只看转写错误会漏掉什么：PRiSM 同时考听写与下游使用

英文题目：PRiSM: Benchmarking Phone Realization in Speech Models

会议身份：conference:acl:2026:conference-paper-id:2026.acl-long.825

✅ 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：#基准测试 #基准设计 #语音学与音系 #多语言 #语音识别

评分：7.9/10 | 创新 1.2/2 | 技术严谨 1.1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1.1/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前25% | 文档类型：数据集与基准

👥 作者与机构

• Shikhar Bharadwaj：机构信息未能从会议 PDF 纯文本可靠映射
• Chin-Jou Li：机构信息未能从会议 PDF 纯文本可靠映射
• Yoonjae Kim：机构信息未能从会议 PDF 纯文本可靠映射
• Kwanghee Choi：机构信息未能从会议 PDF 纯文本可靠映射
• Eunjung Yeo：机构信息未能从会议 PDF 纯文本可靠映射
• Ryan Soh-Eun Shim：机构信息未能从会议 PDF 纯文本可靠映射
• Hanyu Zhou：机构信息未能从会议 PDF 纯文本可靠映射
• Brendon Boldt：机构信息未能从会议 PDF 纯文本可靠映射
• Karen Rosero：机构信息未能从会议 PDF 纯文本可靠映射
• Kalvin Chang：机构信息未能从会议 PDF 纯文本可靠映射
• Darsh Agrawal：机构信息未能从会议 PDF 纯文本可靠映射
• Keer Xu：机构信息未能从会议 PDF 纯文本可靠映射
• Chao-Han Huck Yang：机构信息未能从会议 PDF 纯文本可靠映射
• Jian Zhu：机构信息未能从会议 PDF 纯文本可靠映射
• Shinji Watanabe：机构信息未能从会议 PDF 纯文本可靠映射
• David R. Mortensen：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

音素识别以语音波形为输入，以国际音标序列为输出，难点在于音素是低层发音抽象且标注稀缺，转写误差难以反映下游效用。PRiSM先以内在评测统一解码专用模型与大音频语言模型的转写，并计算音素特征错误率PFER以衡量核心转写能力。接着将各模型生成的转写送入转录探针的双向门控循环单元，学习话语级表示以完成病理、L2与多语言任务。同时将模型末层隐表征送入表征探针的注意力池化加多层感知机，直接检验隐式通道在相同下游任务上的效用。与仅比较转写误差的已有评测相比，该设计同时检验显式符号与隐式表征两条利用通道，并揭示编码器结构与语言覆盖之间的权衡。在L1-eda任务评测下，启用思考模式的F1-score为24.9%，低于未启用时的F1-score 32.7%。结论适用边界受限于标注指南差异与转写瓶颈的信息损失，在方言地理定位等任务上仍会出现模式坍缩与偏置。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 代码相关资源：https://github.com/changelinglab/prism — 链接可访问（HTTP 200）
• 模型相关资源：https://huggingface.co/microsoft/wavlm-base — 暂时无法访问
• 模型相关资源：https://huggingface.co/openai/whisper-small — 暂时无法访问
• 模型相关资源：https://huggingface.co/anyspeech — 暂时无法访问
• 第三方资源：https://github.com/vllm-project/vllm — 链接可访问（HTTP 200）
• 第三方资源：https://vaani.iisc.ac.in/ — 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

输入是什么，目标是什么，这篇解读要交付什么？

输入是论文 PRiSM 的正文证据与本次收到的官方原图像素，目标是让刚进入语音方向的研究生能核对方法并复述流程。本文必须保留的信息包括任务划分、模型家族、数据来源、探针做法、指标方向与原文报告的关键数字，输出是 1 篇按学习依赖展开的中文技术解读。解读只讲论文实际做的音素实现识别评测，不把教学举例当作论文结论，凡是例子都会明确标注。资源方面，论文声明的代码链接当前可用，已公开可取；论文中引用的 WavLM、Whisper 与 Anyspeech 模型链接本次未能确认可达；第三方工具与 Vaani 数据链接当前可用。

语音识别常输出词或特定语言的音位，容易把实际发音细节抹掉。例如英语 tell 在美音与苏格兰口音中的实现不同，但音位写法一致。如果你要做跨语言文档记录、儿童语音障碍分析或二语口音判断，就需要更原子的一层：直接记录听到的语音实现。这正是音素实现识别要解决的任务，把任意语言语音转写为国际音标序列，且不依赖特定语言的音系归并。

音素实现 × 音位： 音素实现指说话实际发出的语音细节，保留送气、卷舌、清浊等声学差别，负责如实记录听到的声音；音位是特定语言归纳出的对立单位，负责把不区别词义的差别归并。两者搭配的理由是跨语言评测不能只用英语的归并规则去套未见语言，PRiSM 因此要求输出国际音标层面的实现，组合意义是让临床记录、口音判断等多语言任务共用同一原子接口。

已有评测多比较转写错误率，做法是扩大测试集或固定指标。但论文指出两处困难：音素比词更底层，标注本身噪声更大；转写好坏与下游是否有用之间缺乏实证。模型实际通过两条通道提供语音信息，一是可读的离散转写，二是保留更多声学细节的隐层表示。只看其中一条都会误判，因此需要同时考核。

同输入同目标的已有路线如何对照？

按同输入、同目标、同监督与同运行阶段对照，相关工作可分为 3 类。第一类是专用音素识别模型，多由自监督语音模型微调或从头训练得到，监督来自人工或 grapheme-to-phoneme 工具转写的国际音标，运行阶段是语音到音标的直接转写。论文中的 Wav2Vec2Ph 系列、ZIPA 系列与 POWSM 系列都属此类，只是预训练覆盖、训练数据规模与损失不同。第二类是通用语音到文本模型与大音频语言模型，例如 Whisper、WavLM 表示与 Gemini、Qwen3-Omni，输入同样是语音，但训练目标更通用，输出偏向文本，时间对齐弱或表示不易获取。

第 3 类是语音评测框架，例如 SUPERB、Dynamic-SUPERB、ZeroSpeech 与 BabySLM，考察音位识别、发音特征或最小对立，但多只用表示或只用转写，没有把两条通道放在同一临床教育多语言任务下对比。

PRiSM 与它们的区别在于评测接口统一：任何能把语音变成国际音标的流水线都被视为广义音素识别系统，同时接受转写探针与表示探针检验。这种对照不是同条件胜负排名，而是先看任务是否都需要音系细节，再看离散与连续两种形态各自保留了什么。理解这一点，才能读懂后文为何病理语音偏好表示、方言定位偏好转写。

要回答的具体问题是什么？

论文要回答 3 个可操作的问题。第一，核心听辨能力如何：模型能否在已见语言的变体与完全未见语言上给出接近金标的音标序列。第二，下游可用性如何：在构音障碍可懂度预测、儿童语音障碍检测、二语母语分类与水平评估、语种识别、地理定位与音库归纳等任务上，转写与表示分别有多大用处。第三，行为机制是什么：模型更依赖声学信号还是训练数据中的音位组合规律，多语言覆盖与架构如何改变这种权衡。

为避免混淆，本文把已见语言变体理解为英语内部的地域与非母语变体，把未见语言理解为训练中未覆盖的低资源语言。但对闭源大模型，论文明确说明因训练语料不公开而无法严格验证未见条件，这一条限制必须保留，不能把大模型在 DoReCo 等集上的数字直接读成严格零样本泛化。

PRiSM 的全景如何走通一个样本？

先沿一个样本走完全流程。输入是一段语音，例如一段印地语方言录音。被测系统先输出国际音标转写，同时保留其最后一层隐状态。内在分支直接比较预测转写与金标转写的发音特征距离，得到错误率。外在分支走两条探针：转写探针把音标字符串送入两层双向门控循环网络做池化分类或回归，表示探针把隐状态做时间注意力池化再送入多层感知机。两条探针各自训练轻量模块去拟合任务目标，例如地理坐标或障碍标签，从而分离被测模型的能力与下游模块的容量。

下图是论文给出的总体框架，上半为内在核心能力，下半为外在下游效用，底部图例区分系统、转写、表示、轻量模块与任务目标，阅读时先分清颜色再看箭头。

看图路径： 1. 先看上半蓝色内在分支如何从已见变化与未见语言汇入转写评测；2. 再看下半黄色外在三分任务如何分别接入转写探针与表示探针；3. 对照底部图例确认立方体、转写框、表示框与轻量模块的符号含义

论文图 1。原论文 Figure 1：“PRiSM is the first open-source benchmark for phone recognition systems, covering intrinsic and extrinsic evaluations, i.e., transcription task and down- stream task performance.”。

从像素看，上方黑色标题下有两个蓝色框，分别是已见语言变体与未见语言，箭头汇入中间虚线框的转写评测图标。下方黑色标题下有 3 个黄色框，分别是病理语音、二语语音与多语言语音，再向下分为左右两个虚线框，左侧为转写探针路径，右侧为表示探针路径，每个路径都经过带火焰标记的轻量模块再指向任务目标图标。这说明内在只有一条转写比较路径，外在始终保持两种形态对照。后续所有结果讨论都应回到这个分叉：同一语音输入，离散符号与连续表示的表现可以不一致。

内在评测 × 外在评测： 内在评测负责直接比较预测转写与金标转写的发音特征距离，检验核心听辨能力；外在评测负责把转写或隐层表示接入轻量下游模块做病理语音、二语语音和多语言任务，检验实际可用性。两者搭配的理由是转写错误低不等于下游有用，隐层表示信息丰富但不可解释，组合意义是同时暴露感知盲点与应用偏差。

探针与被测模型各自负责什么计算？

被测模型家族按论文分为 5 组。Wav2Vec2Ph 组是对比预训练后的微调变体，含 MultiIPA、W2V2P-LV60 与 W2V2P-XLSR53，区别在预训练与微调的语言覆盖。ZIPA 组是从头训练的编码器加 CTC 模型，含 ZIPA-CTC 与在伪标注数据上扩大训练的 ZIPA-CTC-NS。POWSM 组含注意力编码器解码器原版与作者自训的编码器加 CTC 对照版 POWSM-CTC。大音频语言模型组含闭源 Gemini 2.5 Flash 与开权重 Qwen3-Omni-Instruct，主要用零样本提示探测，附带少样本结果。另有朴素基线、WavLM 与 Whisper 作为表示对照。

转写探针 × 表示探针： 转写探针负责读取模型输出的离散国际音标字符串，用双向门控循环网络建模音段顺序，保留可解释的结构化瓶颈；表示探针负责读取模型最后一层隐状态并做时间注意力池化加多层感知机，保留音色韵律等连续细节。搭配理由是二者形态差异大、偏好任务不同，组合意义是在同一语音输入下对照离散符号损失了什么、连续表示又混入了什么非语音信息。

探针的具体计算按原文交代：转写探针用两层双向门控循环网络，隐维度 256，输入维度 128，丢弃率 0.1，对字符级音标序列建模后做均值池化；表示探针取最后一层隐状态，做注意力时间池化得到句级向量，再经两层线性层输出，回归用均方误差，分类用交叉熵，地理定位用角度误差损失。论文还做了加权层融合对照，但主结果用最后一层，以保持与常用做法一致。

编码器加 CTC × 编码器解码器自回归： 编码器加 CTC 负责每帧独立输出音素后验再做单调对齐，解码时不依赖已生成的上文，负责保持声学保真；编码器解码器自回归负责以前文预测为条件逐个生成音素，负责引入音位组合规律。搭配理由是前者抗掩蔽和错误传播能力强、后者对未见语言的共享音系模式更敏感，组合比较的意义是解释为何遮蔽实验与未见语言泛化出现相反排序。

这里的教学例子是：若把转写探针换成只看词袋，会丢失音序信息，方言中相似音库但不同顺序的线索就用不上。论文用循环网络正是为了保留顺序，而表示探针用注意力池化则保留连续细节。两者不是谁更强，而是形态不同，适用任务不同。

哪些模型被训练，哪些只是被调用？

本研究不是统一重训所有模型，而是复用已有模型并只训练新增部分。需要明确区分：Wav2Vec2Ph、ZIPA、POWSM、Whisper、WavLM、Gemini 与 Qwen3-Omni 的已有权重在本研究中不重新训练，论文仅调用它们做推理并提取转写或表示；唯一明确新训练的是 POWSM-CTC，作为与 POWSM 同数据但换成编码器加 CTC 的对照，用于分离架构效应。原文未报告该对照的逐层梯度路径、冻结细节与完整超参数之外的训练日志，因此不能从模型名推定其内部实现，只能说它与 POWSM 训练数据相同而解码依赖不同。

真正被训练的是每个外在任务上的轻量探针。转写探针与表示探针各自在任务训练集上优化，学习率分别为 1e-3 与 2e-4，用验证集的 F1、肯德尔相关或定位误差做早停，耐心为 5 轮且最少训练 10 轮，选验证最优点报告测试结果。推理侧支持分布式与常用加速工具，但原文未给出可复现的逐任务延迟与吞吐数字，因此不能把探针轻量等同于整体系统低延迟。缺失的训练细节不是技术错误，复现时应先按开源工具包默认配置跑通，再补测所需效率指标。

数据划分指标与聚合条件如何核对？

内在数据分两类。已见变体用 TIMIT、L2-ARCTIC 感知集与语音口音档案，均是英语但覆盖地域与非母语变体；未见语言用 DoReCo、VoxAngeles 与 Tusom2021，覆盖数十种低资源语言，其中 Tusom 去掉了声调因为被测模型不支持。外在数据分 3 类：病理语音用意大利语 EasyCall、英语 UASpeech 与英语 UltraSuite 儿童语料；二语语音用 EdAcc、CMU-ARCTIC 加 L2-ARCTIC 与 Speechocean762。

多语言用 FLEURS 的 24 语种、Vaani 印地语带子集与 DoReCo 音库归纳。划分与许可细节见原文附录，UltraSuite 存在转写音频错位并经手工修正后发布。

发音特征错误率 × 音素错误率： 音素错误率负责把每个音素当作不可分记号统计替换删除插入，简单但把相近音视为完全不同；发音特征错误率负责先把每个音素映射为圆唇、浊音等发音特征向量再算编辑距离，负责按发音相似度加权。搭配理由是音素层抽象会放大标注分歧，组合意义是让 TIMIT、DoReCo 等不同标注粒度的内在比较更贴近听感距离。

指标方向必须先核对：内在发音特征错误率越低越好，外在下游的肯德尔相关、F1、召回等越高越好。外在总分是对 6 个有区分度任务做对数加权平均，权重为测试样本数的对数，以避免大集完全淹没小集。论文还比较了均匀、平方根、线性与逆权重下的排序一致性，报告转写与表示的头部格局基本稳定。硬件预算方面，转写探针单卡 40 GB 最多约 15 分钟，表示探针最多约 3 小时，全部外在评测约 1000 卡时，推理约 500 卡时，POWSM-CTC 单次训练约 600 卡时，开发调试另计。复现时应按数据集、模型、阶段、指标、单位与聚合对象逐格核对，不能只看数值相同就认为是同一指标。

主结果显示了什么，代价与反例是什么？

内在趋势报告为：基于 CTC 的模型总体优于大音频语言模型，其次是注意力编码器解码器模型；已见变体受益于熟悉模式，未见语言受益于多语言训练与学到的音系模式。论文特别指出 DoReCo 上大模型平均值偏高是由少数长插入或重复生成拉动，多数语句仍在 50 以下，不能把平均数直接读成每句都差。POWSM 在长语音上因解码搜索表现弱，而纯文本 grapheme-to-phoneme 基线在规范发音上反而可取得有竞争力的分数，这说明内在分数同时反映声学与语言建模，不能单归因于听觉。

外在趋势报告为：转写探针上 ZIPA 与 W2V2P-XLSR53 总体有竞争力，病理语音上 ZIPA 因小词表近似宽式转写而稳定，多语言任务上多语言训练增益明显；表示探针上 Whisper 因大规模识别预训练保留语音信息而强。任务类别也改变排序：病理语音更受益于表示，二语居中，多语言更偏好转写。论文假设转写是结构化瓶颈，病理语音依赖音色韵律而多语言更依赖离散分布差异，后续用地理定位归因做了佐证。

下图是未见语言音库归纳的精确率与召回散点，虚线为综合分数等高线，阅读时先看坐标再看模型点簇。

看图路径： 1. 先确认横轴召回纵轴精确率以及虚线为综合分数等高线；2. 找出右上高精确率高召回的编码器加 CTC 模型点；3. 对照右下高召回低精确率的大音频语言模型点

论文图 3。原论文 Figure 3：“Precision and Recall scores of PR systems on phone inventory induction for unseen languages (§ 6.2). CTC models trained with highly multilingual data are more stable.”。

从像素看，横轴召回从 0.5 向 0.9 增大，纵轴精确率从 0.25 向 0.5 增大。POWSM-CTC 位于中上高精确率区，ZIPA-CTC-NS 与 ZIPA-CTC 位于右中较高精确率区，Wav2Vec2Ph 两点分化，Qwen3-Omni、MultiIPA 与 Gemini 位于右下高召回低精确率区。这支持原文判断：编码器加 CTC 加高度多语言数据更稳定，多数模型召回高而精确率低，预测熵偏高。代价是同一架构在已见变体或病理语音上未必最优，不能把音库精确率直接推广为全任务最优。

方言定位的单样本归因进一步解释转写为何有用。下图来自 Vaani 印地语带数据，红色支持正确定位，蓝色反对，模型检出叠辅音。

看图路径： 1. 先按虚线切分四个词段并对应下方音素序列；2. 观察红色支持与蓝色反对在叠辅音位置的分布；3. 核对转写中出现的双写位置是否与归因高亮重合

论文图 4。原论文 Figure 4：“Attribution map from Vaani (Ghosh et al., 2025). Red supports and blue opposes correct geoloca- tion. W2V2P-LV60 detects doubled phones (§ 6.3).”。

从像素看，图像按红色虚线分为 4 段，分别对应库拉尔、维、拉加、拉克瓦等词，下方为音素序列，其中双写位置带有浅红高亮。论文称说话人把 cooler 发成带双写边音、把印地语 kept 发成带双写塞音，转写探针恰好对齐其中一个双写音。这是一个单样本机制展示，不是全集统计，不能据此声称所有方言差异都来自叠辅音，但它说明保留音序的转写能捕捉分布差异。

比较大音频语言模型的失效模式时，公平条件与指标方向必须先说清。下面整理论文直接报告的零样本偏置数字，比较对象是两个实际可运行的大模型，指标越高表示偏置或误差越严重，最后一列说明适用边界。

上表的主要收益是把平均分背后的分布说清：大模型平均差部分来自长尾生成，地理与口音任务则表现为向高资源类别坍缩。代价与反例是二语任务差距较小，病理语音上 Qwen 转写探针有竞争力，少样本提示对病理任务有改善但对语种识别可能骤降，因此不能用单一总分代替任务级判断。未胜出项是专用模型在表示探针的病理与多语言部分仍需对照 Whisper，未评测边界包括更多口音、方言与说话风格。

遮蔽实验如何分离声学依赖与音位猜测？

论文用 TIMIT 时间对齐标注做干预：把 p 比例的音段替换为静音，再用被测模型转写剩余语音，并与只含剩余音段的参考比较。若模型只依赖声学，曲线应接近水平；若依赖音位组合规律，错误率会随掩蔽比例上升，因为模型会在无输入处补出概然序列。

下图横轴为掩蔽比例，纵轴为发音特征错误率百分比，4 条曲线起点接近而高掩蔽处分叉，是理解架构差异的关键。

看图路径： 1. 先确认横轴是掩蔽比例、纵轴是发音特征错误率百分比；2. 比较橙色系随掩蔽上升的斜率与蓝色系平缓曲线的分叉点；3. 观察零掩蔽起点四条曲线接近而高掩蔽处明显拉开

论文图 2。原论文 Figure 2：“PFER vs Phone masking rate. A PR model that relies only on acoustics should produce a horizon- tal line.”。

从像素看，横轴从 0 到 70%，纵轴从约 20% 向上至约 90%。黄色 ZIPA 与橙色 POWSM 上升最陡，高掩蔽处达 80% 以上；浅蓝 POWSM-CTC 与深蓝 W2V2Ph 上升平缓，高掩蔽处约 40% 左右。图例明确区分 4 组，网格与标记点清晰。这支持原文机制解释：无输出依赖的 CTC 解码不易误差传播，而注意力解码与一致性正则 CTC 在静音处仍会插入音素。

反证是 ZIPA 也是编码器结构但行为接近自回归，说明仅编码器设计不能决定稳定性，训练损失同样关键。适用条件是该结论来自英语 TIMIT 掩蔽，不能直接推广到所有未见语言与临床噪声。

哪些边界不能从本文数字得出？

论文自述的限制必须保留。第一，数据覆盖受限于已整理语料，语言、方言、口音与说话风格仍不完整，可能继承原语料偏差。第二，音标转写不是唯一客观真值，依赖标注规范、标注者判断与音库选择，国际音标接口也可能抹掉渐变语音现象。第三，探针各有局限：转写探针可能过拟合长度等虚假线索，表示探针的语音信息分布在不同层，融合与池化选择会影响排序；默认解码与提示只含关键指令，未做任务级调优，因此数字反映基础语音能力而非每模型上限。

推论时还需区分直接报告、有限解释与未验证推测。直接报告用报告显示表达，例如 Whisper 在表示探针强、转写探针在地理定位误差更小；有限解释用支持表达，例如多语言覆盖支持更好召回；未验证推测用可能待验证表达，例如归因图提示叠辅音有用，但更详细可解释性仍待未来工作。未测量误判率、延迟与成本时，不承诺这些量得到改善；总体趋势不等于每组每步成立。

复现应先做什么，需要补哪项验证？

何时值得尝试：如果你的任务需要跨语言音标、临床记录或口音分析，且已有语音到文本流水线，PRiSM 的双探针流程值得直接套用；如果只需要高资源语种词错误率，则不必引入全套音库归纳。复现先做什么：先用公开代码与配方跑通内在转写，核对发音特征错误率方向越低越好；再跑通一个转写探针与一个表示探针，核对学习率、早停与数据划分是否与原文一致；最后再扩展到全部外在任务。

注意 WavLM、Whisper 与 Anyspeech 链接本次未能确认可达，复现前需自行确认权重来源；Vaani 子集构建需按附录算法在州、区、音频分片与每分片上限下采样，并按邮编划分避免位置泄漏。

还需补的验证包括：同一任务下更换层融合与池化是否改变排序；在新方言上重做掩蔽与归因以检验声学依赖；对闭源大模型补充训练覆盖声明后再谈未见泛化；补测推理开销与输出稳定性，尤其是长插入重复的比例。缺少这些验证时，不宜把总分领先写成可部署收益。

下表把复现核对点整理为可执行清单，数字沿用论文直接报告的代表性偏置证据，便于对照是否复现出同类失效而非只对照平均分。

上表不是新实验，而是把原文已给的分布证据转为复现检查项。代价是这些检查多为定性分布比较，需要人工看混淆矩阵与地图，不能只比单点分数。未评测边界是更多语种与儿童病理语音的长尾形态，复现时应如实记录未覆盖项。

应带走的结论与下一步是什么？

应带走的结论有 3 条。第一，评测必须双轨：内在转写只反映核心听辨，外在双探针才反映临床教育多语言中的可用性，两者排序可以不一致。第二，数据与架构共同塑形：更广更多样的语言覆盖支持未见语言与多语言任务，编码器加 CTC 在新域更稳定，但注意力解码学到的音系模式在部分未见集上有利，专用模型总体仍领先大音频语言模型。第三，大模型的短板具体可指：地理上向高资源方言坍缩，口音上向罗曼语族偏移，思考模式可能加重而非缓解偏置，少样本不能单调弥补。

下一步建议按论文特有误解展开：不要把转写错误低等同于表示信息足，不要把高召回等同于高精确率，不要把闭源模型的未见分数等同于严格零样本。先复现双探针与掩蔽干预，再补层选择、效率与新方言验证，才能把 PRiSM 从榜单变为选型依据。

📐 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

另有 18 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