数模态个数再估计参数：计数密度网络如何把板混响脉冲变成模态三元组

英文题目：Count-Density Networks for Modal Plate Parameter Estimation

会议身份：conference:dafx:2026:conference-paper-id:DAFx26_challenge_87

✅ 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：#CNN #时频分析 #Transformer #模型比较 #房间脉冲响应估计

评分：5.4/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.7/1.5 | 清晰度 0.7/1 | 影响力 0.5/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：后50% | 文档类型：方法研究

👥 作者与机构

• Rodrigo Diaz：机构信息未能从会议 PDF 纯文本可靠映射
• Pablo Tablas de Paula：机构信息未能从会议 PDF 纯文本可靠映射
• David Marttila：机构信息未能从会议 PDF 纯文本可靠映射
• Ilias Ibnyahya：机构信息未能从会议 PDF 纯文本可靠映射
• Chin-Yun Yu：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

任务B要求从5秒峰值归一化板混响位移脉冲响应直接恢复未知数量的模态频率衰减率增益三元组集合，高频模态密集重叠与峰值归一化丢失幅度尺度使联合计数与回归极为困难。方法先将波形从44.1 kHz降采样至22.05 kHz并保留20 Hz至10 kHz频带，增益目标相对峰值表示并在写盘时乘回尺度，B1附加对数尺度条件。随后由计数密度网络在1/20倍频程网格上预测每格模态密度与固定槽位衰减增益，B1用实值U-Net结合池化幅度相位特征与0.75秒时域编码，B2用复数卷积加复数Transformer处理全分辨率复频谱。最后经保和分配将全局总数取整并按小数余数分配为整数分格计数，再取前N槽位输出模态频率与属性。与分带子空间与自回归基线相比，密度建模直接联合推断总数与属性，避免了分带极点提取合并与CLEAN链路的脆弱性，因而频率与衰减精度显著提升。在独立生成的100-IR对比集评测下，B1的相对误差RE指标为0.3180，低于Fast Burg的相对误差RE指标1.0984。该结论适用边界受限于合成板模型默认参数分布，尚未验证真实测量板噪声与模型失配下的外推能力，增益误差仍是主要残差来源。训练成本为单块A100上约24小时，B1单条脉冲响应推理开销为0.0010秒的GPU前向延迟。

🔗 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，输出是什么，哪些信息必须保留？

刚进入音频领域的研究生可以先把任务收窄到一句话：输入是一条 5 秒的板混响位移脉冲响应，输出是一个个数未知的集合，每个元素是频率、衰减率和增益 3 个数。频率决定这条分音听起来在哪里，衰减率决定它消失得多快，增益决定它一开始有多响。挑战要求只用测得的脉冲响应和它附带的幅度尺度做估计，推理时不允许调用板的解析物理模型。

输入侧有两个必须保留的信息。第一个是峰值归一化后的波形，也就是把原始波形除以其峰值绝对值，论文记峰值为 gx，归一化波形在训练数据里叫 ir。第二个就是被除掉的 gx，训练时叫 global_gain，挑战推理时从每个 npz 文件的 normalization_factor 字段取回。附带的 wav 文件只有归一化波形，没有幅度尺度，所以不能只靠 wav 恢复增益的绝对大小。输出侧必须保留的是相对增益与绝对增益的换算关系：网络学的是相对输入峰值的增益，写提交表格前要再乘以 gx。

预处理把 44.1 千赫兹的归一化波形降采样到 22.05 千赫兹，因为合成脉冲在 10 千赫兹以上没有模态，只保留 10 千赫兹以下的频点。这个动作对初学者很重要：它不是随意加速，而是先确认目标频带是 20 赫兹到 10 千赫兹，再砍掉无关高频。后续所有计数网格、误差统计和推理导出都在这个频带内进行。

同输入同目标下，经典路线与本研究的监督有何不同？

在相同输入和相同目标下，论文实际评测了 3 类经典路线。第一类是分带子空间估计，包括 ESPRIT、Matrix Pencil 和 Root-MUSIC；第二类是自回归估计，包括 Burg、Fast Burg 和 Yule-Walker；第 3 类是傅里叶加连续小波变换峰值检测器，简称 CWT。这些方法在推理阶段不需要训练标签，直接从脉冲中估计极点或峰，再合并成分带模态并拟合增益。

本研究的两条神经路线监督来源完全不同。训练数据是用参考板模型的图形处理器加速实现按默认参数生成的，总共 20 个数据分片，每片 512 乘 32 等于 16384 条 5 秒脉冲，共 327680 条。每行存波形、输入尺度、6 个归一化物理参数和 3 个阻尼参数，真值模态频率、衰减和增益不是存好的模态表，而是在训练时用仿真器的解析公式从参数即时算出，只用于给合成训练数据打标签。也就是说，神经网络见过大量带真值计数的合成例子，而经典方法在对比时是零样本直接估计。

运行阶段也不同。经典方法按 32 个等宽频带处理，每带最多取 100 个模态，带内降采样因子为 32，自回归阶数为 200，其中 3 种自回归方法还做 3 次 CLEAN 且频带不重叠，CWT 用 3 分贝显著性阈值、2 赫兹最小峰间距和负 40 分贝信噪比下限。神经方法则是前馈 1 次给出密度、总数和槽位属性，再用同一个解码器取整分配。因此后文比较的不是同一监督下的结构胜负，而是已训练计数密度模型与未训练经典估计器在同一 100 条对比脉冲上的表现差异。

为什么个数未知会让估计变难？

如果模态个数已知，问题可以变成固定维回归：每个模态填一个频率、一个衰减、一个增益。但这里个数未知，输出是集合，真值与预测之间没有天然的一一对应。传统做法要先做峰检测或极点估计定个数，再拟合属性，两步误差会累积：个数多估会引入假模态，少估会漏掉真模态，频率差一点还可能把相邻模态配错。

论文把难点转成两个可定长监督的子问题。先在 1/20 倍频程对数频率格上估计每个格子里有几个模态，这就是计数密度；再在每个格子预留固定个有序槽位估计衰减和增益。因为模态密度在高低频差多个量级，计数放在 log 加 1 空间里比较，避免高密度格主导损失。举例说，这只是教学例子：若某格真值有 3 个模态，网络输出该格密度高且总数足够，解码时该格分到 3 个整数名额，就取该格前 3 个槽位的衰减与增益，丢掉其余槽位。例子中的数字不是论文报告的实测值，只用来说明取前几个槽位的规则。

评价也因此分成两部分。频率、衰减、增益各有一个相对误差，再加一个个数误差项，个数误差取相对个数差与 1 的较小值，总误差是三项属性误差的平均再加个数项。这种设计迫使方法同时做好数得准和估得准，不能只把频率估准而个数差很多。

两条计数密度路线共用什么流水线，各自换了什么？

沿一条样本走完全程最清楚。输入是归一化脉冲和 gx，先降采样做傅里叶变换得到频谱。B1 把频谱变成 3 通道特征：行归一化对数幅度、正弦相位和余弦相位，再按 1/120 倍频程的高分辨率对数区间在频点上做均值池化，池化后不再做第二次归一化。与此同时，一路跨步时域卷积编码降采样脉冲的前 0.75 秒成 128 维条件向量，与 gx 的归一化对数拼接后送入网络瓶颈。B2 则保留全分辨率复谱，做保相位的对数压缩和按脉冲的均方根归一化，用实部虚部做特征，先过 5 层复数卷积变成 64 个复数 token，再过 6 层复数 Transformer。

两路的输出头都包含总数估计和密度，但属性头不同。B1 的解码器特征再按 6 倍均值池化到 1/20 倍频程输出格，预测密度 logits、每格衰减槽、增益幅度槽和增益符号 logits，另有两个全局头分别预测总数和 bRMS。B2 的头是总数、密度、衰减槽和单个有符号增益，没有单独的幅度与符号分解。推理时共用同一个解码器：总数非负取整，密度经 softmax 变成频率分布再按总数缩放取整，余数按小数部分补齐，最后每格取前几个槽位导出频率与属性。

模态计数 × 槽位回归： 模态计数负责回答每个对数频率区间里有几个模态，输出是非负密度与全局总数；槽位回归负责回答这些位置上的衰减率和增益各是多少，每个输出区间预留固定个有序槽位。两者搭配的原因是模态个数未知且跨频率密度差多个量级，直接变长回归难以定长监督，计数先定每区间取前几个槽位，回归只在被占槽位上算损失，组合后才能把不定长集合变成定长网络输出。

下面这张图是理解分叉与汇合的关键，先看文字导读再看图。左侧是共用输入与预处理，中间上下两块是可替换的主干，右侧是共用解码，箭头方向就是数据流向。看图时重点不是背模块名，而是确认哪部分是共用的，哪部分是两方法各自的。

看图路径： 1. 先从左侧脉冲与峰值输入沿预处理到频谱的箭头走一遍，确认 B1 与 B2 共用同一输入；2. 对比上方蓝色 B1 的池化幅相特征加时域条件与下方橙色 B2 的全分辨率复谱特征的分支差异；3. 看右侧模态解码框中总数取整、按比例分配、每区间只保留前几个槽位的三步顺序；4. 核对预测头清单：B1 有总数、增益均方根、密度、衰减槽、幅度槽和符号槽，B2 把后两者合并为有符号增益

论文图 1。原论文 Figure 1：“Task B architectures and shared decoding.”。

这张图把共用与差异画得很直白。上方蓝色框是 B1，特征是池化的对数幅度和正余弦相位，主干是实数 1 维 U-Net，条件是时域编码加 gx 对数，预测头多出增益均方根、幅度与符号。下方橙色框是 B2，特征是复谱实部虚部，主干是复数卷积加复数 Transformer，预测头把增益合成一个有符号值。右侧灰色大框是共用部分：总数取整、和保持分配保证各格计数之和等于总数，每格只保留前几个槽位，最后输出模态三元组集合。像素可见的柱状示意与 1 到 6 格的圆点示意对应密度分配与槽位截断，不要把示意柱高读成论文的实测数值。

特征、主干与预测头各自做什么计算？

B1 的特征计算强调池化与相位保留。对数幅度先按行归一化，再与正弦相位、余弦相位一起按 1/120 倍频程区间池化。用正余弦而不用原始相角，是为了避免相位跳变带来的不连续，网络看到的是平滑的周期表示。主干是 4 个编码器阶段加 4 个镜像解码器阶段，通道宽为 32、64、128、256，瓶颈 512 通道，每阶段两层 1 维卷积加线性整流激活，下采样用最大池化，上采样用重复特征再拼接跳连。瓶颈特征沿频率平均后送两个全局头，解码器特征池化 6 倍后对齐到 1/20 倍频程。按论文报告，该模型约 3,100,000 参数。

B2 的特征计算强调复数结构不拆散。复谱先做保相位对数压缩，再按脉冲做均方根归一化，实部虚部直接当特征。5 层复数卷积把谱变成序列，6 层复数 Transformer 做建模，模型维 320、8 个注意力头、前馈宽 320，复数注意力、复数层归一化和复数线性都实现成实部虚部成对的实数映射，再接 2048 单元稠密瓶颈与各预测头。按复数权重计成实虚对，该主干共约 9960 万实数可训练参数，其中稠密瓶颈占 83,900,000，卷积与 Transformer 合计 9,400,000。

峰值归一化波形 × 全局增益尺度： 峰值归一化波形是把原始位移脉冲除以其峰值绝对值后得到的输入，记为 ir，消除了录制电平差异；全局增益尺度是除掉的那个峰值，记为 gx，训练时存为 global_gain，挑战推理时从 npz 的 normalization_factor 字段取回。两者分工是网络只看形状稳定的归一化波形做频谱特征，写提交文件时再把预测的相对增益乘回 gx，B1 还在瓶颈处用 gx 的归一化对数做条件，组合意义是频率与衰减估计不受电平影响，而增益仍能恢复到原始物理尺度。

模态密度分布 × 和保持分配： 模态密度分布是网络在 1/20 倍频程输出格上经 softmax 得到的频率位置分布，表示模态应该落在哪里；和保持分配是推理解码器，把非负全局总数估计取整为总数，再把密度按比例缩放到该总数并取整，余数按小数部分从大到小补齐。密度只给相对比例，总数只给绝对规模，搭配后每个区间的整数计数之和严格等于总数，避免逐区间四舍五入导致总数漂移，新增作用是把连续预测变成满足求和约束的整数计数。

幅度符号分解 × 有符号增益直接回归： 幅度符号分解是 B1 的做法，把增益拆成幅度槽、符号二分类槽和瓶颈预测的全局均方根尺度 bRMS 三部分学习；有符号增益直接回归是 B2 的做法，每个槽直接输出一个带符号增益值。前者分工是让符号用交叉熵学正负，幅度用 Huber 学大小，全局尺度管整体电平；后者省掉分解，用一个回归头端到端拟合。搭配计数槽位时两者都是只取每区间前几个槽位，差异在于 B1 多一路全局尺度与符号监督，B2 结构更简单但把符号与大小耦合在一个损失里。

解码时频率不是回归出来的，而是确定性放在每个被占格内。属性则按格取槽：B1 每格固定容量为 768 个有序槽，若某格解码计数为几个，就取衰减、幅度、符号头的前几个槽，再结合符号、幅度、瓶颈预测的 bRMS 和输入尺度 gx 合成增益后写表格。B2 同理，但直接取有符号增益槽的前几个。这种先定每格取几个再取值的顺序，保证了属性只从被计数的格子里出，不会凭空多出模态。

监督信号从哪里来，损失如何组织，参数如何更新？

监督信号来自合成训练脉冲的真值模态表。做法是把每条脉冲的模态累加到 20 赫兹到 10 千赫兹的 1/20 倍频程格上，得到每格模态数，每格的衰减与增益存进固定有序槽位。B1 还学全局模态增益尺度 bRMS，使计数与属性联合学习。增益目标是相对输入峰值的 bm 除以 gx，预测增益写提交时再乘回 gx。

损失按论文分为计数、衰减、增益三部分。计数项在 log 加 1 空间里算，用 Huber 损失处理细粒度每格误差、全局总数误差、累积计数误差和多分辨率误差，多分辨率是按 2、5、10 倍聚合后再比；另用交叉熵把预测密度与归一化目标密度对齐。累积与多分辨率项的作用是在多个频率尺度上保持一致，而不只逐格比。衰减与增益用只在被占槽位上生效的掩蔽槽级 Huber 损失，B1 把增益拆成幅度、符号二元交叉熵和全局均方根尺度，B2 回归单个有符号增益。总目标是计数损失加衰减项与增益项的加权和。

多分辨率计数一致性 × 累积计数一致性： 多分辨率计数一致性是把细粒度每区间计数按 2、5、10 倍聚合后再算 Huber 误差，要求粗尺度上的总数也对；累积计数一致性是比较沿频率的累积分布，要求从低频到高频的累计模态数曲线一致。两者都是在逐区间损失之外加的约束，分工是一个管局部合并后的块总数，一个管排序后的累积形状，搭配原因是高频密集区逐区间误差易被 log 压缩后仍不稳定，多尺度与累积约束迫使网络在粗尺度上也不偏离。

优化器两方法都用 AdamW。B1 用固定学习率千分之 1、权重衰减万分之 1、批量 64、训练 26 轮，在单块 A100 上约 24 小时，选验证任务相对误差经和保持分配后最低的检查点。B2 用权重衰减万分之 1、全局范数梯度裁剪上限 1.0、批量 32、共 7 轮，学习率前 1000 步从 0 线性暖机到万分之 1，再按 100,000 步周期余弦衰减到百万分之 1，在单块 40 吉显存 A100 上约 27 小时，发布的是第 7 轮即零基编号第 6 轮的检查点。论文未报告梯度在解码取整与槽位截断处如何回传，复现时应把这些推理离散步骤视为不可微后处理，只对网络输出头做监督，不要猜测直通估计器的存在。

对比集、基线配置与计时口径是否一致？

对比集是独立于训练分片生成的 100 条 5 秒脉冲，采样率 44.1 千赫兹，频带 20 赫兹到 10 千赫兹，用基线参考板生成器默认参数范围采样。独立性很关键：它与第 2 节所述的训练分片不是同一批数据，避免了在训练脉冲上自测。所有方法跑同一批 100 条脉冲，指标方向都是越低越好。

基线配置在原文交代得很细。3 种分带子空间方法与参数化方法用 32 个等宽频带、每带上限 100 个模态、带内降采样因子 32；3 种自回归方法用阶数 200 并做 3 次 CLEAN 且频带不重叠；CWT 用 3 分贝显著性、2 赫兹最小峰间距和负 40 分贝信噪比下限。这些是实际可运行的配置，不是事后最优挑选。

计时口径需要小心：神经时间为单块 A100 上批量为 1 的前馈延迟，20 次平均且预热 3 次，不含输入加载与输出写入；经典时间为 24 核 AMD EPYC 9555 中央处理器上的完整估计计算，含频带提取、极点估计、模态合并、CLEAN 与增益拟合。论文明确说两者硬件不同不可直接比较，只能各自理解为在自有实现与硬件上的记录耗时，而非受控加速比。

误差记号按挑战定义：总数误差是估计带内数与参考带内数之差的绝对值，属性部分是频率、衰减、增益三项误差的平均，总相对误差是该平均再加个数项系数为 1 的惩罚。表格中的括号是跨脉冲的方差，不是标准差，阅读时不要把方差当成置信区间宽度。

谁在什么指标上更好，代价出现在哪里？

要回答的核心问题是：在同一 100 条脉冲上，已训练的计数密度模型是否在总误差上低于实际可运行的经典基线，以及误差主要来自哪一项。公平条件是同数据、同频带、同误差定义，指标方向越低越好。下表只保留原文大表中的两条神经方法与两个代表性自回归基线，列保留频率、衰减、增益与总误差四项，便于核对主要结论而不混入不同条件。

表中可见的总趋势是两条神经估计器的总相对误差分别约为 0.32 左右，而 Fast Burg 与 Yule-Walker 约为 1.10 左右。拆开看，神经方法的频率误差约为 0.008，自回归基线约为 0.18 到 0.20；衰减误差神经方法 B2 约为 0.016、B1 约为 0.051，基线约为 0.90 以上；增益误差所有方法都高，神经方法约为 0.85 到 0.92，基线约为 0.91 左右。也就是说，频率与衰减的大幅领先支撑了总误差的领先，增益几乎没有拉开差距。论文的文字结论与此一致：频率与衰减估计远准于增益估计，增益是主要误差来源。

就近也要说明未胜出项。增益列上 B2 的 0.9207 差于 B1 的 0.8525，也没有明显优于自回归基线；总数项在完整原表里神经方法约为 0.014 到 0.015，基线约为 0.43 以上，计数是神经方法的强项，但不能把计数优势外推为增益也好。完整原表还显示子空间方法总误差约为 1.52 到 1.55，CWT 约为 1.96，且经典方法单条脉冲耗时从十几秒到数百秒，而神经方法单条约千分之几秒，但如前所述硬件不同不可直接比速度，只能说在各自记录条件下数量级差异很大。

两种主干的成本差异能否从原文数字复述？

除核心结果表，论文特有的第二类细节是两条主干的规模与训练预算差异。这不是消融对照，而是复现前必须知道的成本条件：B1 是轻量实数 U-Net 加时域条件，B2 是重型复数 Transformer 加大稠密瓶颈。下表把原文分散的规模与训练语句整理成可核对的对照，数字与单位保留原文写法，条件是各自论文报告的训练配置，不能理解为同预算下的公平比较。

表后需要补一句代价解释。B2 的参数多主要不在卷积与 Transformer 本身，而是 2048 单元稠密瓶颈占了 83,900,000，卷积与 Transformer 合计 9,400,000；B1 用固定大学习率训练 26 轮，B2 用暖机加余弦衰减训练 7 轮。两者的验证选点标准相同，都是验证任务相对误差经和保持分配后最低，但 B2 发布的是最后一轮检查点，B1 是最低验证误差检查点。复现时若只有小显存，应先跑 B1，因为 B2 的瓶颈与全分辨率复谱对显存更敏感。论文没有报告拿掉时域条件或对数压缩后会掉多少点，因此不能把任一模块说成必要，只能按原文说它们是各自设计的一部分。

哪些边界没有被测，不能承诺什么？

首先是数据边界。训练与对比都用合成板脉冲，生成器默认参数范围，没有实测房间或实测板的脉冲验证。论文显示的是在合成分布内的表现，支持的判断限于该分布；能否推广到真实测量、不同阻尼或非默认参数范围，属于待验证，不能承诺。

其次是增益与计数的局限。增益误差在所有方法上都高，说明当前特征与槽位回归没有解决增益的绝对尺度与符号歧义，B1 虽有 bRMS 与符号头仍只做到约 0.85。计数在对比集上很好，但原文只给均值与方差，没有按频率、按密度或按信噪比拆分的误判率，也没有报告超出 10 千赫兹或低于 20 赫兹的行为。训练资源、推理开销与实际延迟要分开讨论：训练各花约 1 天级单卡时间，推理前馈是毫秒级，但不含加载写入，且经典方法计时含完整后处理，两者不可比加速比。

最后是资源可达性。本次收到的证据中资源状态为无绑定可用资源，不得声称代码、模型或数据已公开。原文提到实现仓库与 B2 检查点地址，但按本次可核对原则，只能说论文正文给出了仓库与模型页的文字链接，本次未能确认其可达，不作为已公开承诺。需要权重下载或一键运行的读者，应先按复现节核对链接可达性再规划实验。

要复述方法，先做什么才能不丢尺度？

复现的第一步是保住尺度。读取每个 npz 的 ir 与 normalization_factor 字段，wav 只当试听或对齐用，不用于恢复增益。把 ir 从 44.1 千赫兹降采样到 22.05 千赫兹，只取 10 千赫兹以下频点，增益目标按 bm 除以 gx 组织，写表前乘回 gx。B1 还要把 gx 取对数归一化后与 0.75 秒时域编码拼接进瓶颈，丢掉这路条件就不是原文 B1。

第二步是对齐网格。计数格是 20 赫兹到 10 千赫兹的 1/20 倍频程，B1 输入池化是 1/120 倍频程再经解码器 6 倍池化对齐，B2 是全分辨率复谱进网络后直接输出到该格。每格槽位是定长有序，B1 每格 768 槽，训练只在被占槽位上算衰减与增益损失，推理取前几个槽。解码必须实现和保持分配：总数非负取整，密度 softmax 后按总数缩放取整，余数按小数部分补齐，保证各格之和等于总数。

第三步是选点与计时。训练用 AdamW，B1 固定学习率与批量 64，B2 暖机加余弦与批量 32，都按验证任务相对误差经分配后最低选检查点。对比时用同一 100 条独立脉冲、同频带、同误差定义，计时分开报告：神经报单卡前馈延迟不含输入输出，经典报多核全流程耗时，两者不比快慢，只各自记录成本。

何时值得尝试这种计数加槽位的做法？

当你的输出是个数未知的集合，且密度跨数量级时，这套做法值得参考。它把不定长问题拆成定长密度加定长槽位，用总数约束保证一致性，避免先检测后拟合的两步累积。板混响的例子显示，频率与衰减可以从频谱形状学得很好，计数也能学准，但增益仍难，说明形状特征不等于电平特征。

选择哪条主干取决于预算与复数信息的需求。想快速验证想法，先做 B1 量级的实数 U-Net 加池化幅相与时域条件；需要保留复谱相位结构再考虑复数卷积与 Transformer，但要接受近 100000000 参数与大瓶颈的显存代价。无论选哪条，都要先补两项验证：一是在真实测量脉冲上的表现，二是按频率与密度的分段误差，而不是只看总平均。只有这两项补上，才能判断它是合成基准上的强基线，还是可部署的通用估计器。

📐 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

区域 2 · 查看论文原页

区域 3 · 查看论文原页

区域 4 · 查看论文原页

区域 5 · 查看论文原页

另有 7 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 dafx-2026 论文汇总