吴语没有数据就没有模型：用八千小时多维标注把理解与生成一起补齐

英文题目：WenetSpeech-Wu: Datasets, Benchmarks, and Models for a Unified Chinese Wu Dialect Speech Processing Ecosystem

会议身份：conference:acl:2026:conference-paper-id:2026.findings-acl.1395

✅ 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 #数据集构建 #语音识别

评分：7.4/10 | 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 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5

排名：前50% | 文档类型：数据集与基准

👥 作者与机构

• Chengyou Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Mingchen Shao：机构信息未能从会议 PDF 纯文本可靠映射
• Jingbin Hu：机构信息未能从会议 PDF 纯文本可靠映射
• Zeyu Zhu：机构信息未能从会议 PDF 纯文本可靠映射
• Hongfei Xue：机构信息未能从会议 PDF 纯文本可靠映射
• Bingshen Mu：机构信息未能从会议 PDF 纯文本可靠映射
• Xin Xu：机构信息未能从会议 PDF 纯文本可靠映射
• Xingyi Duan：机构信息未能从会议 PDF 纯文本可靠映射
• Binbin Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Zhu Pengcheng：机构信息未能从会议 PDF 纯文本可靠映射
• Chuang Ding：机构信息未能从会议 PDF 纯文本可靠映射
• Xiaojun Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Hui Bu：机构信息未能从会议 PDF 纯文本可靠映射
• Lei Xie：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

吴语语音处理的输入是沪苏杭等多口音野外语音，输出涵盖方言转写、吴语到普通话翻译及说话人属性与情感判断，其难点在于全浊声母保留、复杂连读变调与次方言差异叠加且缺乏公开大语料与统一评测。为此工作先经元数据过滤、端点检测切分与深度噪声平均意见分加信噪比过滤收集高质量野外语音，为后续标注提供干净输入。接着用880小时人工数据微调的Tele-CTC-FT与Step-Audio2-FT联合Dolphin、TeleASR进行自动转写，并经识别器输出投票差错降低融合生成带置信度终稿，使多识别器互补结果进入统一文本。然后叠加说话人属性、吴语到普通话翻译、跨模态情感与韵律特征等多维标注，并据此划分人工核验基准与分级训练子集，形成可直接训练与评测的数据闭环。与把吴语视为多语附庸的通用大模型不同，该工作以方言为中心重建数据、基准与模型，使大规模方言预训练与高质量监督微调衔接，具有补齐低资源方言生态的实际意义。在WenetSpeech-Wu-Bench基准测试下，Step-Audio2-Wu-ASR的字符错误率CER为12.85%，低于Step-Audio2-mini的26.72%。该结论适用边界受限于以上海话为主的评测分布，对低覆盖次方言与强噪声多说话人场景的外推尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 第三方资源：https://github.com/wenet-e2e/wespeaker — 链接可访问（HTTP 200）
• 第三方资源：https://github.com/mjpost/sacrebleu — 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

吴语语音为什么难到普通话模型直接用不了？

输入是刚进入语音方向的研究生，目标是能复述这篇论文做了什么、用什么条件证明有效、边界在哪里。必须保留的信息是约 8000 小时吴语语料、8 个次方言与 11 个领域、多维标注、人工基准覆盖的 6 类任务、以及 3 类模型的训练与评测条件，输出是 1 篇可核对的技术解读。本文只讲论文实际研究的吴语理解与生成任务，教学举例会明确标为例子。

吴语难首先难在语音本身，白话解释就是声母保留了普通话已经丢失的全浊音，连续说话时声调变化规则又特别绕，上海话、苏州话、杭州话之间差别也大。英文名是 Wu dialect，后文简称吴语。普通话英文是 Mandarin，后文简称普通话。成熟的普通话与英语生态是数据、基准、模型互相推动，而吴语此前只有约 4.19 小时的公开上海话识别数据，没有情感、说话人属性和富有表现力的图文对，也没有公开基准，所以商业与开源系统基本不可用。论文要补的正是数据、基准、模型三环。

导读这张生态总览图时，先把握它不是模型结构图，而是贡献循环图，右侧 4 个要点分别对应规模、多维、高精度与性能主张。

看图路径： 1. 先看中间 WenetSpeech-Wu 与外圈三个箭头的循环方向；2. 再读右侧四个条目确认规模维度精度与性能的对应关系；3. 最后把循环理解为数据支撑基准、基准牵引模型、模型反证数据的闭环

论文图 1。原论文 Figure 1：“Highlights of WenetSpeech-Wu.”。

这张图可见的是中间以 WenetSpeech-Wu 为圆心，外圈黄色数据集、绿色模型与红色基准箭头首尾相接，右侧虚线框列出大规模、多维、高精度与高性能 4 个方向。它的教学价值是帮你建立依赖顺序：先有多样吴语语音进来，才有可比的评测，再有可用的模型，模型效果又反过来证明数据有效。不要把右侧的宣传性词汇当作已证明的数值，真正的证据要到后面的基准表与模型表去核对。

同类方言语料与吴语单点研究缺了哪一块？

相关工作要按同输入、同目标、同监督、同运行阶段来对照。低资源与方言语料一边，Common Voice、GigaSpeech2、KeSpeech 推进了多语种与多口音覆盖，粤语的 WenetSpeech-Yue 与四川话的 WenetSpeech-Chuan 推进了汉语方言覆盖。但按论文梳理，前两者主要只有转写，KeSpeech 加了方言与基本说话人标签，粤语与四川话工作虽有副语言标注，却只用识别与合成实验验证，没有用情感识别、翻译或指令合成去验证副语言标签的可用性。这意味着它们的输入相似，目标与监督却窄于本文。

吴语一边，早期多为单个次方言的识别或合成，尤其是上海话，忽视苏州、杭州等变体；近期 Dolphin、Qwen3 系列、Step-Audio2 等大系统把吴语当作低优先级子集，基础识别与合成仍不够实用。更关键的是连基本的识别与合成都没有公开标准化基准，以往只能在私有测试集上自说自话。本文的差异是把转写、翻译、副语言、声学特征与质量分级同时做进同一语料，并配人工基准与可运行模型，使后续可以在相同条件下比较。

论文把生态缺失拆成哪三个可执行问题？

论文把大问题拆成数据、评测、模型 3 个可执行问题。数据问题是如何从野外抓取多样吴语语音并给出可信的多维标注，包括转写、吴语到普通话翻译、领域与次方言标签、性别年龄、情感与音质度量。评测问题是如何做出与训练集严格隔离的人工基准，覆盖识别、吴语到普通话语音翻译、说话人属性、情感识别、语音合成与指令合成，使公平比较成为可能。

模型问题是如何在同一数据上训练出理解侧的识别与统一理解模型、生成侧的合成与指令合成模型，并在与开源基线和商业系统相同的测试集上证明可用性。教学例子：好比你要做一道方言菜，数据是备菜，基准是 taste 标准，模型是厨师，三者缺一都无法判断菜谱是否成立。论文的限定是只做吴语，不解决所有低资源语言，且明确承认分布不均与自动标注噪声。

从野外音频到多维语料的全景分几步走？

方法全景可以沿一个样本走完输入到输出。输入是一段野外吴语音频，先经元数据过滤去掉非吴语，再经 WebRTC 端点检测切成最长 30 秒的短句，再经 DNSMOS 与信噪比过滤留下质量可用的语音。表示阶段用微调后的吴语识别工具产生候选文本，再用投票融合得到最终文本与置信度。组件阶段对同一音频并行产生说话人属性、普通话翻译、情感标签与韵律声学特征。

目标是每个样本都有统一 JSON 条目，含编号、时长、转写、译文、置信度、领域与次方言、音质、副语言与基频能量语速等底层特征。输出是约 8000 小时、3,860,000 条、平均 7.45 秒的语料库，再按任务切出不同质量层。 要理解各模块如何衔接，先看这张 4 段式流水线图，它把采集、工具、融合、标注的依赖画成了从左到右的主路径。

看图路径： 1. 从左到右沿 A 采集过滤经 B 工具构造到 C 转写融合再到 D 多维标注走一遍；2. 在 C 区确认四个识别输出经加权汇入 Final-Text 的汇聚箭头；3. 在 D 区对照说话人属性、翻译、情感交叉验证与声学特征四个子块的分工

论文图 2。原论文 Figure 2：“Data construction pipeline for WenetSpeech-Wu.”。

这张图左侧 A 框是野外数据经端点检测切分，B 框是内部数据微调出 Tele-CTC-FT 与 StepAudio2-FT 两个吴语标注器，中间 C 框是 4 个系统输出经权重投票得到最终文本，右侧 D 框是说话人属性、词典加 Qwen3-8B 的翻译、声文交叉验证的情感、以及能量音量基频语速等声学特征。教学要点是权重经网格搜索确定，情感是先用声学与文本模型筛出非中性，再用两个大模型交叉取交集，目的是压住单模态误判。原文未给出投票权重的具体数值与网格范围，这是复现时需要补记的缺项，不要从模型名推定权重。

转写融合与多维标注各自解决什么噪声？

转写融合解决的是单模型方言偏误。白话说就是每个识别器都有自己听不清的口音，融合用对齐加投票把多数一致的字留下来。英文是 Recognizer Output Voting Error Reduction，缩写 ROVER，后文简称投票融合。转写置信度是加权投票给出的分数，后文简称置信度。做法是融合两个在 880 小时人工吴语上微调过的模型 Tele-CTC-FT 与 Step-Audio2-FT，再加 Dolphin 与 TeleASR 共 4 个输出，用网格搜索定权重。

保留门限是置信度高于 0.55 才入库，识别与合成的中质量层要求高于 0.6，高质量层要求高于 0.85 或 0.65 以上，目的是大预训练要覆盖、小微调要干净。多维标注解决的是任务多样性。说话人属性用 VoxProfile 推性别年龄，用 Pyannote 判多人；翻译先词典映射再用 Qwen3-8B 改写成流利普通话；情感先用 SenseVoice 与 Emo2Vec 看声音、用 Qwen3-8B 看文本，共同判非中性后再用 DeepSeek-R1 看文本、Gemini-2.5-Pro 听声音取交集。

韵律用 Dataspeech 提语速、响度、基频、能量。这种组合把声学与语义分开初筛再交叉，代价是流程长、任一环节偏误都会传导。

吴语 × 普通话： 吴语指上海、浙江、江苏及海外社区约 100000000 人使用的汉语分支，保留全浊声母与复杂连读变调；普通话指全国通用标准语，在本文中承担翻译目标与对照参照。两者搭配的理由是吴语语音与普通话在声韵调和词汇上差异大，直接用普通话模型识别会失效，因此需要先保留吴语转写再映射到流利普通话译文，组合意义是用同一条语音同时学习方言忠实记录与跨方言可理解输出。

沿样本走一遍：一段上海话采访音频进来，切成 2.3 秒短句，投票融合给出吴语转写与 0.89 置信度，翻译给出普通话，副语言给出青年男性高兴，底层特征给出语速与基频均值方差，全部装入同一 JSON。这就是后文可按任务筛选的依据。

质量分级如何让同一批数据服务不同任务？

质量分级解决的是不同任务对噪声容忍不同。识别与合成需要大量数据做持续预训练，所以设中质量层求覆盖；做监督微调时则要高置信、干净声学与可靠说话人切分，所以设高质量层。对翻译、属性、情感、合成与指令合成更敏感的任务，论文采用更严的单说话人、高平均意见分、高信噪比、基频标准差与标注一致性筛选。具体到数值，识别中质量 7388 小时、高质量 795 小时，翻译 795 小时，属性 2986 小时，情感 500 小时，合成中质量 7388 小时、高质量 1500 小时，韵律指令 679 小时、情感指令 161 小时。

教学含义是不要拿同一阈值训练所有任务，翻译与情感对语义歧义更敏感，必须用更干净的子集。原文表给出了各任务的小时数与阈值方向，但部分列的声学门限只在文字中提及，复现时要以文字为准核对单说话人与信噪比条件。

ROVER × 转写置信度： ROVER 指识别器输出投票纠错，负责把多个语音识别系统的文本输出按词对齐后加权投票融合成最终文本；转写置信度指加权融合过程给出的可靠程度分数，负责衡量该融合结果可信度。两者搭配的理由是单一吴语识别器在口音和噪声下各有偏误，投票可以互补，而置信度把互补程度量化为可筛选阈值，组合意义是既得到更准的转写，又得到可用于分级入库的质量标尺。

持续预训练 × 监督微调： 持续预训练指从公开语音合成 checkpoint 出发，用大规模中等质量吴语数据继续训练多轮，负责补足方言发音与鲁棒性；监督微调指再用小规模高置信、单说话人、高信噪比数据以小学习率训练少数轮，负责提升自然度与指令跟随。两者搭配的理由是前者重覆盖、后者重精确，组合意义是先把模型拉入吴语分布，再用干净监督稳定高质量输出。

韵律控制 × 情感控制： 韵律控制指按指令改变语速快慢与基频高低，负责可测量的声学执行；情感控制指按指令合成愤怒、悲伤、高兴、惊讶等情感，负责语义到表达的映射。两者搭配的理由是指令语音合成既要能调参量又要能调类别，前者用声学特征判定相对变化是否正确，后者用理解模型判定情感类别是否命中，组合意义是把可控生成拆成客观声学与主观感知两条可验证路径。

这 3 个桥放在一起是为了提醒：融合与置信度管转写可信，持续预训练与微调管生成质量，韵律与情感管可控维度，3 组机制分别对应数据、模型、评测三环，不要混为一谈。

理解与生成模型各拿什么数据练了多久？

训练侧分理解与生成两条线。理解线有 3 个识别模型：Conformer-U2pp-Wu 从零训练，Whisper-Medium-Wu 从公开权重微调，Step-Audio2-Wu-ASR 用 LoRA 在 MS-Swift 框架下参数高效微调 Step-Audio2-mini。三者都在识别中质量子集上预训练，再在识别高质量子集上微调。统一理解模型 Step-Audio2-Wu-Und 先在识别中质量加高质量翻译与年龄性别情感标注上预训练，再与识别高质量子集一起微调，提示词在训练与推理时保持一致以免分布错位。

生成线从 CosyVoice2 出发，先用合成中质量数据持续预训练 10 轮，再用合成高质量数据微调 3 轮，最后在 10 小时内部高质量数据上做单说话人微调。指令模型用韵律与情感指令数据以小学习率训练 5 轮。原文附录给了各模型的参数量、学习率、 warmup 与 batch 动态帧数，但未报告总 GPU 小时与硬件预算，这是成本复现的缺项。 看懂训练前先看数据分布，因为分布决定了预训练见过什么、微调能纠正什么。

看图路径： 1. 先看上排领域环、下排次方言环与中上时长和置信度直方图的搭配；2. 再看下排语音质量与信噪比直方图的峰位与拖尾；3. 最后把上海话占比高与未知标签约三成七联系起来理解分布不均

论文图 3。原论文 Figure 3：“Statistical overview of WenetSpeech-Wu.”。

这张六面板图上排是领域环、时长直方图、置信度直方图，下排是次方言环、DNSMOS 直方图、信噪比直方图。可见时长峰在 5 到 7.5 秒，置信度峰在 0.65 到 0.75，音质多在 2.0 到 3.5 分，信噪比多在 10 到 40 分贝、峰在 20 到 30 分贝。次方言中约 37% 标为未知无法可靠归属，已知部分以上海 62.9% 与苏州 23.1% 为主，杭州 7.4%、嘉兴 4.0% 等较少，台州与温州不足 1%。教学结论是预训练天然偏向上海与苏州，对低占比变体的泛化需要单独留心，这与后文局限中分布不均的自述一致。

基准如何保证人工质量与严格隔离？

实验条件按任务组织。识别测试集是 9.75 小时上海、苏州与普通话混杂语音，含单人与多人场景，指标是字错率，越低越好，字符级错误另做分析。翻译测试集是 3000 条共 4.4 小时多领域吴语，每条配人工核验的普通话译文，指标是用 sacreBLEU 算的 BLEU，越高越好。属性与情感测试集是离散分类，性别男女各 1500 条，年龄青年中年老年各 500 条并另有青少年定义，情感是中性 300、高兴 200、悲伤 100、愤怒 200、惊讶 200 共 1000 条，指标是类别与总体准确率，越高越好。

3 位标注者加专家仲裁，不一致或无法可靠判断的丢弃，一致性是性别 Fleiss Kappa 0.93 与一致率 95.6%，年龄 0.85 与 92.1%，情感 0.80 与 89.5%，平均 0.86 与 92.4%。合成测试集是 144 易与 98 难共 242 句，经吴语专家校订，提示音来自 MagicData-Shanghai 的 12 位说话人，客观指标是说话人相似度与用自研识别模型算的可懂度字错率，主观是可懂度、相似度、口音三项平均意见分。指令合成含韵律与情感两套，韵律看语速与基频相对变化是否命中，情感看理解模型预测是否命中，另有韵律与情感主观分。

关键公平条件是基准与大规模自动语料严格隔离，内部对话与阅读集对吴语训练模型是域外，对内部微调的标注模型则是基准为域外，双方各有未见过的测试面。

识别与统一理解是否真正可用？

结果先看理解侧。比较问题是在相同吴语测试上，自研模型是否优于开源基线与商业系统，公平条件是同一识别测试与同一翻译属性情感测试，指标方向是字错率越低越好、翻译与分类准确率越高越好。下表是统一理解模型在基准上的表现，含识别字错率、翻译 BLEU 与 3 类属性准确率。

表后解释：Step-Audio2-Wu-Und 的识别字错率为 13.23，低于 Step-Audio2-mini 的 26.72 与 Qwen3-Omni 的 44.27；翻译为 53.13，高于基线的 37.81 与 33.31；年龄 0.729 与情感 0.712 高于基线，性别 0.956 略低于 Qwen3-Omni 的 0.977 但高于 Step-Audio2-mini 的 0.855。支持的判断是吴语数据有效补上了方言与普通话在年龄情感上的错位，代价是多任务微调后识别略逊于专用识别模型的 8.68 到 12.85 区间。未胜出项是性别一项被通用大模型反超，说明性别线索对方言依赖较小。 再看基准规模本身，下表给出各任务的条数与时长，用于核对评测体量是否足以支撑结论。

表后解释：识别 4851 条 9.75 小时、翻译 3000 条 4.4 小时、性别 3000 条 4.39 小时、年龄 1500 条 2.22 小时、情感 1000 条 1.41 小时，体量上识别与翻译最有说服力，情感中悲伤仅 100 条需谨慎解读。结合雷达图看，吴语理解模型在各细类上更均衡，而基线在青年与中性上突起、在其他情感与年龄上塌陷，总体趋势不等于每类都好。 理解分布细节时对照这张雷达图，它把年龄性别情感的细类准确率画在同一极坐标下。

看图路径： 1. 先按图例区分橙色基线、红色吴语理解模型与紫色通用模型的三个多边形；2. 再沿年龄、情感、性别各轴比较红色面积是否更均衡外扩；3. 最后重点看青年年龄与中性情感轴上基线突起但其他轴塌陷的偏科现象

论文图 4。原论文 Figure 4：“Supplementary comparison results on age, gender, and emotion recognition tasks.”。

这张图像素可见 3 条多边形，橙色基线在青年与中性轴外凸但在老年与惊讶等轴内缩，红色吴语模型整体更靠外且形状更圆，紫色通用模型居中。教学动作是不要只读总体准确率，要沿每个轴检查偏科，红色更均衡即是数据补齐方言副语言错位的证据，但性别轴上紫色与红色接近，再次说明性别对方言最不敏感。

分阶段训练与指令微调各自带来什么增量？

反证按可运行策略组织。识别侧的对照是开源与商业基线在 3 个测试上字错率多在 20% 以上甚至 80% 以上，而最小的 Conformer-U2pp-Wu 已降到 12 到 15 区间，Whisper-Medium-Wu 再低约 1 个点，Step-Audio2-Wu-ASR 降到 7.86 到 12.85 区间，说明数据而非单纯规模是主因。生成侧的对照是 CosyVoice2 在难集上字错率高达 82.49，经持续预训练降到 32.97，再经监督微调降到 25.00，单说话人微调降到 15.45，易集从 10.33 降到 5.42 左右，主观可懂度口音分也同步上升，说明大覆盖先救鲁棒、小干净再救自然度。指令侧对照显示情感 4 类与韵律两项在微调后全面上升，主观韵律分从 2.13 到 3.68、情感分从 3.66 到 3.83。下表复用统一理解的总体对照，用于确认多任务没有以牺牲翻译为代价换属性。

表后解释：与基线相比，吴语理解模型在翻译上高出约 15 个 BLEU 点，在年龄上高出约 0.19 到 0.36，在情感上高出约 0.04 到 0.25，识别字错率减半以上。代价是专用识别仍更优，多任务存在轻微折中。另一张表聚焦情感细类条数，提醒悲伤样本最少，细类结论的方差最大。

表后解释：中性 300 条 0.50 小时、高兴 200 条 0.23 小时、悲伤 100 条 0.26 小时、愤怒 200 条 0.15 小时、惊讶 200 条 0.27 小时，愤怒单条最短而悲伤单条较长，时长差异可能影响情感判断，复现时应保持按类别分别报告而不只报总体。若只看总体会掩盖小类不稳，这是必须保留的边界。

分布不均与自动标注噪声在哪里最危险？

论文自述三点局限。分布上次方言与领域不均衡，未知标签约三成七，已知以上海苏州为主，低占比变体泛化可能受损。标注上大量依赖自动与半自动流水线，虽有严格过滤，仍不如全人工干净，翻译的流利改写与情感的交叉取交集都可能引入系统偏误。模型上基线只求强可复现的参照，而非每任务最优，后续可用更专用建模再提升。未测量项是训练与推理开销、延迟与部署成本，原文未给 GPU 小时与实时率，不能承诺效率改善。

伦理上数据仅来自公开可研究用途的非受限网络来源，去除姓名电话地址等个人标识，基准标注由专业数据公司执行且不向标注者暴露隐私，发布限定非商业研究用途。这些不是技术错误，而是使用时必须加上的适用条件。

要复现应先准备什么、按什么顺序跑？

复现先做三件事。第一是拿到代码与数据声明，论文给出 WenetSpeech-Wu 仓库链接，当前可用性以资源状态为准，本次收到的第三方工具为 WeSpeaker 与 sacreBLEU 均显示可用，分别用于说话人相似度与翻译 BLEU，不要把工具可用当作数据已公开。第二是按质量层取数，识别预训练用中质量、微调用高质量，翻译属性情感指令用各自严筛子集，阈值与单说话人、信噪比、基频标准差条件要与原文一致。

第三是固定提示词，理解任务训练与推理用同一套英文提示的等价表述，指令合成训练与推理用同一指令模板，避免分布错位。运行顺序是先复现投票转写与 JSON 入库，再跑识别基线确认字错率量级，再跑统一理解的多任务微调，最后跑合成的持续预训练、微调、单说话人 3 段。核对点是数据集、模型、阶段、指标、单位与聚合对象六项一致，百分点与相对百分比不混用，自动指标不替代主观分。

若权重与内部 10 小时数据未公开，则只能复现到 CosyVoice2-Wu-SFT 一步，单说话人最优值应标为事后参照而非可部署收益。

何时值得尝试这套方法、还需补哪项验证？

何时值得尝试取决于你的任务是否落在吴语分布内。若做上海苏州为主的识别、翻译、合成与属性分析，且能接受非商业研究许可，这套分级数据加人工基准是直接可用的起点；若做台州温州等极低占比变体或高度表现力场景，应先补采该变体数据并单独评测细类，不能把总体增益推广到每组。还需补的验证是低占比次方言的留出测试、情感小类的置信区间、以及延迟与成本测量。

误解澄清有三点：其一，无训练不等于确定性求解，本文是有训练的，只是部分模型冻结或用 LoRA，高效微调仍是学习；其二，中质量数据多不等于质量差，它是为覆盖而设，微调必须切到高质量；其三，基准高一致性不等于任务已解决，Kappa 高只说明标注可比，模型在难合成与小情感类上仍有明显短板。把这些条件记牢，才能把论文的增量用对地方。

⚖️ 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