从单曲听到两首对比：Jamendo-MT-QA 如何把比较式音乐问答做成可测基准

英文题目：Jamendo-MT-QA: A Benchmark for Multi-Track Comparative Music Question Answering

会议身份：conference:acl:2026:conference-paper-id:2026.findings-acl.125

✅ 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。

会议来源：官方记录 · 官方 PDF

标签：#基准测试 #数据集 #基准设计 #音乐 #音频问答

评分：6.5/10 | 创新 1.4/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 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：数据集与基准

👥 作者与机构

• Junyoung Koh：机构信息未能从会议 PDF 纯文本可靠映射
• Jaeyun Lee：机构信息未能从会议 PDF 纯文本可靠映射
• Soo Yong Kim：机构信息未能从会议 PDF 纯文本可靠映射
• Gyu Hyeong Choi：机构信息未能从会议 PDF 纯文本可靠映射
• Jung In Koh：机构信息未能从会议 PDF 纯文本可靠映射
• Jordan Phillips：机构信息未能从会议 PDF 纯文本可靠映射
• Yeonjin Lee：机构信息未能从会议 PDF 纯文本可靠映射
• Min Song：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该任务输入为两个Jamendo共享音乐轨与比较性问题，输出为是非判断、短答案与单句解释三类答案，难点在于跨轨整合曲风、情绪、配器、速度、调式与制作等细粒度感知差异并生成忠实可验证的比较。流水线先由Music Flamingo将每轨音频转写为覆盖曲风、速度、调式、配器、人声、制作与情绪的密集字幕，为后续问答提供统一文本依据。接着GPT-5.1基于字幕扩写单轨问答以丰富属性表述，其输出与双轨字幕一同输入GPT-5 mini，由后者为每对轨生成是非、短答与单句解释三问问答组。最后大语言模型法官按正确性、比较有效性与推理质量打分，仅保留三题均获满分的轨对并经人工抽检后发布，从而保证比较可检查。与单轨标注或通用多音频评测相比，该机制强制每题同时引用两轨并保留推理字段，使比较推理与证据链显式对齐而非仅测单轨理解。在12173个轨对的完整基准评测下，Music Flamingo字幕中介的是非题准确率为77.4%，高于Qwen2-Audio字幕基线的37.4%。其结论适用边界受限于Jamendo共享音频与合成字幕的文本可验证比较，真实难例与长尾风格外推尚未验证。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

输入是什么，目标是什么，这篇解读要交付什么？

这篇解读的输入是会议论文的正文证据与官方原图像素，目标是让刚进入语音与音乐音频方向的研究生能够复述比较式音乐问答基准的构造与评测方法。需要保留的关键信息包括数据规模与配对方式、3 类问题的定义、4 阶段构造流程、质量过滤标准、两类基线设置、评测指标方向与主要失败类型。输出是 1 篇按学习依赖展开的中文技术解读，不做超出证据的效果承诺。

音乐问答在过去多被做成单轨任务，模型读一段音频，回答这段是什么风格、什么情绪、用了什么乐器。这种设置贴近标注与检索，但不贴近日常听歌时的说法。日常说法常常是关系型的，例如这首比上一首更暗、更有力，或者两首在人声处理上完全不同。要检验模型是否真能做这种跨轨整合，需要把输入从一段变为两段，把输出从描述一段变为表达两段之间的关系。本文研究的就是这个任务：给定两轨音乐与一个比较问题，模型需要给出方向正确的比较答案，句子级问题还需要用完整句子讲清多属性差异。

初学者容易把比较理解为做 2 次单轨识别再拼在一起。论文要解决的难点在于对齐与表达。两轨的属性必须放在同一维度上比较，速度对速度，调式对调式，人声对人声，制作对制作，而不是各说各话。同时答案必须满足题型约束，是非问只允许肯定或否定方向，简答要求指出是哪一轨，句子级要求在一个句子内完成多属性综合。构造数据的挑战也在这里：如何保证问题真的同时依赖两轨，如何保证答案有可追溯的推理依据，如何在规模化生成后仍然过滤掉似是而非的比较。

已有路线做到哪里，为什么还需要跨轨比较基准？

第一条路线是音乐标注、标题生成与单轨问答。已有资源提供了标签与标题，也有大规模单轨问答集，把音频与文本对齐到同一表示空间后，模型在检索与标题任务上表现较好。这条路线擅长回答关于一段音频的问题，但评测输入 1 次只给一段，不要求模型在两段之间建立关系。

第二条路线是音频语言模型与通用音频评测。编码器加解码器结构和音频条件语言模型让模型能做更灵活的音频文本生成，近期工作还支持多音频输入与指令跟随。配套的评测覆盖语音、环境声与音乐，考察多音频处理能力。但这些评测多为通用理解或非比较设置，没有系统要求模型整合两轨的感知属性并生成结构化比较答案。

第三条路线是文本领域的比较问答与多跳问答。代表性工作要求聚合多文档证据，做离散推理与逻辑推理。近期对音乐问答的诊断分析指出，只看文本线索也能取得不错成绩，说明部分基准可能被捷径线索驱动，而非真正的音频感知。这启发了更强调关系推理的评测设计。

本文与上述路线的区别在于输入、目标与监督同时变化。输入从单轨变为轨对，目标从描述或分类变为比较方向加比较解释，监督从单轨标题或问答变为每对三问的问答组。论文没有把类别差异说成同条件胜负，而是把跨轨比较作为新增能力单独设基准，并用标题路线与多音频路线在同一协议下对比，以分离表示质量与感知接入各自的影响。

任务如何形式化，输入输出与题型约束是什么？

任务输入是一个轨对与一个比较问题。轨对来自知识共享许可的音乐平台音频，每轨带有标题、元数据与单轨问答等描述。问题必须同时涉及两轨，不允许只问其中一轨。输出按题型分为 3 类。是非问要求判断比较命题是否成立，简答要求回答是哪一轨满足描述，句子级要求用完整比较句表达多属性差异。

举一个教学用的例子，不代表论文数据。假设问题问哪一轨速度更快，模型需要先得到两轨的速度表示，再比较数值大小，最后按题型输出轨名。若问题改为用一句话比较风格、调式、人声与制作，模型还需要把多个维度的比较压缩进一个连贯句子，且每个分句都有依据。例子只是说明题型约束，论文的真实比较维度覆盖风格、情绪、乐器与制作等属性。

评测目标因此是双重的。一是方向是否正确，二是解释是否有依据。方向正确但解释空洞、编造细节或没有比较，都不算好的句子级回答。论文把句子级比较解释作为主要瓶颈来考察，这也是后文评测协议同时保留字面重叠指标与语义裁判评分的原因。

四阶段流水线如何从轨对走到可发布的问答组？

论文的方法全景是一条 4 阶段流水线。起点是已有的单轨音乐问答资源，第 1 阶段用音乐理解模型为每轨生成覆盖风格、速度、调式、乐器、制作、人声与歌词主题的浓缩标题，第二阶段用大语言模型把标题扩展为多样的单轨问答，第三阶段把两轨的标题、元数据与单轨问答拼成结构化输入，提示模型扮演音乐比较专家，为每对生成恰好 3 个比较问答，第 4 阶段做人与模型两类质量评估并过滤，最终形成发布基准。

下面先沿一个轨对走完主路径。输入是两轨的描述集合，表示是结构化文本，组件是比较问答生成器，目标是输出是非、简答、句子级各一题，每题带有问题、推理与答案。输出的推理字段要求写出比较步骤，例如先列出两轨速度再比较大小，而不是只给结论。这种设计让推理字段本身可以作为后续训练的监督信号。

为理解阶段划分，先看流水线总览图的导读。图中顶部是第 1 阶段到第二阶段的单轨处理，中部是第三阶段的成对比较生成，底部是第 4 阶段的评估过滤，箭头表示数据从单轨描述汇入成对生成再进入过滤。

看图路径： 1. 先从顶部第一阶段看到第二阶段的箭头，确认单轨问答如何变为标题再变为单轨问答；2. 再看第三阶段中间三个并列框，确认是非、简答和句子级三路输出的位置；3. 最后看底部第四阶段的过滤箭头，确认进入最终数据集前经过两类评估

论文图 1。原论文 Figure 1：“Overview of the Jamendo-MT-QA construction pipeline.”。

该图显示第 1 阶段从单轨问答经音乐模型得到标题，第二阶段经大语言模型得到单轨问答，第三阶段用另一生成器同时产出 3 类比较问答并附带逐步推理，第 4 阶段同时使用模型评估与人工评估进行过滤。图中对同一示例轨对展示了速度倍数判断、更快轨选择与多属性综合句 3 种形态，说明 3 类问题共享同一对输入但考察不同表达能力。理解这张图后，后续组件节可以分别展开每 1 阶段的计算与约束。

标题与单轨问答如何为比较提供可对齐的表示？

第 1 阶段的分工是把原始音频变为稠密语义表示。音乐模型读入音频后输出结构化标题，要求覆盖乐器、制作、人声、情绪、速度、风格与调式。为了确认标题与音频一致，论文安排了可听音频的人工对齐评估，评估者打分标题是否准确反映乐器、人声、速度、情绪与制作线索。证据报告的平均分较高且方差较小，作者据此认为标题可作为后续问答生成的语义基础。属性覆盖分析进一步检查全部标题是否包含 7 个核心属性，结果显示每个属性覆盖率都超过 90%，同时包含 7 个属性的标题占多数，说明提示设计有效。

第二阶段的分工是把标题扩展为单轨问答。模型针对风格、速度、调式、乐器与情绪生成多样化的事实与描述问题，形成更丰富的单轨资源。这一步不直接产生比较，但为第三阶段提供了除标题与元数据之外的第 3 种输入，使比较生成器能看到同一属性的不同表述。

单轨理解 × 多轨比较推理： 单轨理解负责从一段音频中抽取风格、速度、乐器和人声等属性，多轨比较推理负责把两轨的属性放在同一维度上判断方向并组织成比较语句，二者搭配的原因是只有先有可对齐的属性表示，比较才不是空泛的感觉描述，组合后新增的作用是要求模型同时完成跨输入对齐和关系表达。

音乐标题 × 比较问答组： 音乐标题在这里承担轨标识与检索锚点的作用，比较问答组承担 1 次评测单元的作用，一个问答组固定包含是非问、简答和句子级三问，搭配的原因是同一对轨需要在不同表达难度上被反复检验，组合后可以区分模型是方向判断错还是解释组织失败。

初学者需要先建立这个依赖：若标题缺失关键属性，后续比较只能猜测；若标题属性齐全但比较器不会对齐，答案仍会各说各话。因此论文把表示质量与比较能力分开考察，后文基线也对应分为标题路线与多音频路线。

比较问答生成器如何保证每题都真在比较？

第三阶段是核心组件。输入是两轨描述的拼接，输出是固定三问。提示模板明确要求每个问题都必须比较两轨，禁止只问单轨，并规定第一问为是非比较，第二问答案为轨名，第三问为完整比较句。输出模式还要求每题带有推理字段，记录比较依据与步骤。

生成器的选择经过对比。论文最终选用较小的生成模型作为主要构造器，理由是其推理更 consistently 给出分步、有依据的过程，更适合作为监督信号。附录中对其他候选生成器的定性对比显示，有模型短答用词主观或格式不稳定，有模型推理只是复述问题，有模型推理不够细致。这些观察支持了最终选择，但属于构造阶段的定性判断，不是主基准的模型排名。

标题表示 × 多音频感知： 标题表示指先把每轨转写为一段文本描述再做比较，分工是把感知与推理分开，多音频感知指模型直接读入两段音频端到端作答，分工是保留原始声学细节，搭配比较的原因是能分离瓶颈来自感知还是推理，组合意义在于发现高质量中间表示有时可以弥补直接感知不足。

自动词重叠指标 × 大模型裁判评分： 自动词重叠指标负责统计生成句与参考句的字面重合程度，大模型裁判评分负责判断语义要点与比较关系是否成立，前者分工是廉价可重复，后者分工是捕捉换一种说法但意思正确的比较，搭配的原因是比较解释允许多种正确表述，组合后才能避免把意思对但用词不同的答案误判为失败。

比较坍缩 × 属性幻觉： 比较坍缩指回答退化为分别描述两轨或只讲氛围而没有明确比较结论，属性幻觉指编造了来源描述中不存在的乐器、节奏或制作细节，前者分工缺失的是关系，后者分工缺失的是事实依据，搭配分析的原因是句子级失败需要区分是不会比较还是记错听错，组合后能指导改进是加强关系组织还是加强属性 grounding。

理解该组件时要抓住约束与监督的对应关系。约束保证问题形态符合评测需要，推理字段保证答案可追溯。若推理只是重复问题或答案只是重复推理，过滤阶段与后续训练都会受影响，这也是论文在附图中用高亮标出弱推理的原因。

本研究训练了什么，没有训练什么，真实计算是什么？

本研究没有训练新的音乐问答模型，也没有报告梯度路径、参数冻结或优化器设置。方法部分的计算是数据构造与评估计算，不是神经网络训练。需要复述的真实过程是标注流水线的调用、检索与过滤，而不是反向传播。

具体计算包括 4 类。第一类是标题生成调用，每轨调用 1 次音乐理解模型得到文本描述。第二类是单轨问答扩展调用，把标题送入大语言模型得到多题问答。第 3 类是成对比较生成调用，把两轨描述拼成结构化输入，要求 1 次输出三题及其推理。第 4 类是质量评估计算，包括人工打分与模型裁判打分，以及全量数据的格式与事实一致性校验。

由于没有训练阶段，不能把冻结参数或确定性求解的说法套用到本研究。同样不能从模型名称推定实现细节，例如不能假设某个基线在内部如何融合两段音频，只能按论文给出的基线设置复述：标题路线先各自生成标题再用语言模型比较，多音频路线直接读入两段音频与问题端到端作答。缺失的训练超参数与硬件预算在原文中未报告，应明确记为缺项，而不是自行补充。

评测如何设置基线、题型与指标方向？

评测要回答的问题是现有模型在多轨比较上卡在哪里。比较对象包括标题路线与多音频路线。标题路线用单音频模型分别生成两轨标题，再用语言模型做比较推理；多音频路线直接处理两段音频与问题。论文还设置了元数据对照实验，用只有风格、速度与人声性别的粗粒度元数据作答，以检验任务是否真的需要音频派生信息。

为理解两类基线的信息流，先看基线设置图的导读。左侧单音频路线有两条并行支路，右侧多音频路线只有一条端到端通路，问题在左侧较晚汇入，在右侧与音频一起进入。

看图路径： 1. 先对比左右两大块标题，确认左侧是单音频标题路线右侧是多音频端到端路线；2. 再看左侧两路音频分别经过音频语言模型变为标题后汇入同一语言模型；3. 再看右侧两路音频与问题直接进入同一多音频大模型后输出答案

论文图 4。原论文 Figure 4：“Baseline evaluation setups for Jamendo-MT-QA.”。

该图左侧显示每段音频先经音频语言模型变为标题，两段标题再与问题一起进入语言模型得到答案，右侧显示两段音频与问题直接进入多音频大模型得到答案。这种画法把感知与推理的切分点标得很清楚：左侧切分点在标题处，右侧没有中间文本切分点。复现时应保持同一提示模板，只做模型所需的最小格式适配，以减少提示敏感性带来的干扰。

题型采用任务适配的评分。是非与简答用规则匹配计分，方向对即得分；句子级用模型裁判按语义打分，关注风格、速度或能量、人声、制作与情绪是否与参考答案一致，不要求字面相同。自动词重叠指标同时报告，用于说明字面指标与语义评分的差异。指标方向是准确率越高越好，语义评分越高越好。

下面这张表先提出公平性问题：在只给粗元数据、只给标题与随机猜测 3 种条件下，成绩如何排序。比较条件是同一分层抽样与同一裁判，指标方向是分数越高表示信息越充分。

表中元数据作答明显低于随机猜测，标题作答大幅领先，支持的判断是粗元数据不足以支撑比较，标题携带的音频派生信息是必要的。代价是该对照只在抽样子集上完成，不能直接推广到全量分布；同时句子级用归一化分数表示，与是非和简答的准确率不是同一量纲，跨题型比较数值大小需要谨慎。未胜出的元数据路线恰好说明任务不是靠风格标签捷径就能解决。

主结果显示哪类问题最难，两类路线谁占优？

先看数据规模与构成。最终数据集每对三问，轨对数量与问答总数较大，且跨风格配对占主导，迫使模型依赖细粒度属性而非风格身份。人工难度评分显示句子级明显难于是非与简答，因为前者需要多属性比较与连贯论证。

下面这张表回答规模与保留率问题。比较对象是构造前后的轨对数量，指标是总数与保留比例，条件是经过语义 3 维满分过滤。

表后解释需要同时讲收益与代价。收益是过滤后仍保留 90% 以上原始配对，说明严格筛选没有把分布压垮；代价是过滤标准要求三题在正确性、比较有效性与推理质量上全部满分，优先精度而牺牲覆盖，可能去掉一些困难但有价值的样本。重提规模时新增的对照是跨风格占比与难度分级：规模大不等于容易，句子级难度更高才是瓶颈所在。

主基准结果报告显示，所有模型在是非与简答上的表现一致好于句子级。能判断比较方向，不等于能生成有依据的比较解释。多音频模型在是非与简答上有起伏，直接接入两段音频并不能保证句子级解释质量。标题路线并不一致弱于多音频路线，表明中间语义表示的质量与推理能力起关键作用。字面重叠指标与模型裁判评分之间存在较大落差，支持的判断是词重叠不适合评价比较解释，应使用语义 grounded 的协议。限制是部分强模型只在抽样子集上评测，跨表比较时需核对样本范围，不能把子集分数与全量分数直接排名。

为理解风格结构，先看风格组成图的导读。内圈是单轨风格边际分布，外圈是成对组合分布，右侧列表给出高频组合的数量级。

看图路径： 1. 先看内圈各风格占比，确认摇滚与独立音乐占据主要份额；2. 再看外圈成对组合的展开，确认跨风格组合明显多于同风格组合；3. 再看右侧成对列表，确认高频组合的具体名称与数量级

论文图 6。原论文 Figure 6：“Genre composition and genre-pair distribution in Jamendo-MT-QA.”。

该图显示摇滚、独立与流行占据主要份额，外圈多数为跨风格组合，同风格组合只占少数。这种结构支持论文的设计主张：模型难以只靠风格身份取巧，必须比较乐器、制作、速度或人声等细粒度属性。需要注意图注说明可视化只展示高频风格，百分比可能与全量表格统计存在口径差异，引用时应标注冲突而不是自行调和。

失败条件与裁判偏差如何被证伪与限定？

论文把句子级错误定义为裁判分数低于阈值的样本，并用另一模型对主失败类型分类。分类占比按每个模型各自的错误样本归一化，因此跨模型比较的是错误构成，而不是错误率本身。结果显示不同模型的错误构成不同，有的偏向比较坍缩，有的偏向属性幻觉，粒度不匹配占比较小。

为理解错误构成，先看热力图导读。行是模型，列是错误类型，颜色深浅表示在该模型错误样本中的占比，数值越大表示该类失败越主导。

看图路径： 1. 先按行找到四个模型名称，再按列找到比较坍缩与属性幻觉两类主错误；2. 再比较同一行内两种颜色深浅，确认该模型主要失败类型是哪一列；3. 再跨行比较同一列数值高低，确认哪类模型更容易编造属性细节

论文图 5。原论文 Figure 5：“Heatmap visualization of error type distri- butions across models.”。

该图显示标题路线模型的错误更多集中在属性幻觉一列，而某个多音频模型的比较坍缩占比更高，说明两类路线失败形态不同。标题路线可能因标题细节不准而编造属性，多音频路线可能因关系组织不足而回避明确比较。像素可辨的数值不应硬读到小数点后多位，解读应停留在主次关系与跨行对比，并结合原文表格中的具体比例理解。未评测边界是分类器本身也是模型判断，多问题并存时只取最显著一类，可能低估复合失败。

另一组反证是裁判自偏好检验。论文比较同一裁判对不同来源数据的打分差异，报告的差异不显著，效应量很小，支持裁判没有系统偏好自家生成的说法。下面这张原表直接给出该检验的数值，适合核对。

表前的问题是裁判是否给自己生成的数据更高分，公平条件是同一裁判、同一量表、相近样本量，指标方向是组间差异越小越支持无偏好。表后解释是三行语义维度的组间均值接近，检验值不支持显著差异，代价是这只能说明聚合层面无系统偏好，不能保证每个单题判断都与人工一致。论文也明确把模型裁判定位为一致的语义打分器，其行为用人均统计锚定，可扩展但单题一致性仍有变异。结合元数据对照与字面指标落差，可以形成完整反证链：任务需要音频派生信息，字面指标不足，语义裁判在聚合层面可用但需谨慎使用。

哪些结论有边界，哪些量没有被测量？

直接报告的是数据规模、过滤保留率、标题属性覆盖、对照实验差距与基准排名趋势。有限解释的是瓶颈归因，例如把标题路线不弱于多音频解释为表示质量与推理能力重要，这得到多组结果支持，但仍是解释而非因果证明。未验证推测是更强的比较推理一定能通过改进感知或提示解决，这需要后续干预实验才能确认。

缺失证据不是技术错误，但必须点名。论文未报告训练资源、推理开销、延迟与输出帧率，因此不能承诺该基准带来效率改善。总体趋势不等于每组都成立，例如跨风格占主导不等于每个风格组合都被充分覆盖，句子级更难不等于每道句子题都难于每道是非题。

数据偏差也需要说明。来源为知识共享音乐收藏，风格分布偏向摇滚、独立与流行，标题与问答可能继承风格标签、艺人人口结构与描述语言的偏差。问题生成自动化，虽经内容监控与过滤，仍建议使用者在训练与评测时考虑这些因素。人工评估在标题阶段可听音频，在问答过滤阶段基于文本描述而不要求直接听音频，这一条件差异决定了过滤保证的是文本依据充分性，而不是逐题的声学真实性复核。

复现先做什么，需要哪些信息条件？

复现应先重建信息条件，再跑评测。第一步确认轨对划分与每对三问结构，核对是非答案只允许肯定否定、简答答案为轨名、句子答案为完整比较句的格式约束。第二步重建标题与单轨问答的输入，确认比较生成时输入包含标题、元数据与单轨问答的拼接，而不是只给音频文件名。第三步固定评测协议，是非与简答用规则匹配，句子级用语义裁判并记录提示与量表，同时保留字面指标以复现落差现象。

关键超参数与解码设置按原文附录交代，不同模型使用各自的温度与最大长度，标题路线还需区分结构化标题提示与简洁标题提示。复现多音频基线时注意成本约束，原文部分强模型只在抽样子集上评测，若要与全量结果对比，应先在同一子集上对齐。

资源状态是另一项先决检查。本次收到的证据中没有发现来源绑定且完成安全验证的资源，因此不能声称代码、模型或数据已公开或当前可用。复现前应以原文声明与可达链接为准，若链接不可用则记为不可用，若本次未能确认可达则记为未能确认，不要继承其他解读的公开性判断。

何时值得尝试这个基准，还需补哪项验证？

当研究目标是跨轨关系而不是单轨识别时，这个基准值得尝试。例如想检验模型能否在同一维度上对齐速度、调式、人声与制作并给出方向结论，或者想分离感知接入与推理组织的贡献，都可以直接使用每对三问的结构。标题路线适合先验证推理模板与评估协议，多音频路线适合再检验端到端感知的增益。

使用时要避开两个特有误解。一是把是非正确等同于比较能力，论文证据表明方向判断明显易于解释生成，只看是非会高估模型。二是把字面分数低等同于模型完全失败，比较解释允许多种正确表述，应以语义裁判为主并辅以人工抽查。

还需补的验证包括单题层面的人模一致性、复合错误的联合标注，以及在更多风格与语言分布上的覆盖检验。若要把该基准用于训练，还需检验推理字段作为监督信号的有效性，而不仅是其可读性。只有补齐这些验证，才能把句子级比较从可测量的困难变成可改进的能力。

⚖️ 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