视频会议为何让视听语音识别崩溃：传输失真与过度表达的双重漂移

英文题目：When AVSR Meets Video Conferencing: Dataset, Degradation, and the Hidden Mechanism Behind Performance Collapse

会议身份：conference:cvpr:2026:conference-paper-id:Huang_When_AVSR_Meets_Video_Conferencing_Dataset_Degradation_and_the_Hidden_CVPR_2026_paper

✅ 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：#数据集 #数据集构建 #鲁棒性 #音视频语音识别

评分：6.8/10 | 创新 1.6/2 | 技术严谨 1.0/1.5 | 实验充分 1.2/1.5 | 清晰度 0.7/1 | 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

• Yihuan Huang：机构信息未能从会议 PDF 纯文本可靠映射
• Jun Xue：机构信息未能从会议 PDF 纯文本可靠映射
• Liu Jiajun：机构信息未能从会议 PDF 纯文本可靠映射
• Daixian Li：机构信息未能从会议 PDF 纯文本可靠映射
• Tong Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Zhuolin Yi：机构信息未能从会议 PDF 纯文本可靠映射
• Yanzhen Ren：机构信息未能从会议 PDF 纯文本可靠映射
• Kai Li：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

音视频语音识别（Audio-Visual Speech Recognition，AVSR）以会议音视频为输入并输出转写文本，在视频会议（Video Conferencing，VC）中面临编解码与增强带来的传输失真和受阻沟通诱发的人类超表达双重难点。该工作先将公开测试集经Zoom、Lark、Tencent Meeting真实传输并评测Auto-AVSR、mWhisper-Flamingo、LiPS-AVSR三种主流模型以量化崩溃，再按四平台真实录制与四档噪声诱发Lombard效应的流程构建31人共22.79小时的MLD-VC数据集，接着用openSMILE提取基频与共振峰等特征对比离线与在线分布，最后以编解码与增强仿真定位漂移来源并用MLD-VC微调验证修复效果。与已有离线加噪鲁棒性研究不同，该工作揭示语音增强上移第一共振峰（First Formant，F1）与第二共振峰（Second Formant，F2）的机制与Lombard谱偏移高度相似，从而解释了Lombard训练更耐受会议失真的现象。在Chinese-Lips经三平台传输的评测中，LiPS-AVSR微调后字错率（Character Error Rate，CER）平均相对降低17.5%，MLD-VC域内CER相对降低67.2%。结论仅在受控Grid短句、中英朗读、四平台默认设置的范围内得到验证，长尾口语、开放词汇与网络抖动下的外推尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 数据相关资源：https://huggingface.co/datasets/nccm2p2/MLD-VC — 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，目标是什么，本文要保留哪些可核对信息？

本文的输入是视频会议收发两端的音视频记录，目标是解释并缓解视听语音识别在该场景下的错误率上升。视听语音识别的英文是 Audio-Visual Speech Recognition，简称 AVSR，它要把说话人的连续音频与唇部视频映射为文字。评价用词错误率与字错误率，英文侧重词错误率，中文侧重字错误率，数值越低越好。论文首先报告了一个跨平台、跨语言、跨模态的普遍崩溃，而不是某个模型或某种语言的偶发问题。后续所有方法与数据构造都围绕两个可测量的漂移展开，一是平台对信号的加工，二是人在受阻交流中的发音改变。

输出是一份可复述的流程：如何复现传输、如何诱发并记录过度表达、如何用声学特征定位漂移来源、如何用新数据微调并报告跨平台收益。本文不做营销式判断，所有效果都绑定具体数据集、平台、模态与指标方向。资源状态方面，论文正文给出数据集链接，但本次资源核查显示该链接本次未能确认可达，因此不能写已公开可用，只能写本次未能确认可达，后续复现需先验证链接与版本。

视听语音识别 × 自动语音识别： 自动语音识别只用音频完成从声学到文字的映射，视听语音识别在此基础上增加唇部视频作为第二输入，分工是音频提供音素主体信息、视觉在噪声或失真下补足发音位置信息，搭配理由是 2 模态在发音动作上同步，组合意义是当音频谱结构被平台处理改变时仍能靠视觉约束解码，但若视觉本身也被压缩破坏则互补失效。

为沿一个样本走完全程，可以设想 1 名学生朗读一句网格句，这只是一个教学例子。输入是麦克风采集的波形与相机采集的面部视频，表示是经预处理后的单通道波形与裁剪出的唇部区域，组件是音频编码器、视觉编码器与融合解码器，目标是输出与朗读内容一致的词序列，输出用错误率衡量。当该样本经过会议平台后，波形经历压缩与增强，视频经历压缩与可能的延迟，人的朗读本身也因戴耳机听噪声而更用力，这种输入变化会同时改变表示分布，最终抬高错误率。理解这条链路是阅读后续章节的前提，也是判断微调是否有效的基准。

已有路线在噪声与缺模态上做了什么，还缺哪一块？

已有的鲁棒视听语音识别工作主要沿两条路线展开。第一条是加噪训练与融合增强，在离线数据集上人工加噪声或随机丢模态，训练模型利用另一模态补足信息。第二条是跨模态注意力与预训练视觉语音表征，用更大的离线语料学习唇动与音频的对应关系。这两条路线在受控噪声下有效，但运行阶段与本文不同：它们的数据仍是预先采集、紧同步的干净记录，缺少会议平台的实时压缩、噪声抑制与语音增强，也缺少人在隔着屏幕交流时的补偿性发音。

另一支相关工作是人类过度表达研究，语音学中的高低理论与隆巴德效应文献指出人在噪声或交流受阻时会放慢语速、扩展元音空间、提高基频，近期对真实会议录像的分析发现类似现象在视频会议中普遍存在，表现为更频繁的停顿、更长的元音与更高的基频。论文的对照点正在于此：同输入都是音视频、同目标都是转写、同监督都是词级标注，但运行阶段从离线文件变为在线传输加人的自适应，因此不能把离线噪声下的胜负直接搬到会议场景。

本文的缺口陈述是有源的：此前缺少直接经由多个真实平台采集的多模态会议数据集，也缺少对声学漂移来源的拆解。已有会议录像多为单平台、短时长，已有隆巴德库多为离线采集，都不能同时覆盖传输与人的两条分支。这就决定了后文必须新建配对数据，并在同一测试集上传输重测，而不是只做仿真加噪。

视频会议的崩溃从哪里来：哪两个因素要分开看？

论文把视频会议与面对面交流的差异归纳为两个关键因素。第一个因素是传输失真，音频与视频在发送与接收之间要经过编码压缩、噪声抑制与语音增强，平台默认设置下这些处理不可关闭且实现不公开。第二个因素是自发的人类过度表达，参与者会隐式地认为当前交流比面对面更受限，于是自发提高音强、夸张表情、增加手势以保证可懂度。两者都会使数据分布偏离离线干净条件，但作用位置不同：前者在通道中改写信号，后者在源头改变发音。

若不分开，就无法解释为何在安静条件下录制的会议数据仍出现很大的共振峰偏移，也无法解释为何用隆巴德数据训练的模型反而更稳。论文用图示把这种双链路结构固定下来，上栏是直接交互，下栏是经由平台的受阻交互。这段导读帮助读者在看图时抓住主路径：上栏只有说话人与听者之间的直接声波，下栏多了采集设备、平台处理与接收设备的中间环节，左右两端都标注受阻交流导致过度表达，中间标注传输导致数据失真。

看图路径： 1. 先看上栏面对面直接交互的双人箭头，再看下栏经过会议平台的中间环节；2. 对照下栏左右两端标注的受阻交流导致过度表达的文字位置；3. 确认中间四个平台图标之间标注的传输导致数据失真

论文图 1。原论文 Figure 1：“Compared to the face-to-face scenario, we identify two key factors affecting AVSR in video conferencing: transmission distortions in online and hyper-expression in a hindered…”。

该图显示的正是上述分工：面对面上栏没有中间加工框，只有两张人像与中间的声波符号，标注自然交流与直接数据交互。视频会议下栏在说话人与听者之间插入了显示器、4 个平台图标与双向传输箭头，左右人像表情与声波纹样也与上栏不同，提示人的发音状态已变化，底部 3 组文字分别对应左侧过度表达、中间数据失真、右侧过度表达。后文的数据集构造与特征分析分别对应这两条分支，构造部分用多平台录制覆盖传输分支，用可控噪声诱发隆巴德覆盖人的分支，分析部分用声学与视觉特征分别检验 2 分支的强度。

传输失真 × 过度表达： 传输失真指编码压缩、噪声抑制与语音增强对音视频信号的外部加工，分工是改变信号的频谱与图像质量，过度表达指说话人在受阻交流中自发提高音强、拉长元音、夸张唇动的补偿行为，分工是改变发声源头的分布，搭配理由是视频会议同时包含通道加工与人的适应，组合意义是两者都把第一二共振峰推向高频，使离线训练的模型同时遇到源端与通道端漂移。

全文方法全景：评估、建库、定位、微调如何串起来？

全文按学习依赖可分为 4 步。第一步是系统评估，把 3 个主流模型在 3 个会议平台上传输后的测试集上重测，与离线基线比较，确认崩溃是否跨模型、跨语言、跨模态成立。第二步是建库，招募固定人数的说话人，用网格句式的中英文语料，在 4 种背景噪声下经由 4 个平台同步录制输入端与接收端，得到配对的离线与在线数据。

第三步是定位，用声学特征的概率密度比较离线与在线、安静与隆巴德的差异，再用编解码与增强的仿真拆解流水线，找出导致共振峰上移的环节，同时检查唇部几何特征是否稳定。第 4 步是微调，用新库训练集微调已有模型，在原有会议测试与新库测试上报告错误率变化，并做消融以分离在线录制与过度表达各自的贡献。

4 步的输入输出是衔接的：评估提出漂移假设，建库提供配对证据，定位给出机制解释，微调检验该解释是否可用于改进。若跳过建库，直接用离线加噪模拟会议，则无法复现增强算法与人行为的联合分布。下面这张表提出一个公平比较问题：在已有隆巴德与会议数据集都存在的情况下，新库在说话人数、时长、语言与平台覆盖上是否确实补齐了空白，比较时以论文给出的公开统计为准，时长越长、平台越多意味着对传输分支的覆盖越广。

该表报告显示新库在总时长上明显长于所列的既有会议与隆巴德库，并覆盖 4 个平台与中英两种语言，这是后文能同时检验传输与过度表达的前提。但表中说话人数少于所列的会议库，说明说话人多样性存在代价，复述时不应把时长优势说成人数优势，也不应把平台数量多直接等同于每平台样本量大，具体每平台时长需查附录分布表。该表的代价是采集仍为受控朗读而非自发对话，因此对自发会议的推广需要额外验证。

声学与视觉分量各测什么，为何选这五个音频特征？

分析组件分为音频分支与视觉分支。音频分支用工具提取基频、第一共振峰、第二共振峰、响度与高低频能量比，其中共振峰反映元音的声道谐振位置，对发音用力与谱重塑最敏感，响度反映整体能量，高低频能量比反映高频是否被增强，基频作为对照以判断整体音高是否变化。视觉分支不直接用图像质量指标，而是用唇宽、唇高与圆度 3 个几何量，因为识别目标是唇动，像素模糊不一定改变几何，而几何稳定则意味着基于关键点的编码可能更鲁棒。计算过程是先在离线与在线、安静与隆巴德的各子集上估计概率密度曲线，再比较峰值横坐标与分布离散度。

论文报告基频基本不动，响度在线条件下略左移，而第一二共振峰系统性右移，且隆巴德本身也会把共振峰推高，这为后文相似性解释埋下伏笔。

隆巴德效应 × 过度表达： 隆巴德效应指人在噪声中不自觉提高音量、扩展元音空间的特定过度表达形式，分工是提供一种可用耳机噪声可控诱发的过度表达样本，过度表达是视频会议中更宽泛的补偿行为，分工是描述真实会议中的放慢、停顿与高基频现象，搭配理由是两者声学模式相近，组合意义是用可复现的隆巴德采集去近似难以复现的会议心理状态，从而在数据集中显式增强第二类漂移。

在看声学分布图之前，需要明确比较维度：按列是同一条件下不同平台与离线的差异，按行是安静与隆巴德的差异，图例区分离线与 4 个在线子集，横轴是频率或能量，纵轴是密度，峰右移表示该特征取值整体升高。该图本次收到的像素主要显示响度与高低频能量比的面板，完整 5 个特征的面板需结合正文峰值表一起读，不能只看局部像素就推断全部特征。

看图路径： 1. 按图例区分蓝色离线与四个在线平台的颜色填充范围；2. 按列比较同一特征下离线峰与在线峰的左右位置关系；3. 按行比较安静与隆巴德条件下共振峰整体是否右移

论文图 3。原论文 Figure 3：“Probability density curves of five acoustic features (F0, F1, F2, Loudness, and AlphaRatio) across five subsets in the pro- posed MLD-VC under Plain (left column) and Lombard…”。

该图可见的模式是响度的在线曲线相对离线向低值方向偏移，高低频能量比的在线曲线也发生变化，而结合正文可知第一二共振峰的在线曲线相对离线向高频方向偏移，基频各曲线基本重合。按行看，隆巴德列的共振峰整体高于安静列，且隆巴德带来的上移形态与在线带来的上移形态相近，这支持了用隆巴德数据近似会议中过度表达的合理性。但像素不能精确读出每条曲线的峰值数值，定量峰值需以正文表格中的横坐标为准，不能从图中硬估赫兹数，这也是后文用仿真定位增强环节的原因。

数据集如何构造：被试、语料、录制与后处理做了哪些动作？

本节承担方法职责的是数据构造流程，而非新模型训练。被试共 31 人，均为大学生，男女比例接近，全部签署知情同意并在采集后回看确认，最终发布前做匿名化处理。语料采用网格句式，英文每句六词，包含命令词、颜色词、介词、字母、数字与副词，其中颜色、字母与数字为关键词，中文采用对应的网格结构。每名被试在安静与不同强度噪声共 4 种耳机背景下各朗读三十句，其中中文二十句、英文十句，目的是用噪声强度控制隆巴德强度。

录制时所有平台保持默认设置，输入设备固定为同一型号麦克风与相机，用录屏软件同时录制输入端与接收端，输入端视为离线，接收端视为会议数据，音频采样与视频分辨率按原文设置固定。后处理包括人工剔除损坏样本、按已有模型配置裁剪唇部区域、对音频做响度归一以消除系统音量影响，并统一转码为单通道波形。论文未报告逐说话人划分细节与训练超参数，因此复现时只能按原文的平台与噪声条件重走采集，不能自行编造划分比例。

若把该库用于微调，实际的优化器与冻结策略需查附录实现细节，正文只给出模型选择与训练测试划分的存在性。本次资源核查显示数据集链接本次未能确认可达，因此训练节不能承诺下载即用，复现前必须先验证链接恢复与版本一致，并核对说话人数、时长、语言与平台数是否与正文一致。硬件预算与训练时长原文未充分报告，复现时应自行记录以补齐成本证据。

评估条件如何对齐：数据、基线、平台与指标是什么？

评估要回答的是崩溃是否普遍，因此条件对齐很关键。数据选择覆盖英文与中文，分别用公开的英文演讲唇读库、中文唇读库与英文隆巴德网格库，以检验语言与说话风格的影响。基线选择 3 个有代表性的已有模型，分别对应多语言融合、自回归大模型与中文唇读路线，均按开源配置复现离线性能后再测传输后性能。平台选择常用的 3 个会议应用，传输方法是把各数据集测试集经由平台实际发送 1 次再在接收端计算错误率，细节在附录中说明。

指标采用词错误率与字错误率，英文侧重词错误率，中文侧重字错误率，数值越低越好，增量为会议值减离线值。论文还区分 3 种模态：纯音频、纯视觉与音视融合，以检验视觉在压缩与延迟下是否仍能补足音频。需要保留的复现信息包括输入输出设备型号、录制软件参数、平台默认设置与后处理转码参数，任一改变都可能改变增强强度与压缩比，从而改变共振峰偏移量。

未报告的是网络带宽与延迟的实时测量，因此不能把某平台更差归因于特定码率，只能报告平台间的差异现象。同时原文未给出统计显著性检验与多次重复的方差，复述时应说明单次传输测量的局限，待验证的是不同网络条件下的稳定性。

崩溃有多大：跨模型与跨模态的主结果支持什么判断？

主结果要测的是传输后错误率相对离线的绝对升高，比较对象是同一模型同一模态的离线基线，条件一致性靠同一测试集经传输重测保证。论文报告所有模型在会议条件下都显著变差，且该模式跨语言与跨模态成立。纯视觉模态最脆弱，在部分平台上词错误率超过 90%，说明唇图像对压缩与延迟高度敏感。纯音频模态中等退化，音视融合通常优于单模态，说明跨模态互补仍部分有效，但融合后的绝对错误率仍远高于离线。值得注意的是在隆巴德网格库上训练的模型退化幅度最小，即使经同一平台传输，其词错误率仍明显低于在普通演讲库上训练的同结构模型。

下表先提出比较问题：在同一离线基线下，不同平台与不同模态的升高幅度是否一致，指标方向是错误率越低越好，公平条件是同一模型与同一测试集只改变传输环节。

该表覆盖了多模型多平台的原始错误率与增量，显示融合模态虽优于纯视觉但仍大幅高于离线，未胜出的纯视觉项恰是反例，证明不能靠视觉单独抵抗传输失真。表中部分单元格为空或不适用，复述时应保留原样，不能把空位当作零，也不能跨指标比较词错误率与字错误率的大小。为便于核对关键数字，这里用原文连续句整理一张可运行策略对照表，条件是英文演讲库上的音视模型与中文唇读库，基线是离线，比较对象是会议传输后。

该表后的解释是英文演讲库上从不足 1% 升至 30% 以上，增幅达数十倍，而中文库从 4% 左右升至 2 到 3 倍，绝对值与相对倍数都支持崩溃判断。但需注意百分点增量与相对百分比不同，复述时应同时说明基线很低时倍数会被放大，不能只用倍数夸大严重性，未胜出的纯音频在部分平台反而略优于融合，说明视觉在压缩下可能引入噪声。

语音增强 × 编解码压缩： 编解码压缩负责在有限带宽下重建信号，分工是丢弃冗余但尽量保留谱包络，语音增强负责压制噪声、提升可懂度，分工是对频带做非线性抑制与重构，搭配理由是视频会议流水线中两者串联，组合意义是论文用对照实验证明只有增强带来共振峰系统性上移，从而把性能崩溃的主因从笼统的网络传输收窄到增强算法的谱重塑。

在定位传输流水线之前，先看仿真对照的设计：用广泛使用的音频编码器模拟压缩环节，用 3 种典型语音增强算法模拟增强环节，分别对离线样本单独加工后比较共振峰分布，目的是在平台黑盒不可拆解时近似定位。该仿真只改变音频加工而不改变人的发音，因此能分离通道与源头的贡献。

看图路径： 1. 先看四个子图标题区分编解码压缩与三种语音增强方法；2. 对比每个子图中处理前后两条曲线的重合度与分离度；3. 分别检查第一共振峰与第二共振峰的偏移方向是否一致

论文图 2。原论文 Figure 2：“Illustration of how video conferencing platforms affect speech formants.”。

该图显示压缩子图的加工前后曲线基本重合，而 3 种增强子图的加工后曲线都向高频偏移，第一共振峰偏移尤为明显，第二共振峰也有右移，图例中蓝色为处理前、橙色为处理后，横轴为频率、纵轴为密度。这支持论文的判断：增强是声学异常的主要来源，它在提升可懂度的同时重塑了谱结构。代价是该结论依赖仿真算法对真实平台增强的近似，未测量真实平台内部参数，因此只能说支持而不能说证明了所有平台的因果，待验证的是各平台实际增强强度与偏移的定量关系。

在线录制与过度表达各自贡献多少，拿掉一项会怎样？

消融要回答的是新库中两个关键因素是否都不可或缺。实验固定微调模型与测试平台，只改变训练数据组成：一组去掉在线录制只留离线，另一组去掉隆巴德诱发的过度表达只留安静朗读，然后在多个平台上报告字错误率。论文报告去掉在线数据后平均字错误率上升约 10% 半，去掉过度表达后上升约 10%，说明两者都有独立贡献，且在线录制的贡献略大。组合使用时模型在未见平台上的泛化最好，这验证了建库时同时覆盖 2 分支的设计理由。

下表提出消融的公平比较问题：测试平台固定，指标方向是字错误率越低越好，比较的是同一微调流程下数据组成不同的实际可运行策略，不包含事后最优选择，基线是未微调的原模型。

该表后的解释是完整组成在三平台上均为最低，去掉任一项都会回升，但回升幅度在不同平台上不完全一致，说明总体趋势不等于每组同等成立。其中未胜出的两行恰是负结果，证明单一因素不能替代另一因素。若复现时只采离线加噪而不实际经过平台，将缺失增强带来的谱偏移，预期收益会打折扣。需要说明的边界是消融只在中文唇读测试与新库测试上报告，未覆盖所有语言与所有模态，因此不能推广为每种语言都同等幅度，视觉几何编码的增益也未在此消融中验证。

哪些证据还不足，不能把相关说成因果？

首先，平台内部处理是黑盒，论文用公开编码器与 3 种增强算法做近似，支持增强是主因，但未测量真实平台的参数与开关状态，因此相关性不等于对每个平台的因果证明，待验证的是各平台实际增强强度与共振峰偏移的定量关系。其次，视觉分支只检验了几何特征的稳定性，未证明换用几何编码一定提升识别，当前模型仍用图像级编码，几何编码的效果是可能方向而非已验证结论。

第三，评估覆盖的平台、语言与模型有限，网络条件、设备型号与说话人多样性都固定在特定组合，未测量延迟、误判率分解与计算开销，因此不能承诺微调同时改善实时性或降低计算成本。第四，数据集虽有时长与平台优势，但说话人多样性少于所列会议库，且采集环境为受控朗读而非自发会议发言，推广到自发对话时需补验证。最后，资源可达性本次未能确认，复现前需先验证链接与版本一致性，不能默认数据已公开可用。

要复现这条链路，先做什么，需要哪些可核对细节？

复现应按依赖顺序先做传输重测，再做分布检验，最后做微调。第一步按开源配置复现 3 个基线的离线错误率，确认与原论文接近后，再把同一测试集经由会议平台实际发送并在接收端解码，计算词错误率与字错误率的绝对增量，平台保持默认设置并记录输入输出设备与录制软件参数。第二步用同一工具提取基频、第一二共振峰、响度与高低频能量比，绘制离线与在线、安静与隆巴德的密度曲线并记录峰值横坐标，同时用唇部关键点计算唇宽、唇高与圆度以检验视觉稳定性。

第三步用公开编码器与 3 种增强算法分别加工离线样本，比较共振峰是否只有增强带来右移，以复现定位结论。第 4 步用新库划分微调所选模型并在多平台上报告字错误率，同时做去在线与去过度表达的消融。关键超参数与划分需以附录为准，正文未给出的不要猜。数据方面需先确认本次未能确认可达的链接是否恢复，并核对说话人数、时长、语言与平台数是否与正文一致。

另一个易错点是把响度归一与转码顺序弄反，原文是先裁剪唇部、再做响度归一、最后统一转码为单通道波形，顺序不同会改变能量分布的测量。网络波动也应记录时间与带宽，即使原文未要求，也有助于判断某次传输异常是平台处理还是网络丢包。

何时值得尝试新库微调，还需补哪项验证？

当应用必须部署在会议平台默认开启增强的场景，且已观察到共振峰上移与融合模态仍大幅高于离线时，值得尝试用同时包含在线录制与隆巴德诱发的新库微调，因为该组合在论文中同时改善域内与跨平台错误率。复现时应优先保证在线录制分支，因为消融显示去在线的损失更大，其次再补过度表达分支以获得额外稳健性。不值得在未确认平台增强行为时直接套用结论，若平台可关闭增强或使用不同编码，应先重测分布再决定。

下表用原文连续句整理可部署收益，条件是同一微调流程在三平台与新库测试上的字错误率变化，指标方向是越低越好，收益需与基线一起保留。

该表后的解释是跨平台平均降低约 10% 七，新库域内降低约六成七，单平台降低区间在原文微调表中另有分平台数值，支持新库有效但也显示域内收益远大于跨平台收益，代价是仍未回到离线水平。未胜出的含义是微调不能消除漂移，只能缓解，因此还需补的验证包括自发对话泛化、几何视觉编码的实际增益、各平台增强参数的直接测量，以及延迟与计算开销的独立报告。常见误解是把隆巴德等同于会议全部，实际上隆巴德只是可控近似，真实会议还有停顿、姿态与网络延迟的联合影响，需在复述中明确区分已验证与待验证部分。

📐 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 1 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 cvpr-2026 论文汇总