坐席改一个实体，下一通电话就少错一个：闭环伴随如何攒出自己的偏置词典

英文题目：A Human-in-the-Loop Multi-Agent Companion for Real-Time Entity Extraction and SLU-Driven ASR Error Correction

会议身份：conference:interspeech:2026:conference-paper-id:arumugam26_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#测试时自适应 #流式处理 #语音识别 #口语意图与槽位识别

评分：6.3/10 | 创新 1.2/2 | 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：系统技术报告

👥 作者与机构

• Shiva Shankar Arumugam：机构信息未能从会议 PDF 纯文本可靠映射
• Ameyaditya Achar J：机构信息未能从会议 PDF 纯文本可靠映射
• Aashraya Sachdeva：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

客服通话的输入为流式语音音频与逐轮到达的客户话轮，输出为写入客户关系管理系统的命名实体与陪伴界面上的抽取建议，实际难点在于人名、单号、药品与SKU等长尾实体易被流式识别误识并向抽取与入库环节传播。方法链分四步衔接：流式自动语音识别先在偏置词表B引导下转写音频得到初始转写，词级纠错规则集R对其替换得到终稿转写并广播至抽取子智能体，抽取结果作为前瞻建议呈现在陪伴界面供坐席在位确认修正，反思子智能体在音频路径外将修正分类为误识、幻觉或漏抽并增补B与R用于下一通电话。与需预先给定实体表的Oracle偏置不同，系统从空表冷启动且跨通话累积领域词典，无需声学重训且反射更新不占用实时转写延迟。在ContextASR-Bench英文基准评测设置下，MACE Adaptive的NE-WER为0.147，低于No Biasing的NE-WER 0.178。该增益在 frozen词表与规则稳态后仍保持稳定，其适用边界尚未验证真实噪声与跨租户大偏置表下的外推表现。该结论限于英文合成语音回放、代理抽取器与 Oracle 编辑器，未验证真实噪声、跨租户与大偏置表下延迟。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，读完要能复述什么？

这篇解读的输入只有论文正文证据与本次收到的官方原图像素，不引入外部检索到的实现细节。目标是让刚进入语音与语言理解方向的研究生能复述方法与实验条件，并知道哪些结论有证据、哪些还没测。必须保留的信息包括任务定义、闭环里 4 个关键模块的分工、偏置表与规则集的更新时机、评测用的数据划分与 3 个对照条件、以及主结果的绝对值与相对降幅。

输出按学习依赖展开，先讲客服场景为什么难，再讲相关路线与本文选择，然后走完 1 次通话的前向过程与跨批次的反馈过程，最后讲评测协议、数字、代价与复现清单。举例来说，如果客户说出一个罕见的人名加一串保单号，系统要在通话进行中把识别文本转成结构化实体建议，让坐席一眼确认，而不是等通话结束再去客户关系管理系统中返工，这就是本文所说的实时伴随。全文不做营销式判断，所有改进幅度都绑定具体基线、指标与聚合口径。

同样做实体难词识别，前人路线与本文有何不同？

同一个输入都是带尾部实体的客服音频，同一个目标都是让实体词被认对且被结构化抽出来，但监督来源与运行阶段不同。流式端到端识别路线关注建模本身，论文引用的工作指出尾部词在流式解码中持续易错，这是本文要解决的上游噪声来源。上下文偏置路线是在解码时给关键词提示，相关工作处理发音与正字法不一致或用检索框架高效提供偏置，特点是需要事先知道偏置词表。

本文的不同在于不假设事先有实体表，而是从伴随界面的改错中自举出领域词典。持续学新词路线关注增量更新词表，本文继承了这一思想但把它具体化为两个有容量上限的存储：偏置表与替换规则。事后纠错路线是在识别文本上做替换，本文把它收编为闭环的第二条反馈通道，并用跨对话复现次数做门控，避免把 1 次性的模糊对齐噪声提升为规则。

按同运行阶段对照，本文的前向链路仍是识别加纠错加抽取，创新在离线反射不占用音频路径延迟，这是部署语义的关键。初学者容易把类别差异当成同条件胜负，例如把需要预先给实体表的方法与本文自举词典的方法直接比绝对值，正确读法是把预言偏置当上界，把无偏置当起点，把自适应闭环当实际可运行策略。

为什么客服通话的实体错误会级联放大？

问题可以拆成 3 步。第一步是语音识别错尾部词，客户标识、产品料号、药品名、保单号、人名等低频词在声学上相近但在业务上完全不可互换，流式引擎容易用高频词替代它们。第二步是抽取阶段传播错误，下游的命名实体识别是在含错文本上做抽取，错字直接变成错实体。第 3 步是界面与入库放大错误，坐席在通话中盯着伴随界面，如果建议错了，要么当场改，要么错进客户关系管理系统，事后返工成本更高。

白话说，声音是输入，准确入库是目标，中间经过识别文本与实体建议两道有损变换。英文术语先给清楚：语音识别是自动语音识别，简称 ASR；口语理解是理解意图与槽位的上游任务，简称 SLU；命名实体识别是从文本里找人名地名编号等，简称 NER；伴随是跑在坐席旁边实时给建议的人工智能浮层。

教学例子明确标为例子：比如客户说“Zhang Wei, policy AZ-8391”，识别写成“John Way, policy AZ-839”，抽取就只能给出错误的人名与号码，坐席必须改。本文要利用的恰恰是这次改：人对照刚听到的音频验证机器预测，这是最干净的监督，但过去很少被回收到识别栈。

闭环全景：一次通话走完哪些模块，改错何时生效？

先沿一个样本走完输入到输出。输入是第 i 通对话的音频，记为音频输入；它先进入带偏置的流式识别引擎，偏置表提供关键词提示，产出原始转写；原始转写经过由规则集控制的事后词纠正，产出修正后转写；分发器把每轮定稿的客户话轮广播给抽取子智能体，产出建议实体集。

建议实体集显示在伴随界面上，正在通话的坐席做就地确认或纠正；每 1 次对误识命名实体的纠正形成差异集合，被反射子智能体捕获并用于更新偏置表与规则集。关键的时间语义是下一通生效：在第 k 批内提交的更新只对第 k 加一批可见，镜像部署中下一通电话的含义。反射更新被派发到音频路径之外，因此实时转写延迟不受影响；偏置表与规则集持久化在键值存储中，每通新电话开始时读取，并按伴随坐席做作用域隔离，避免跨租户泄漏。

已提交的替换规则还可以注入到同一通电话下 1 帧转写的运行中词纠正阶段，这是同一通内极少数的即时生效例外。

本小节导读图一需要先建立整体心智模型再看细节。图中黑色实线是每通对话的前向路径，红色虚线是跨批次的反馈路径，方框颜色区分了识别纠错链与抽取反射链。请按焦点动作从左到右再回到左上，特别注意差异集合只出现在界面到反射之间，说明人工信号是离线进入系统的。

看图路径： 1. 先从左侧音频输入沿黑色实线向下再向右追踪到伴随界面，确认每通对话的前向路径；2. 再找到右下反射子智能体引出的两条红色虚线，确认它们分别回指到哪个上游模块；3. 对照方框颜色区分语音与纠错链路和抽取与反射链路；4. 检查差异集合符号在伴随界面与反射之间的位置，理解人工改错如何离线进入下一批

论文图 1。原论文 Figure 1：“Closed-loop architecture. Solid arrows: per-dialogue forward path. Dashed arrows: inter-batch feedback from the reflection sub-agent updating B and R.”。

图一显示的正是上述分工。左侧音频进入标有偏置下标的识别框，向下经过标有规则下标的词纠正框，再经分发器向右进入抽取子智能体与伴随界面，向下的差异集合进入反射子智能体，红色虚线回到识别与纠正框。实线只向前不回头，虚线只跨批更新，这种画法把延迟敏感路径与延迟不敏感路径分开，是理解无声学重训、无先验词表的关键。反射子智能体进一步把差异分为识别误识、抽取幻觉、抽取漏检 3 类，只有误识与漏检的正确实体字符串有资格进入偏置，误识的表层模式还需满足复现阈值才有资格进入规则。

实时伴随界面 × 反射子智能体： 实时伴随界面分工是跑在坐席通话旁边，把抽取到的命名实体做成可就地确认或改错的主动建议，它处在音频主路径的末端；反射子智能体分工是走在音频路径之外，消费界面上每 1 次改错产生的差异集合并决定写入偏置表还是提升为替换规则。二者搭配的理由是界面拿到的是人对照刚听到的音频做出的最干净监督，而反射把这种 1 次性的监督变成下一通电话可用的持久记忆，组合意义在于不做声学重训也能让系统自己的领域词典越用越大。

复述全景时要记住两个集合的起点为空，偏置与规则都从零开始自举，系统靠坐席的编辑动态长出领域词典，而不是靠事先导入。

四个组件各自算什么，偏置与规则如何分工？

组件按数据流有 4 个。识别组件是带偏置的流式引擎，输入是音频加当前偏置表，输出是原始转写；它不做重训，只接受提示。词纠正组件是受规则集控制的字符串替换，输入是原始转写，输出是修正后转写；它是确定性的，不涉及声学。

分发与抽取组件负责把定稿话轮转成实体建议，评测中为了能重放数千通对话，用确定性代理抽取器代替大语言模型抽取子智能体，即子串匹配加相似度不低于 0.7 的模糊回退；部署概念上仍是语言模型子智能体，但实验里是可重复的代理，这是必须记住的替代条件。界面与反射组件负责把人工改错变成机器记忆，界面产出差异集合，反射产出新偏置与新规则。

符号上可以记对话集合、音频、真实转写、真实实体集、偏置表、规则集、预测转写、修正转写、预测实体集与差异集合，但公式本身在本次证据中没有给出可绑定的原始形式，因此这里只讲计算目标：新偏置取误识与漏检的正确实体字符串，新规则取误识的表层到正确实体的替换对，且该表层必须已在至少陶个不同对话中出现过，陶取二，用来抑制 1 次性模糊对齐产物。跨批次更新是并集式累加，上一批的偏置与规则加上本批新产生的条目，得到下一批的版本。

论文的中心主张是命名实体错误率与编辑率随批数非增，但这是一个待验证的单调性主张，实际受容量饱和与数据混合影响。

上下文偏置 × 事后词纠正规则： 上下文偏置分工是在识别调用时把实体字符串作为关键词提示喂给语音识别引擎，让解码更偏向这些尾部词；事后词纠正规则分工是在识别文本产出后做字符串替换，把反复出现的误识表层形式直接改成正确实体。二者搭配的理由是偏置管入口的倾向性但受提示长度限制，规则管出口的确定性修正但需要跨对话复现才可信，组合意义是高频易错模式得到双保险，1 次性对齐噪声则被阈值挡在规则之外。

初学者常见误解是把偏置与规则当成同一东西的两种写法，实际上偏置在解码前起作用，解决认不认得这个词的问题，规则在解码后起作用，解决反复把甲听成乙的问题，前者靠提示广度，后者靠复现证据。

本研究训练了什么，没有训练什么？

本研究没有训练声学模型，也没有微调识别引擎与抽取大模型，必须明确说明没有训练阶段，避免把自适应循环误读成梯度训练。真实计算过程是检索、匹配与规则累积。识别侧调用的是现成的 Whisper 大版本三，在 T4 图像处理器上做推理，偏置以提示词形式在每次调用时传入；抽取侧用确定性代理做子串与模糊匹配，相似度阈值 0.7 是固定配置；监督来源是伴随界面的改错，在评测中由对照真实实体表的预言编辑器代理发出差异集合。

反射例程按阈值 2 与容量上限做集合更新，没有梯度路径，没有参数冻结与解冻的说法，也没有优化器与学习率。重置时机是每批边界：批内累积，批间提交，下一批可见。容量是硬约束，偏置上限五百，规则上限二百，达到上限后进入稳态，不再无限制增长。缺项也要指出：原文未报告反射分类器本身是规则还是模型，未报告模糊匹配的具体实现库与分词细节，未报告键值存储的淘汰策略是先进先出还是按频次保留，这些都不能从模型名称推定。

把无训练等同于确定性求解是错误的，因为识别解码与模糊匹配仍有不确定性，只是参数不更新；也不能从冻结参数推定系统输出确定，因为输入音频与提示内容每批都在变。

用什么数据、怎么划分、和谁比、指标方向是什么？

评测用英语 ContextASR 对话切分，来自 ContextASR-Bench 基准，规模是 5273 通多说话人对话，约 63000 个命名实体提及，覆盖 10 个以上领域，每通对话 9 到 21 个实体，平均 12 个，音频是经过音素错误率质量门的语音合成，主导类别是人名、作品标题与技术术语，这些正是流式识别常错的类别。划分上先用随机种子 42 打乱，再切成 100 个顺序批；更新在批 k 提交、批 k+1 可见。

打分只用其中 32 批，每批约 52 通对话，共约 1664 通，给出 32 个每批分数再平均，标准差反映不同对话混合下的稳定性，95% 置信区间来自 32 个每批改进量的配对自助法，重采样 10000 次取 2.5 到 97.5 分位，配对的意义是同一批音频在 2 种条件下完全相同，差值去掉了对话混合方差。3 个条件共享同一音频：无偏置是偏置与规则都为空的起点，预言偏置是把本通真实实体表提前给偏置的上界，自适应是偏置与规则按反射规则逐批增长的实际可运行策略。

指标方向都是越低越好：命名实体词错误率只在实体跨度上算词错误率，编辑率是仍需坐席修正的抽取实体比例。硬件预算明确为 Whisper 大版本 3 跑在 T4 上。容量上偏置上限 500，提示词长度只容纳约 70 到 100 个有效条目，规则上限 200 以控制正则误触发。

命名实体词错误率 × 编辑率： 命名实体词错误率分工是只在命名实体跨度上算词错误率，衡量语音识别在实体词上错了多少；编辑率分工是抽取出的实体中仍需坐席在伴随界面动手修正的比例，衡量端到端的人工返工量。二者搭配的理由是前者定位声学加偏置环节，后者定位抽取加界面环节，只有同时下降才能说明闭环既改对了字又减少了人的点击，组合意义是把识别改进翻译成了可感知的坐席工作量改进。

下表把数据规模、划分种子、批语义、容量与阈值放在一起，方便复现时逐项核对，表中数字与单位保留原文写法，裸值不擅自加单位。

表后需要解释取舍与边界。打乱加顺序批的好处是模拟真实上线中下一通生效，代价是前几批仍在冷启动，偏置 3 批即满而规则到 28 批才满，因此累计均值里混入了爬坡期；只评 32 批的好处是计算可行，代价是剩余批次是冻结稳态下的独立同分布评测，累计均值被解释为全量性能的无偏估计，这一解释依赖冻结后分布不变的假设。未胜出项是预言偏置，它远好于自适应但不可部署，不能当成绩；未评测边界包括跨租户隔离的实际泄漏测试、真实坐席而非预言编辑器的噪声、以及非英语与真实录音而非合成音频的泛化，这些在原文都没有数字。

主结果改进多少，差距闭合多少，方差说什么？

先说比较问题与公平条件。问题是自举词典能否在不重训声学、不预给实体表的情况下减少实体错误与人工返工；公平条件是同一音频、同一识别模型、同一代理抽取器、同一 32 批划分，只改变偏置与规则是否增长；指标方向都是越低越好。主结果是自适应达到命名实体词错误率 0.147±0.004、标准差 0.012，编辑率 0.247±0.006、标准差 0.016，对照无偏置基线分别是 0.178±0.005、标准差 0.014 和 0.304±0.006、标准差 0.016，2 组 95% 置信区间在 2 个指标上都不重叠，因此 17.1% 与 18.6% 的相对降幅落在批级方差之外。

差距闭合上，命名实体词错误率闭合了与预言偏置差距的 23.6%，编辑率闭合了 22.0%，说明自举拿到了约 4 分之 1 的上界收益，仍有 4 分之 3 需靠更好的偏置检索或声学改进。反馈通道在 28 批内饱和，偏置在第 3 批触顶，规则在第 28 批触顶，之后是冻结稳态评测。

无偏置基线 × 预言偏置上界： 无偏置基线分工是偏置表与规则集都为空的实际可运行起点，代表不做任何干预时的原始水平；预言偏置上界分工是提前把本通对话的真实实体表喂给偏置的事后最优对照，代表提前知道答案时的天花板。二者搭配的理由是前者给出改进是否真实存在，后者给出改进离理想还有多远，组合意义是把自举词典的收益放在可部署收益与不可部署的先验知识之间，避免把上界当成绩。

本小节导读图 2 需要同时读绝对高度与增长饱和。上排是 3 条件柱状图与置信区间，下排是偏置与规则随批增长曲线，标题点明 32 批乘每批约 52 通、稳态自第 28 批起。请先确认纵轴是原始指标均值而非相对改变量，再看曲线平台期的批次标注，不要把末步结果推广为全程一直这么好。

看图路径： 1. 先看上排两个柱状图的灰蓝绿三组条件与纵轴含义，确认误差棒代表的置信区间是否重叠；2. 再看柱顶标注的相对降幅与弥合预言差距的百分比，区分相对改进与差距闭合；3. 转到下排两张增长曲线，比较偏置表与规则数达到平台期的批次位置差异；4. 注意标题中三十二批与每批约五十二通对话的评测口径，确认均值是对批平均而非对单句平均

论文图 2。原论文 Figure 2：“2”。

图 2 可见的关键信息有 4 点。第一，无偏置灰柱最高，自适应蓝柱居中，预言绿柱最低，且蓝灰置信区间不重叠，支持改进不是 1 批偶然。第二，柱顶标注的相对降幅与差距闭合百分比与正文数字一致，但这是相对百分比而非百分点，不能与绝对差值混用。第三，下排偏置曲线在第 3 批即水平，规则曲线爬坡到第 28 批才水平，说明偏置靠广度快速填满，规则靠复现证据缓慢累积。第四，标题的稳态声明意味着后几批是在冻结记忆下的评测，累计均值因此更接近部署后期的表现而非冷启动表现。像素不能精确辨别的每批具体数值不硬读，以正文报告的 32 批均值与区间为准。

下表把核心结果放在同一可比口径下，表中数字保留原文精度，相对降幅与差距闭合另列说明而不混入绝对值列。

表后解释收益与代价。自适应相对基线的收益是实体错误与返工同时下降，且标准差小说明跨不同对话混合仍稳定；代价是偏置 3 批即满意味着提示词只能容纳约 70 到 100 个有效条目，大量条目实际挤不进解码，规则 200 上限则限制了长尾模式的覆盖。反例是单批视角：总体趋势不等于每批都下降，配对差值的分布仍有波动，只是均值显著为正。未胜出项仍是预言偏置，它的绝对值远好但用了提前知道答案的信息，只能当上界。

两条反馈通道各自何时饱和，拿掉一条会怎样？

论文没有做传统意义上 1 次去掉一个模块的消融表，但给出了两条通道的增长与饱和证据，可以按证据展开特有的失败条件分析。偏置通道靠新偏置函数把每次误识与漏检的正确字符串直接加入，增长极快，第三批即达五百上限；规则通道靠新规则函数把复现至少 2 次的表层到正确实体的映射提升为提交规则，增长缓慢，第二十八批才达二百上限。这种快慢差异支持分工假设：偏置解决广度记忆，规则解决高频误识的确定性修正。

原文未报告只开偏置不开规则、或只开规则不开偏置的数字，因此不能补写拿掉后必然怎样，只能说若偏置被容量截断而规则尚未长成，中间批次的改进主要靠偏置的头部效应；若规则阈值从二提高，会更少误触发但也会漏掉只出现 2 次的真模式，这是阈值门控的固有权衡。另一个特有细节是同一通内即时注入：已提交规则可注入运行中词纠正用于下 1 帧转写，这是规则区别于偏置的低延迟复用，但原文未量化它对延迟与误触发的具体影响。

偏置列表容量 × 规则容量： 偏置列表容量分工是限制同时喂给识别引擎的提示条数，原文软件上限为 500 条，对应提示词长度约束；规则容量分工是限制常驻的正则替换条数，原文上限为 200 条，对应误触发风险约束。二者搭配的理由是偏置多则提示被稀释，规则多则误杀面扩大，都需要封顶，组合意义是闭环必须在有限记忆里做取舍，饱和后的评测才反映稳态性能而非无限堆词的虚高。

复现者应把饱和批次当作检查点：如果自己的偏置不是三批左右触顶，要检查是否用了同样的种子四十二、同样的代理抽取器阈值 0.7、同样的复现阈值 2 与同样的容量上限；如果规则增长过快，要检查是否把 1 次性模糊对齐产物误提升为规则。

哪些结论还没被测量，哪些推广需要谨慎？

先区分 3 类表述。论文直接报告的是 32 批均值、区间、标准差、饱和批次与容量上限；有限解释的是冻结后累计均值可视为全量性能无偏估计，这依赖稳态分布不变假设；未验证推测是单调非增的主张，原文给出数学形式但没有逐批非增的证明与反例排查，应读作期望趋势而非每步保证。缺失证据不是技术错误，但必须点名。

第一，人工是预言编辑器代理而非真实坐席，未测量误改率、漏改率与标注延迟，因此不能承诺真实部署中同样的降幅。第二，抽取是确定性代理而非大语言模型子智能体，模糊阈值 0.7 下的幻觉与漏检分布可能与线上模型不同。第三，音频是合成而非真实客服录音，信道噪声、重叠语音与口音的影响未评测。

第四，延迟只定性说反射走音频路径之外而不影响实时转写，未给出端到端帧率、尾延迟与键值读取开销，训练资源与推理开销要分开讨论，这里只有 T4 推理而无训练开销。第五，相关性不是因果，偏置与规则增长和指标下降同时发生，但不能排除对话混合由难到易的顺序效应，配对差值虽去掉了混合方差，仍需随机顺序多种子重复来验证。

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验证的资源，因此不得声称代码模型数据已公开，只能写复现需按文重写。

要复现这套闭环，先做什么、参数如何定？

复现先做 3 件事。第一，按文准备数据与划分：取英语对话切分，用种子 42 打乱，切 100 个顺序批，只评其中 32 批并记录每批约 52 通的口径，保留真实转写与真实实体集只给预言编辑器与预言上界用，不让自适应提前看到。第二，搭前向链：Whisper 大版本 3 做推理，偏置以提示词传入并设 500 上限，词纠正用规则集做替换并设 200 上限，分发器按客户话轮定稿广播，抽取用子串加相似度 0.7 模糊回退代理，界面用预言编辑器发出差异集合。

第三，搭跨批反馈：批内累积差异，批间按并集更新，批 k 的提交只对批 k+1 可见，复现阈值取 2，记录偏置在第 3 批、规则在第 28 批是否饱和作为对齐信号。关键超参数与信息条件是种子 42、32 批评测、容量 500 与 200、阈值 2、提示词长度约束约 70 到 100 有效条目、T4 推理环境。还需补的验证包括换种子重复、真实录音抽查、真实抽取模型替换代理后的端到端重测、以及规则误触发率与延迟的单独测量。

何时值得尝试：如果业务的错误集中在可复现的表层误识且坐席本来就要在伴随界面点确认，这套闭环能把点击变成记忆；如果错误多为 1 次性长尾且偏置提示位极紧，收益会被容量稀释，此时应先做偏置检索排序而非无脑堆词。

一句话收束：它解决了什么，又留下了什么？

它解决的是无先验词表、无声学重训条件下，把坐席本来就要做的确认点击变成下一通电话可用的偏置与规则，并在英语合成对话上给出可核对的相对降幅与差距闭合。它留下的是 3 类待验证：真实坐席噪声下的收益是否成立，合成到真实信道的泛化缺口有多大，有限容量下的淘汰与排序策略怎么做。

初学者带走的方法复述应是：音频经带偏置识别与规则纠正得到文本，文本经分发抽取变成建议，界面改错经反射变成下一批的记忆，评测用共享音频 3 条件对比、批平均加配对自助区间报告。记住两个数字的含义不同：17.1% 是相对基线的改进，23.6% 是相对上界差距的闭合，前者回答有没有用，后者回答离理想多远。

下 1 次读同类工作时，继续按同输入、同目标、同监督、同运行阶段做有源对照，不要把需要提前给答案的方法与自举记忆的方法放在同一列比高低。

⚖️ 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 interspeech-2026 论文汇总