzhe Liang：机构信息未能从会议 PDF 纯文本可靠映射
• Zhikang Niu：机构信息未能从会议 PDF 纯文本可靠映射
• Wenxi Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Xie Chen：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

文本到音频生成需由自然语言提示生成高保真声音，难点在于扩散与流模型依赖数十至数百次迭代采样，延迟严重制约创作与实时部署。MeanAudio先以短时傅里叶变换提取梅尔谱，再经一维卷积变分自编码器压缩为潜变量序列，由增强型Flux风格变换器学习文本条件下的平均速度场，单步即可从噪声直达干净潜变量，最后经变分自编码器解码与BigVGAN类声码器恢复波形。与依赖教师轨迹的蒸馏加速不同，该方法直接回归带分类器无关引导的平均场，并用瞬时到平均课程稳定优化，推理无需双倍前向。在AudioCaps测试集957个音频上，120M参数单步取得Fréchet Distance 14.30、Fréchet Audio Distance 1.77、CLAP 0.290，显著优于ConsistencyTTA与AudioLCM，实时因子低至0.013，约为200步GenAU的百分之一量级。该结论限于截断为10秒的英文短描述音效训练与评测，长时程、可变长与含语言内容的语音生成尚未验证。训练在4张NVIDIA RTX 3090上约70小时，推理支持1步、2步、5步与25步解码。

🔗 开源与复现资源

• 代码相关资源：https://github.com/xiquan-li/MeanAudio — 链接可访问（HTTP 200）
• 演示资源：https://MeanAudio.github.io/ — 链接可访问（HTTP 200）
• 复现相关资源：https://huggingface.co/lukewys/laion_clap/blob/ — 暂时无法访问
• 第三方资源：https://sound-effects.bbcrewind.co.uk — 链接可访问（HTTP 200）
• 第三方资源：https://soundbible.com — 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，输出是什么，为什么慢是关键矛盾？

这篇论文研究的任务是文本转音频生成，输入是一句自然语言描述，例如轮胎打滑后引擎轰鸣，输出是一段 10 秒左右的声音波形。研究生初入该领域容易只关注音质是否逼真，但原文首先强调的矛盾是速度问题。

主流系统基于扩散与流匹配，需要从高斯噪声出发反复求解常微分方程，一步步积分到数据分布。每次合成往往需要 50 步、200 步甚至更多前向计算，在单卡上合成耗时远超音频本身时长。

这种延迟不仅影响虚拟助手与交互游戏等实时场景，也打断了声音创作者反复试听与修改的工作流。论文因此把目标定为两件事同时成立：只用 1 次前向就能给出可听的声音，同时在增加到 2 步、5 步、25 步时质量还能平滑提升。

必须保留的信息是任务定义、慢的原因来自迭代采样，以及作者把单步能力与多步兼容性都作为评价维度。后续所有架构与训练改动都围绕让一步跨越整个轨迹展开。

原文还把实时因子定义为合成耗时除以音频时长，并在单张 RTX 3090 上报告。单步达到 0.013，对应相对 GenAU 的 100 倍加速，且全模型仅 120M 参数，在 4 张消费级显卡上 3 天可训完，这为课程设计与条件注入提供了动机。

同任务的已有路线在加速上各付了什么代价？

在相同输入输出与潜空间生成范式下，已有工作可分为 3 条线。第一条是做更大的主干与更好的文本编码，例如 AudioLDM 用 CLAP 做条件，Tango 引入 FLAN-T5 增强指令跟随，Stable Audio Open 与 TangoFlux 转向扩散 Transformer 与流匹配。

这条线提高了生成上限，但没有减少采样步数，推理依然需要数十至数百次迭代。第二条是蒸馏加速，例如 ConsistencyTTA 把 Tango 作为教师做一致性蒸馏，AudioLCM 用多步常微分方程求解器改进蒸馏，SoundCTM、Presto、FlashAudio 与 AudioTurbo 分别从特征距离、减步减参、整流流与整流扩散入手。

这条线能做到少步，但依赖教师。原文明示在线方法需同时放置 2 到 3 个完整模型在显存，离线方法需先大量生成并存储教师轨迹，且一致性约束未必反映真实场性质。第 3 条是数据与偏好优化，例如合成字幕、人类偏好对齐与检索增强，主要改善可控性而非速度。

MeanAudio 与第二条同运行阶段可比，但选择不蒸馏教师，而是直接回归平均速度场，从而避开教师上限与存储开销。这 1 对照决定了实验必须与 AudioLCM 和 ConsistencyTTA 在单步条件下同协议比较。

复述时还需强调执行顺序：先在约 2.8M 对全量数据上预训练瞬时场，再在 AudioCaps 上混合微调平均场，采样时刻不再为引导多跑 1 次。这种分工是理解消融中课程与混合比例的关键。

要解决的具体问题与可验证的成功标准是什么？

举个教学例子帮助定位：假设输入是包含 4 个事件的长描述，模型需按顺序生成狗叫、孩童哭声等并保持时间关系。这类例子只用于说明跟随难度，不附加任何数值承诺。

成功标准要在 AudioCaps 测试集 957 段音频的固定协议下衡量，用 Fréchet 距离、FAD、KL、IS 与 CLAP 分数同时评价。原文明确方向：FD、FAD、KL 越低越好，IS 与 CLAP 越高越好。

主观评价用整体质量与文本相关性两项 1 到 5 分，由专业听音人给出。速度用实时因子衡量，即合成耗时除以音频时长，越低越快。论文把单步的 FD、KL、IS、CLAP 与实时因子作为主证据。

把 2 步、5 步、25 步作为平滑性证据，把 10 人专家听评作为交叉验证。研究生复述时应先说清比较条件是否一致：基线是官方权重重测或原文转录。

MeanAudio 是 120M 骨干且文本编码器、变分自编码器与声码器不计入参数，实时因子都在单张 RTX 3090 上测 100 个样本取比值。只有条件一致，数字比较才有意义。

MeanAudio 让一个样本走完全程的路径是什么？

沿一个样本走一遍有助于建立全局图。输入文本先被冻结的 FLAN-T5 与 CLAP 分别编码，前者保留词序列，后者压缩为全局向量。一段 10 秒音频先经短时傅里叶变换取梅尔频谱。

再经 1 维卷积变分自编码器压成 312 个 token、每 token 20 维的潜表示，训练时的起点是数据潜表示与噪声的线性插值。主干是增强的 Flux 风格流 Transformer，先过 4 个多模态块再过 8 个单模态块。

主干输出对平均速度的估计。训练目标是让该估计逼近带引导的平均速度目标，推理时则用一步减法从噪声直接跳到数据端，多步时按区间分段跳。下面的架构图把这条主路径与条件注入画了出来。

读图时先看整体分叉再看块内细节，重点是文本两路分别进入哪里，全局条件如何控制每一块。

看图路径： 1. 先从顶部 Text 分叉看 CLAP 与 FLAN-T5 两路文本编码走向；2. 再看左侧 t 与 r 经正弦编码后与 CLAP 汇成全局条件 c；3. 接着看中部 N1 个 MMDiT 块后接 N2 个 DiT 块的主干顺序；4. 最后看右侧放大块中 Joint Attention 与双路 Gate 残差位置

论文图 2。原论文 Figure 2：“Model architecture overview: MeanAudio combines N1 multi-modal (MMDiT) blocks and N2 single- modal (DiT) blocks to construct the flow transformer.”。

从像素看，左侧文本分出 CLAP 与 FLAN-T5 两路，CLAP 经多层感知机后与 t 和 r 的时间编码相加形成全局条件 c，FLAN-T5 经多层感知机形成序列特征，噪声潜表示经卷积多层感知机进入主干。中部堆叠先是多模态块后是单模态块。

右侧放大显示每个多模态块内文本与音频经缩放平移、均方根归一化与旋转位置编码后进入联合注意力，音频支路用 1 维卷积与卷积多层感知机增强局部时间建模，文本支路用普通多层感知机，最后经门控残差输出。底部输出标注为带引导的平均流。

这一结构说明条件分工：细粒度对齐靠联合注意力，整体语义与步长信息靠自适应层归一化的缩放偏置。推理时潜序列经变分自编码器解码为频谱，再经预训练声码器转波形。

双编码与流 Transformer 各自做了什么计算？

文本条件分两路计算。记 FLAN-T5 输出为词数乘维度的序列特征，送入多模态块的文本分支，与音频分支拼接做联合注意力，学习跨模态对齐。记 CLAP 文本编码器输出为一行全局向量。

该向量经多层感知机投影后与时间嵌入和区间起点嵌入相加，形成全局条件，再以自适应层归一化的缩放与偏置注入每一块。主干改进有四处：音频流用核 3 垫 1 的 1 维卷积多层感知机替代线性层以捕捉局部时序。

查询与键上加旋转位置编码以保留相对距离并支持变长；注意力计算用带可学习缩放的均方根归一化以稳定训练；多层感知机激活用 SwiGLU 替代 ReLU。网络隐维 448，总量 120M。

单步生成的计算是从标准高斯噪声出发，减去模型在区间 0 到 1 与文本条件下的输出；多步生成则按时间分段执行同样的减法。引导的计算在训练目标内完成。

以固定权重组合条件与无条件预测，等效引导尺度为 3，文本以 10% 概率丢弃以保留无条件分支，采样时不再额外跑 1 次。

流匹配 × 均值流： 流匹配分工是学习每一时刻的瞬时速度 vt，即轨迹切线，用于小步积分；均值流分工是学习区间[r,t] 内的平均速度 u，即起点到终点的长位移，搭配理由是只学平均会失去基础动力学而训练不稳，先学瞬时再混学平均才能让一步映射既有方向基础又有跨度能力。

FLAN-T5 × CLAP： FLAN-T5 分工是提供词粒度的细粒度序列嵌入，送入 MMDiT 分支做联合注意力对齐；CLAP 分工是提供经音频文本预训练的全局声学语义向量，与时间步特征相加后经 AdaLN 注入，搭配理由是前者保事件细节与顺序，后者保整体声音属性，组合后同时改善保真度与文本相关性。

上述分工解释了为何双编码不是重复：序列路负责事件级对齐，全局路负责声音属性与步长控制，二者缺一都会在消融中表现为对齐或保真下降。

两阶段课程如何组织监督与梯度？

训练分 2 个阶段。第一阶段在约 2.8M 对、7801 小时的全量数据上用标准流匹配预训练 400,000 步，学习瞬时速度，批量 256。第二阶段在 AudioCaps 上用混合流目标微调 200,000 步，批量 32。

时间对按对数正态分布采样，均值 0.4、方差 1，取大者为 t、小者为 r，75% 样本令 r 等于 t 以混入瞬时目标。优化用学习率 1e-4、1000 步热身，在 80% 与 90% 处衰到 10%。

共需 4 张 RTX 3090 约 48 加 22 小时。梯度路径是经雅可比向量积求模型对时间的全导数，再与引导后瞬时速度组合成平均目标，目标侧做停止梯度，只有回归误差回传。下面的示意图解释了为什么要分阶段。

上半只学切线，下半同时学切线与跨区间位移，先有可靠导数再学长跳是课程的核心直觉。

看图路径： 1. 先看上半阶段曲线上多处蓝色切向箭头 vt 的朝向；2. 再看下半阶段橙色长箭头 u 连接不同 r 与 t 等于 1 的跨度；3. 对比上下两图中同一轨迹在 r 等于 0.25 与 0.75 处的监督差异

论文图 3。原论文 Figure 3：“Illustration of the underlying instantaneous field vt, which models tangents of the flow trajectory, and the average velocity field u(xt, r, t), which captures long displacements.”。

上半标注第一阶段瞬时场预训练，曲线上多处蓝色短箭头表示各时刻切线 vt，左端为噪声、右端为数据；下半标注第二阶段混合场微调，蓝色短箭头仍为 vt，橙色长箭头为平均速度，直接连向数据端，并标出不同起点。这种可视化说明课程意图。

先让模型在全数据上学会基础动力学，提供可靠的导数估计，再在高质量小数据上稳定适应长位移，同时保留多步能力。原文未报告变分自编码器与声码器是否微调，应视为缺项，不从模型名推定冻结与否。

无分类器引导 × 平均速度目标： 无分类器引导分工是在训练侧把条件与无条件瞬时预测按权重合成为引导后速度 vcfg；平均速度目标分工是把该引导速度与模型时间导数修正项组合成 ucfg 作为回归监督，搭配理由是把引导直接学进平均场，采样时无需再跑 2 次前向，在论文中以等效尺度 3 实现且不增加 NFE。

瞬时场预训练 × 混合场微调： 瞬时场预训练分工是在大规模弱标注数据上用标准流匹配学 vt，打下导数估计基础；混合场微调分工是在高质量小数据上以 75% 概率令 r=t 混入瞬时目标、以其余比例学均值目标，搭配理由是随机初始化的导数无法给出有效均值监督，先有基础再渐进适应可稳定收敛并兼顾单步与多步。

雅可比向量积 × 停止梯度： 雅可比向量积分工是把对模型的 total 导数展开为空间与时间偏导与 vt 的组合，用于构造均值流恒等式中的修正项；停止梯度分工是把构造出的目标 utgt 固定为监督信号不回传，搭配后模型只更新对平均速度的回归，避免自己监督自己形成循环依赖。

3 组机制共同回答了稳定性来源：引导内化避免额外前向，课程提供初始化，混合比例保留瞬时监督，导数计算与梯度截断保证监督正确。

数据、划分、指标与主观评测如何执行？

训练数据包括 AudioCaps 约 49k 人工标注、WavCaps 约 400k 经大语言模型生成的弱标注、AudioSet 约 1.7M 经多模态大模型补字幕、VGGSound 约 178k、LP-MusicCaps 音乐部分等，总计约 2.8M 对。所有音频截为 10 秒。

过长者至多裁 5 个不重叠片段。评测用 AudioCaps 测试集 957 段，每段配 5 句字幕，生成时随机选 1 句；音乐能力另在 MusicCaps 测试集上报告。客观指标中 FD 与 FAD 衡量生成分布与真实分布距离。

KL 衡量与参考音频的语义相似，IS 衡量多样性与质量，CLAP 衡量音频与文本对齐；FD、IS、KL 基于 PANNs，FAD 基于 VGGish。主观评测招募 10 位音频专业人员，每人听随机排序的样本。

按整体质量与相关性打 1 到 5 分，界面同时提供播放与滑杆操作。下面是主观评测界面的像素证据，读图时注意它如何保证盲听与随机顺序。

看图路径： 1. 先看顶部提示语轮胎打滑后引擎轰鸣的英文原文；2. 再看每个测试条目下 OVL 与 REL 两条评分滑杆的并列布局；3. 最后看底部播放停止按钮与 1 到 5 分刻度的操作方式

论文图 4。原论文 Figure 4：“Screenshot of the subjective evaluation plat- form.”。

从像素看，该界面顶部显示当前提示语，下方每个测试条目并排给出播放与停止按钮，以及标为 OVL 与 REL 的两条滑杆，顶部有 1 到 5 的刻度色带，底部有上一组与下一组切换与音量控制。这对应正文描述的随机选句与随机排序流程。

这说明主观分是对同提示下多模型的盲听比较，而非单模型自评。复现时需注意 CLAP 分数所用的检查点在本次为暂时不可达，官方给出的是 huggingface 上 laion_clap 的链接，代码与演示页当前可用。

第三方 BBC 特效库当前可用，SoundBible 本次未能确认可达，WavCaps 中依赖这两源的子集需核对本地缓存。指标计算版本与权重版本都应在复现记录中明确，否则分数漂移难以归因。

单步与多步的主结果在什么条件下成立？

先看单步与速度的交换全景，再落到数字表。横轴是采样步数，纵轴是 FD，圆面积代表参数量，右下大圆是 1250M 的 GenAU 需 200 步，左上是 559M 的一致性模型，左下蓝色小圆是本文 120M 模型。像素显示蓝色点在横轴 1 处已低于其他单步基线。

随步数从 1 到 2 到 5 到 25，蓝色四点纵向单调下降，说明增加步数能继续改善 FD，但 1 步已接近 25 步水平。这是速度主张的可视证据：100 倍加速来自 0.013 与 1.612 的比值，且参数仅 120M。

看图路径： 1. 先确认横轴为采样步数纵轴为 FD 且向下越好；2. 再比较横轴 1 处蓝色 120M 圆点与灰色 559M 圆点的纵向差距；3. 最后沿蓝色 120M 四点看 1 步到 25 步随步数增加的下降趋势

论文图 1。原论文 Figure 1：“MeanAudio achieves state-of-the-art single- step generation performance with a real-time factor (RTF) of 0.013, offering a 100x speedup over exist- ing diffusion-based TTA systems.”。

像素中蓝色 120M 在横轴 1 处纵向已低于灰色 160M 与浅蓝 559M，且标注实时因子 0.013，而橙色 1250M 在横轴 200 处标注 1.612；随步数从 1 到 2 到 5 到 25，蓝色四点纵向单调下降，说明增加步数能继续改善但 1 步已接近上限。该图同时交代了参数量与步数的联合权衡。

下面整理可运行策略的单步对照，比较问题是同为真实可部署的单次或少次前向时谁的分布距离与语义对齐更好，公平条件是同 AudioCaps 测试集、同 PANNs 与 CLAP 计算，指标方向为 FD 与 KL 越低越好、CLAP 越高越好。

表后解释需同时说收益与代价。收益是 MeanAudio 单步 FD 14.30、KL 1.32、IS 10.02、CLAP 0.290，大幅领先同为单步的 AudioLCM 与 ConsistencyTTA，甚至 FD 优于需 200 步的 GenAU 的 14.58；2 步与 5 步进一步改善，25 步达 FD 13.38、KL 1.25、CLAP 0.319，与最强多步系统可比。

代价与边界是 FAD 单步 1.77 仍高于部分多步基线，且主观单步整体质量 4.03 与相关性 4.29 虽最高，但多步 25 步的提升幅度有限，说明单步已接近该容量上限。未胜出项是部分多步大模型在 IS 上仍更高，本文 120M 在多样性上未宣称全面胜出。

哪些对照支持课程、混合比例与引导尺度的选择？

消融按问题组织：课程是否必要、混合比例多少合适、引导尺度多大合适。先看混合比例的原表选择，比较问题是在固定 AudioCaps 训练、从零开始的条件下，改变 r 等于 t 的比例时单步与多步指标如何变化。

公平条件是同数据、同步数、同计算，指标方向同主结果，前四行对应单步、后四行对应 25 步，比例从 0% 到 75%。该表直接来自原文矩阵选择，保留了原始行列划分。

表后解释是当比例为 0 即只学均值目标时训练高度不稳，FD 高达 138.34 与 150.75 量级而无法收敛；提到 25% 后训练稳定但多步改善有限，FD 仅降约 2.5%；从 25% 提到 75% 时单步 CLAP 从 0.213 升到 0.285，多步 IS 从 7.80 升到 10.79，支持瞬时与均值互补的判断。代价是 75% 意味着大部分时间仍在学瞬时。

若继续提到 100% 则退化为纯流匹配，单步能力会回落，原文未测 100% 可视为边界缺项。再看引导尺度的原表选择，比较问题是在同样条件下改变引导尺度时质量与对齐如何变化，尺度 1 表示无引导。

公平条件与指标方向不变，该表同样直接选择原文矩阵，不补列不改数，用于验证引导内化的有效性。

表后解释是从 1 提到 3 时 FD、IS、CLAP 分别改善约 42.4%、96.3%、54.1%，其中 FD 从 28.02 降到 16.13 附近；提到 4 与 5 时 IS 略升但 FD、KL、CLAP 轻微变差，提示多样性与提示跟随的权衡，最优取 3 左右。未胜出项是尺度 5 的 IS 略高于尺度 3，但以 FD 变差为代价。

课程对照另报告：纯流匹配在 25 步 CLAP 达 0.328 但单步仅负值，从零学混合场的单步 FD 为 16.13，而在预训练上再混合微调后单步 FD 到 14.30、多步到 13.38，支持先瞬时后平均的顺序。架构对照显示去 CLAP、去旋转编码与去卷积多层感知机均有可测下降。

还有哪些边界与未验证的推测？

论文在局限一节明确三点，复述时应区分为直接报告与待验证。直接报告的是训练音频均裁为 10 秒，可能限制变长与长时生成；仅用公开数据且含噪声，质量可能落后于用更大更干净私有数据训练的系统。

当前聚焦文本转环境声与音乐，缺乏可懂语音与细粒度语言内容生成能力。这些是适用边界，不是技术错误，使用时应避免要求模型外推到语音合成。

有限解释是数据与模型放大的实验显示，从 AudioCaps 微调扩展到全量 2.8M 与从 120M 扩到 480M 时，单步 IS 从 10.02 到 10.69 再到 11.24、CLAP 从 0.290 到 0.314 再到 0.316，多步 CLAP 到 0.339，支持可扩展性的判断。

但该趋势不等于每组提示或每一步都单调成立，总体趋势不能推广为每条样本都成立。未验证推测是若补长音频建模、更干净字幕或语音数据会有多大幅度提升。

原文未测量误判率、实际端到端延迟分布与更大批量下的吞吐，复述时用可能与待验证表达，不承诺这些量已改善。相关性不等于因果，缺失证据应记为缺项而非缺陷。

复现先做什么，需要哪些配置与检查点？

复现应先跑通单步推理再做训练。代码库当前可用，演示页当前可用，可先按仓库说明下载权重与变分自编码器、声码器，并确认 FLAN-T5 与 CLAP 文本编码器版本。推理检查是随机高斯噪声经 1 次模型前向后解码。

核对 AudioCaps 随机一句字幕下的 FD 与 CLAP 是否接近 14.30 与 0.290 量级，同时在单张 RTX 3090 上测 100 样本的实时因子是否接近 0.013。训练复现需准备全量数据的 10 秒裁剪与字幕。

预训练批量 256、微调批量 32，学习率 1e-4 热身 1000 步并在八九成处衰减，时间对按对数正态采样且 75% 令 r 等于 t，引导权重 0.3 与 0.9、丢词 10%。需补的验证是 CLAP 评分检查点本次未能确认可达。

应记录所用权重版本以免分数漂移；原文未给出变分自编码器训练细节与随机种子。

复现时应固定种子并明确归因该缺项，避免把未报告的实现细节当作默认配置。先推理后训练的顺序有助于快速定位是权重、数据还是超参数的问题。

何时值得尝试 MeanAudio，何时应选别的路线？

当部署要求在消费级显卡上 1 次前向就出声，且希望 2 到 25 步还能平滑提质时，MeanAudio 值得尝试，其 120M 体量与 3 天 4 卡的训练成本对实验室友好，双编码对多事件长描述的跟随在人工长句评测中显示优势。

当任务是长时叙事、变长音乐结构或可懂语音时，应选专为变长全频带或语音设计的系统，而非强求本模型外推。当已有强教师且只求快速蒸馏时，蒸馏路线仍可考虑。

但需承担多模型显存与教师上限的代价，不应把类别差异当同条件胜负。重提结果时增加适用条件：单步优势在 AudioCaps 短音频与固定 CLAP 版本下成立。

换数据集、换评分器或换长文本分布时需重测，不能把末步结果推广全程。下一步最有信息量的验证是固定主干比较不同混合比例在单步与 25 步的曲线。

以及在 MusicCaps 上对比单步与 25 步的 FAD 与 FD，以确认平均速度在音乐纹理上的泛化。这些验证都应在同硬件、同批量与同评分版本下进行，才能形成可复述的结论。

📐 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。

另有 39 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