同一首交响乐为何听感不同：指挥与乐团谁在主导相似性

英文题目：Factor Analysis of Similarity in the Same Orchestral Piece

会议身份：conference:icmc:2026:conference-paper-id:paper-382

✅ 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：#统计分析 #可解释性 #音乐信息检索 #音乐 #音乐推荐

评分：5.3/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.6/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.7/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Minami Kojima：机构信息未能从会议 PDF 纯文本可靠映射
• Takayuki Itoh：机构信息未能从会议 PDF 纯文本可靠映射
• Rafael Ramirez：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究输入同一管弦乐曲目的数十个商业录音，输出同乐团、同指挥家、乐团所属国、指挥家国籍、指挥家师承五类分组对演奏风格相似性的解释力，难点在于管弦乐缺乏符号对齐基准且音色力度速度被听众复合感知。方法先以Kunstderfuge合成MIDI为参照，用Sync Toolbox多尺度动态时间规整统一各录音时间轴，输出逐帧对齐的能量包络供特征提取直接比较。接着用Librosa提取均方根能量等十九维声学特征并做主成分压缩，同时并行用VGGish提取一百二十八维嵌入经流形投影降维，形成可比的声学表示与高层纹理表示送入聚类。最后按五类元数据分组计算戴维森堡丁指数并用Dash可视化系统核查个体差异，使分组质量直接进入假设检验。与仅比较单一音色或情感相似度的工作不同，该文把手工声学与高层嵌入并行比较并与可解释分组结合，使推荐理由可归因到人或团体。在贝多芬第七交响曲第一乐章评测下，同指挥家分组下音色特征的DBI指标为2.281，低于同乐团分组下音色特征的DBI指标2.715。该结论适用边界受限于两千后现代乐器录音与所选两部曲目，跨作曲家与录音环境外推尚未验证，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，输出是什么，初学者要先守住哪些边界？

这篇解读的输入是论文正文与本次收到的官方原图像素，目标是让刚进入语音音乐音频领域的研究生能核对方法并复述流程，必须保留的信息是研究对象、特征构造、对齐方式、分组标准、评价指标与实验条件，输出是一套可按图索骥的操作说明。研究任务不是给任意音频打一个好听分，而是回答同一首管弦乐作品的几十个录音版本之间，为何某些版本听起来更像，指挥与乐团各自起了什么作用。

论文选择贝多芬第七交响曲与柴可夫斯基第五交响曲，前者收集 55 个演奏版本，后者收集 71 个演奏版本，版本来自苹果音乐与油管，且限定为 2000 年以后录制，排除古乐器与室内乐团编制，目的是统一录音技术代差与编制差异。白话说，输入是一首曲子的多版本波形加 5 类元数据，输出是对 5 种分组解释力的排序。元数据是乐团名、指挥名、乐团所属国、指挥国籍、指挥师承。评价不直接让人打分，而是把同一分组的版本看成一簇，用聚类质量判断簇内是否真像。

初学者容易误把情感相似或单特征相似当作全部，论文明确区分了 3 层。第一层是单声学特征的相似，如响度、音色、速度各自比较。第二层是听众实际听到的复合感知，需要高层纹理特征补充。第 3 层是可解释的推荐依据，即相似性能否被指挥或乐团等元数据解释。学习时要守住边界，凡是原文没有报告训练细节、统计显著性、录音厅混响参数的地方，都只能记作未验证，不能从模型名字推定效果。

同曲比较有哪些路线，本研究站在哪条线上？

同曲比较在钢琴领域方法很多，在管弦乐领域则很少，原因是管弦乐缺少可直接利用的 MIDI 演奏数据，且影响因素是乐团加指挥的组合而非单一演奏者。论文回顾了几条路线。第一条是演奏虫轨迹，把速度与响度随时间的变化画成运动轨迹，直观看到揉弦之外的整体起伏。第二条是萨普的金字塔相似图，同时显示全局与局部在哪个片段、以何种时间尺度最像标准演奏。第三条是利姆用主成分分析看频谱图像差异，第四条是格雷科用音乐情感识别估计听众感知的情绪再算相似度，第五条是扬琴科用分层多维缩放同时比较单作品内、乐章间与不同交响曲间的乐团系统相似性。

本研究与情感路线不同，不把情绪标签当作相似性中介，而是直接比较声音特征加元数据分组。白话说，情感路线先把音频翻译成情绪再比情绪像不像，本研究直接比声音像不像，再问像的原因是不是同一指挥或同一乐团。论文指出已有工作多停留在单特征与少量录音，缺乏对影响因素的系统检验，因此用大规模录音加可视化加聚类指标做因素分析。教学例子是，同样两版贝多芬，若只比速度可能很像，只比音色可能不像，听众听到的是二者叠加，这就是作者引入深度嵌入的动机。

对照时要注意输入、目标、监督与运行阶段是否一致。钢琴方法多依赖 MIDI 键击时间，管弦乐没有这个条件，不能直接说谁更准。情感方法需要情绪标注或预训练情绪模型，本研究不需要情绪标签，只需要版本归属的元数据。运行阶段也不同，本研究处理的是每个乐章约 10 分钟、总数上百的长录音，因此特别强调计算效率与内存优化，这决定了后续选择同步工具包与轻量嵌入模型。

要回答的问题是什么，什么算作证据？

核心问题是，在同一首管弦乐作品的多个演奏版本中，哪些因素显著影响演奏风格的相似性。论文把演奏风格操作化为跨录音可比的速度、响度与音色的一致模式。证据链是，先把所有版本对齐到统一音乐时间，再提取特征并降维到可比较的向量，然后按 5 种分组标准着色或分簇，最后用戴维斯博尔丁指数判断哪种分组最紧凑最分离。白话说，若同一指挥的版本在特征空间里抱成一团且与其他指挥拉开距离，就说指挥身份是主要因素。

判断好坏的方向要记牢，戴维斯博尔丁指数越低表示聚类质量越高，即簇内密度高且簇间分离大。论文用它不是评价无监督发现了什么新簇，而是评价预定义的元数据分组能否解释数据分布。与轮廓系数相比，作者认为该指数对簇大小不均更稳定，而指挥与乐团分组天然大小不均。教学例子是，某指挥有 7 个版本，某乐团只有两个版本，直接比点级归属质量会偏向大簇，而该指数用簇级紧凑与分离的比值更稳。

还需区分直接报告、有限解释与未验证推测。直接报告是各分组的指数值与可视化位置，有限解释是古典时期风格更定型因而相似度更高，未验证推测是柴可夫斯基俄罗斯特性导致按国家分组更好，或录音厅声学导致差异，这些在原文中明确写了原因目前无法确定或需要专家意见，不能当作定论复述。

从一个版本走完全流程需要经过哪些步骤？

沿一个样本走一遍，输入是一轨管弦乐录音波形与它的 5 类元数据。第一步是用标准 MIDI 音频做时间基准，对每个演奏录音做动态时间规整，把每个 MIDI 帧对应的演奏帧号存成表格，从而得到统一音乐时间。动态时间规整白话说是允许局部加速减速的最优时间对齐，节拍对齐白话说是把所有版本都挂到同一乐谱进度上。第二步是特征提取，分为声学特征与深度嵌入两路。第三步是降维与向量化，声学特征经主成分分析压到 2 维向量，深度嵌入经流形近似与主成分分析压到 3 维向量。第四步是可视化与分组评价，每个点代表一个版本，按分组着色，用指数打分。

动态时间规整 × 节拍对齐： 动态时间规整负责在 tempo 自由波动下计算两条时间序列的最优伸缩对应，节拍对齐负责把所有演奏版本映射到同一部标准 MIDI 的时间轴上再比较特征，二者搭配的原因是只有先消除速度差异才能让同一乐句的响度与音色被放在同一帧比较，组合意义是把速度本身既当作对齐工具又当作后续被测量的演奏风格信号。

论文选用同步工具包的理由在原文交代了两点，一是提供从特征提取到对齐可视化评估的完整同步流水线，二是提供多尺度与内存受限多尺度规整，在长录音上显著省计算与内存。对齐质量用均方根能量随时间的变化验证，若多版本峰谷在同一帧位置起伏，则说明对齐准确。以下官方原图就是该验证，阅读时先确认横轴是帧序号、纵轴是能量大小、多条曲线是同一作品的不同版本，再判断峰谷是否对齐。

看图路径： 1. 先看横轴帧序号与纵轴归一化均方根能量，确认这是对齐后的统一音乐时间；2. 再看左侧强奏段与中部弱奏段的多条曲线峰谷是否在同一帧位置起伏；3. 最后看最右侧结尾上冲段是否所有版本同步抬升，以判断对齐是否全局成立

论文图 1。原论文 Figure 1：“RMS energy profiles for multiple performances synchronized via DTW.”。

该图显示多条均方根能量曲线在强弱段落的起伏位置高度一致，左侧高能量密集区、中部低能量平坦区、中部偏右的再次高能量区与结尾上冲区在帧位置上基本重合，支持时间轴同步精度高的判断。但要注意这只是能量包络对齐的证据，不能证明音高或声部进入时刻完全无误，也不能证明后续音色比较不受录音电平归一化残差影响。复述时要说对齐的是帧对应关系，比较的是对齐后的特征，而速度本身也被保留为伸缩率特征参与相似性计算。

响度音色速度与深度嵌入各自怎么算？

声学特征分 3 组。响度用均方根能量表示声音平均能量，并做归一化以消除不同录音整体音量差异。音色用 13 维梅尔频率倒谱系数刻画频谱包络，用谱平坦度刻画噪声感与谐波清晰度，用谱质心刻画声音明亮度，用谱滚降刻画能量集中的截止频率，用谱带宽刻画频谱分布的铺展程度。速度不用传统节拍跟踪，而是用伸缩率度量，即某段 MIDI 窗在演奏中被拉长或压缩的程度，窗宽为参考 MIDI 帧宽度，值为 1 附近表示与基准一致，大于 1 表示加速，小于 1 表示减速。

声学特征 × VGGish 嵌入： 声学特征负责用可解释的手工量刻画响度、音色明亮度与速度伸缩率，VGGish 嵌入负责用在大规模音频数据上学到的卷积网络统计量捕捉整体频谱纹理与高层音响身份，二者搭配的原因是听众是复合感知而非分离感知，组合意义是用前者保留乐句级强弱与速度变化，用后者补充跨乐团可比的全局音响相似性。

深度嵌入选用 VGGish，它是基于卷积神经网络的音频特征提取模型，计算量小于大 transformer 模型，适合在中央处理器上处理几十个长录音。具体操作是先把音频转成 16 千赫单声道，按 0.96 秒切分，转对数梅尔谱后输入模型，每段得到 128 维向量，再对同一演奏的所有帧取平均得到该版本的 128 维表示，不做节拍对齐，随后用均匀流形近似投影压到 10 维再用主成分分析压到 3 维用于比较。作者明确提醒该向量应理解为全局声学相似而非细粒度演奏表现力，因为时域平均与通用音频分类训练会抹掉局部 timing 与乐句动态。

分组标准 × 戴维斯博尔丁指数： 分组标准负责按同一乐团、同一指挥、乐团所在国、指挥国籍、指挥师承把演奏版本预先分成簇，戴维斯博尔丁指数负责度量簇内是否紧密且簇间是否分离且值越低越好，二者搭配的原因是不学习新的聚类划分而是检验元数据能否解释风格，组合意义是把低指数直接读作该元数据是影响演奏风格的主要因素。

降维后生成 3 类 2 维声学向量用于比较，分别是响度加速度的融合向量、音色 17 维经主成分分析压缩的向量、全部 19 维经主成分分析压缩的向量。教学例子是，若要问 2 位指挥的速度处理是否像，就看伸缩率向量，若要问两个乐团的音响是否像，就看音色向量与 VGGish 向量。以下桥段把能量与速度的互补关系讲清，避免把响度大等同于速度快。

均方根能量 × 伸缩率： 均方根能量负责逐帧度量声音平均能量并经归一化消除录音整体音量差异，伸缩率负责度量某段 MIDI 窗在实际演奏中被拉长还是压缩以反映局部速度，分工上前者看响的强弱起伏，后者看快的快慢变化，搭配原因是同一对齐框架下二者都依赖帧对应关系，组合意义是把响度与速度放在统一音乐时间上联合比较。

复述时要固定简称，均方根能量、梅尔频率倒谱系数、动态时间规整、主成分分析、均匀流形近似投影、戴维斯博尔丁指数首次用白话加英文，后文只用固定简称，不能混用别名。

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神经网络，也没有微调 VGGish，没有报告优化器、学习率、梯度路径、参数冻结或重置时机，这些缺项必须如实指出，不能从模型名称推定实现。真实计算分为 4 类，一是同步计算，用现成同步工具包在标准 MIDI 与每个演奏之间做多尺度规整并保存帧对应表。二是手工特征计算，用音频分析库逐帧算响度与音色量并归一化。三是现成模型推理，把切分后的音频送入已有的 VGGish 得到嵌入再平均与降维。四是无监督评估计算，按 5 种元数据分组算戴维斯博尔丁指数并在可视化系统中人工核查个案。

主成分分析与流形投影在这里不是分类器训练，而是降维构造，目的是把高维特征压到 2 维或 3 维以便可视化与距离比较。同步工具包的选择理由是长录音需要省内存与省时间，这属于工程性计算预算而非模型精度训练。可视化系统用 Python Dash 做界面、用 Plotly 渲染，每个点代表一个版本，可切换曲目、分组标准与坐标数据类型，点击可看元数据，它被定位为探索趋势的工具而非性能评估工具。

因此复现时不存在拟合训练集的概念，不存在早停与验证集划分，存在的是特征参数与对齐参数是否与原文一致。若换用其他嵌入模型或改变平均帧的方式，全局声学相似的含义会变，不能直接与原文指数值对比。凡涉及推荐准确率提升的表述，原文写的是若能查明因素则有望调参改进，属于期望而非已测量的推荐收益，不能复述为已证明推荐更准。

数据划分采样指标与运行条件是否一致？

数据是贝多芬第七 55 个版本与柴可夫斯基第五 71 个版本，贝多芬侧涉及 8 位指挥与 8 个乐团的多版本，柴可夫斯基侧涉及 9 位指挥与 8 个乐团的多版本。采样限定 2000 年后，排除古乐器与室内乐团，理由是避免成员换代导致的风格漂移与早期录音技术差异，并统一声学比较条件。曲目选择理由是录音多样性与节奏结构清晰，后者为保证动态时间规整稳定，兼顾古典时期结构清晰与浪漫时期情绪色彩丰富的对比。划分不是训练验证测试划分，而是按作品与乐章组织比较，先比贝多芬第一乐章与柴可夫斯基全乐章均值，再比柴可夫斯基 4 个乐章各自内部。

指标是戴维斯博尔丁指数，方向是越低越好，聚合方式是按分组标准整体打分，另有可视化做个案核查。运行条件上声学特征经过节拍对齐再比较，VGGish 经过全局平均而不做节拍对齐再比较，二者条件不同，不能把两类指数直接跨类比大小，只能在各自类别内比哪种分组更优。硬件预算原文未给出具体机型与耗时，只从模型选择上说明 VGGish 在中央处理器上推理效率高、适合大体量收藏，这是定性交代而非可核对的分钟数。

统计方法上原文未报告显著性检验与置信区间，只报告指数值排序与均值比较，因此重提结论时只能用报告显示与支持的措辞。录音环境非均匀的影响未被测量，厅堂声学差异已知会影响动态感知，但原文明确说新录音之间的环境差异对特征的影响尚未验证，声学匹配统一混响的方案也因缺少针对古典音乐的可用模型而难以实施，这部分要记作待验证边界。

哪种分组在什么特征上胜出，数字支持什么判断？

先提出比较问题，在公平的同一作品同一特征内，哪种元数据分组的指数最低。公平条件是同一特征类别内比较，指标方向是越低表示簇内越像且簇间越分离。声学特征下两部作品共同显示按同一指挥分组时音色与全特征表现好，贝多芬前五平均为 2.925，柴可夫斯基前五平均为 4.221，说明贝多芬版本间整体更相似，支持古典时期演奏风格更定型、浪漫时期解释自由度更大的有限解释。深度嵌入下贝多芬最优是同一指挥，柴可夫斯基最优是同一乐团，支持柴可夫斯基演奏中乐团固有声学特性在高层特征里更突出的判断，但原文明确写具体原因目前无法确定。

下表整理跨作品主结果的比较问题、条件与方向，数值保留原文精度，百分号与单位按原文写法，不自行换算相对百分比。表前已提出问题与公平条件，表后将解释收益与代价并点出未胜出项。

表后解释是，主要收益是元数据因素能解释超越纯感知相似的系统差异，指挥身份在速度响度上持续占优，乐团身份在特定乐章音色上占优。具体代价是跨作品均值比较混入了乐章数量与风格差异，不能读作贝多芬每个乐章都优于柴可夫斯基每个乐章。未胜出项是同一国家分组在两部作品都只排第三，但在柴可夫斯基侧指数更低，原文据此提出俄罗斯音乐特性可能使国家分组更有效，但这只是可能而非因果证明。VGGish 与声学条件不同，跨类别比大小不支持任何胜负判断。

个案核查补充了指数看不到的细节。同一指挥小林研一郎的柴可夫斯基第四乐章 7 个版本在可视化中裂成两簇，左侧紧密的是日本乐团录音，右侧是欧洲乐团录音，说明同一指挥也受乐团所在国影响。詹森斯的两版贝多芬是同一乐团自然很像，两版柴可夫斯基换了乐团仍很像，而阿什肯纳齐在两部作品中换乐团的两版都相距较远，支持指挥与乐团交互方式因人而异，但主因是刻意改风格还是乐团响应不同，需要专家意见才能判定。

分乐章看会翻转吗，哪类特征在哪个乐章更管用？

按乐章组织的问题是，最优分组是否跨乐章稳定，速度响度与音色各自听谁的。公平条件是同一乐章同一特征类别内比较，指标方向仍是指数越低越好。声学侧同一指挥的全特征在 4 个乐章都靠前，速度响度前列长期被同一指挥或指挥国籍占据，支持速度响度主要由指挥而非乐团控制的判断。乐章特性上第一三四乐章前列多与指挥相关，第二乐章前二都是同一乐团的音色与全特征，原文解释为第二乐章独奏与小编制多，乐团固有音色与合奏质量决定个性。第三乐章前五有三项是速度响度，原文解释为轻快圆舞曲速度流动且起伏小，版本间差异小。

下表整理分乐章深度嵌入均值的比较，数值保留原文 2 位小数，不四舍五入，表前问题是哪个乐章的聚类整体更好，公平条件是各乐章取深度嵌入前三平均，方向越低越好，表后解释音乐差异与未验证部分。

表后解释是，第三乐章平均 3.58 最低，支持轻快舞曲性乐章表达更易标准化的判断，第一二四乐章情绪戏剧性强则更分散。但深度嵌入下第一二乐章最优是同一指挥、第三四乐章最优是同一乐团的翻转，原文明确说是否与大小调与速度色彩差异有关尚不确定，不能把大小调当作因果证明。负结果是同一师承与同一国籍在多数表中未进前列，说明师承链条在本数据与本指标下解释力有限，但这不等于师承无影响，可能是指挥样本与乐团交叉不足或指标不敏感，还需补验证。

另一类论文特有细节是可视化系统的定位，它只用于核查具体版本群的分布形态，因为指数高不能区分组内均匀相似还是组内再分裂。小林案例就是指数之外的反例，同一指挥整体指数好，但组内仍按乐团国家分裂。复述消融时要同时讲均值趋势与个案分裂，避免把总体趋势推广到每位指挥每一步都成立。

哪些结论不能下，缺了哪项验证？

缺失证据不是技术错误，但必须划清可说与不可说。第一，录音环境非均匀的影响未被测量，虽然已限定 2000 年后并排除特殊编制，但不同厅堂、话筒与后期对音色特征的影响程度未知，原文引用厅堂侧向反射影响动态感知的文献来说明声学环境重要，但统一声学的技术因缺少古典音乐专用模型而难以实施。第二，VGGish 的局限已在方法中自述，时域平均与通用分类训练使其只宜读作全局声学相似，不能读作乐句 timing 与发音细节的相似。第三，样本仍限于两部作品，是否能推广到德沃夏克、德彪西、拉威尔等民族与地域色彩更强的作品，原文只提出为未来工作，不能提前承诺。

相关性不是因果，同一指挥版本抱团不能证明指挥单方面决定一切，阿什肯纳齐换乐团后风格拉开，既可能是主动适配，也可能是乐团响应不同，原文要求专家意见。同一国家分组在柴可夫斯基侧更好，也不能证明俄罗斯特性必然导致国家相似性更高，这只是待验证的倾向。训练资源、推理开销、输出帧率与实际延迟要分开讨论，原文只说了 VGGish 在中央处理器上高效，未给出延迟与帧率数字，不能承诺实时或低成本。

总体趋势不等于每组每步成立，指挥整体占优但詹森斯与阿什肯纳齐个案相反，乐团在第二乐章占优但在其他乐章未必占优。引用数字时要同时核对作品、乐章、特征类别、分组与聚合口径，数值相同不是同一指标的证据，不同指标差值不能混入同一列比较，自动指标不能当作人评胜负。

要复现这套因素分析先做什么，需要守住哪些参数？

复现先做数据与对齐，再做特征与分组评估，最后做可视化核查。数据侧按原文收集两部作品的多版本录音，守住 2000 年后、排除古乐器与室内乐团、保留指挥与乐团多版本交叉的条件，记录每版的乐团名、指挥名、乐团所属国、指挥国籍、指挥师承五字段，缺字段只能记作缺项不能编造。标准音频用原文指明的古典 MIDI 来源做时间基准，用同步工具包做多尺度规整，为每个 MIDI 帧保存对应演奏帧号的表格，这是后续所有比较的地基。

特征侧声学量用音频分析库按帧计算并归一化响度，音色取 13 维梅尔倒谱系数加谱平坦度、谱质心、谱滚降、谱带宽，速度按窗宽计算伸缩率，再按原文分别压成响度速度融合向量、音色向量与全特征向量。深度嵌入侧把音频转 16 千赫单声道、按 0.96 秒切分转对数梅尔谱送入 VGGish，每段 128 维再按演奏取平均，经流形投影到 10 维再经主成分分析到 3 维，不做节拍对齐。分组评估侧按 5 种标准分簇并计算戴维斯博尔丁指数，方向越低越好，同时用散点系统核查组内是否再分裂。

资源状态是正文开源声明的唯一依据，本次未发现来源绑定且完成安全验证的资源，因此不得声称代码模型或数据已公开，只能按原文描述重写流程。若要验证新作品，应保持同一特征类别内比较、同一乐章内比较、不跨类别比指数大小，并补做录音环境一致性检查与显著性报告，否则无法判断翻转是音乐原因还是录音原因。

何时值得尝试这套方法，一句话带走什么？

当你的问题是同一作品多版本之间像的原因而非哪个版本更好听，当你手头有指挥乐团等可解释元数据且录音时长很长需要兼顾效率时，这套先对齐再比特征最后用预定义分组打分的方法值得尝试。它把可解释推荐的依据从不透明相似分换成指挥与乐团身份等可名状因素，便于调参时加权，也为教学提供风格传递的实证线索。但若你的目标是细粒度乐句表情或实时检索，则全局平均的深度嵌入与未测量的延迟成本不适用，应换用保留时序的表达性特征并补测开销。

带走的判断是，指挥身份在速度响度上持续主导，乐团身份在需要合奏精度与特定乐章音色上主导，作品风格越定型整体越相似，解释自由度越大整体越分散，而国家与师承等分组在本数据下只起辅助作用且多处原因待验证。复述时用报告显示表达指数事实，用支持表达风格定型等有限解释，用可能待验证表达俄罗斯特性、大小调色彩与厅堂影响等推测，不把期望的推荐提升说成已测收益，不把总体趋势说成每位指挥必然如此。

📐 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

⚖️ 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 icmc-2026 论文汇总