英文题目：How Attention Shapes Emotion: A Comparative Study of Attention Mechanisms for Speech Emotion Recognition
会议身份：
conference:interspeech:2026:conference-paper-id:casalssalvador26_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。
标签：#注意力机制 #模型比较 #高效推理 #语音 #语音情感识别
评分：7.3/10 | 创新 1.0/2 | 技术严谨 1.0/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5
排名：前50% | 文档类型：方法研究
👥 作者与机构
- Marc Casals-Salvador：机构信息未能从会议 PDF 纯文本可靠映射
- Federico Costa：机构信息未能从会议 PDF 纯文本可靠映射
- Rodolfo Zevallos：机构信息未能从会议 PDF 纯文本可靠映射
- Javier Hernando：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
语音情感识别需从长时语音波形与对应文本推断包括愤怒与中性在内的8类离散情绪，难点在于情绪线索稀疏非均匀且长序列使标准自注意力呈二次计算量。方法固定冻结语音编码器与BERT文本编码器并拼接声学语言序列，仅替换中间序列建模模块，其输出经注意力池化压缩为话语向量再送入分类器。与显式构造全对相似矩阵的标准自注意力不同，高效变体分别用带遗忘的保持记忆、加性递推、槽门控或维度级衰减压缩历史，将复杂度降为线性递推。这种差异的实际意义在于以固定维循环状态换取长音频可扩展性，避免存储全序列相似矩阵。在MSP-Podcast v2.0 Test1评测设置下，SA的Macro F-Score为36.42%，高于FoX的Macro F-Score 34.95%。图2显示高效变体序列模块的延迟与峰值显存随长度近似线性增长，避免了标准注意力的二次增长。结论边界在于评测仅覆盖英语播客自发语音与冻结编码器设置，未验证微调编码器、其他语种或噪声场景下的排序是否保持。效率结论仅针对序列模块而非包含重型编码器的端到端系统。该结论的适用边界受限于英语播客语料与冻结编码器条件，跨语种与噪声场景尚未验证。
🔗 开源与复现资源
- 代码相关资源：https://github.com/marccasals98/AttentionAlternatives — 链接可访问（HTTP 200）
- 第三方资源：https://github.com/fla-org/flash-linear-attention — 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
输入是什么？为什么情感不能只看一帧声音？
本次解读的输入是论文原文证据与两张官方原图像素，目标是让刚进入语音、音乐、音频领域的研究生能复述该研究的任务、方法、实验条件和结论。必须保留的信息包括数据集版本与划分、冻结与可训练参数、注意力变体名单、评价指标方向、关键分数与效率数字，以及代码可用状态。输出是 1 篇按学习依赖展开的中文技术解读，不做超出证据的效果承诺。 语音情感识别的任务是从一段自发语音推断说话人的情感类别。
论文使用的 MSP-Podcast 包含愤怒、高兴、悲伤、恐惧、惊讶、轻蔑、厌恶和中性共 8 类，还带有效价、唤醒度和支配度的属性标注。声音输入是原始波形，文本输入是对应转写的词序列，模型要输出 8 选 1 的预测。对初学者来说，白话理解是：情感不藏在某 1 帧频谱里，而藏在语调起伏、语速、停顿和用词的组合里，而且一段播客录音可能长达数秒，情绪强弱在时间上分布不均。 这就引出长时依赖这个术语。
长时依赖的白话含义是模型需要把相隔较远的帧联系起来，例如开头压低的声音和结尾突然提高的音调共同指向愤怒。注意力机制之所以成为主流，是因为它能显式地为不同时刻分配权重，强调情绪显著的片段，同时捕捉长距离上下文。但标准做法要计算所有位置两两之间的相似度，计算量和显存随序列长度平方增长，语音又具有高时间冗余和可能很长的持续时间，这在资源受限场景下会成为瓶颈。
语音情感识别 × 长时依赖： 语音情感识别的分工是从语音信号推断愤怒、高兴、悲伤等类别状态，长时依赖的分工是把相隔数秒的语调、停顿和能量变化联系起来，二者搭配的原因是情感线索分布不均匀且跨度长，组合意义是模型必须在长序列上同时保留局部韵律和全局上下文。
沿一个样本走一遍有助于建立全景。取一条 MSP-Podcast 播客片段，音频波形进入语音特征提取器得到语音嵌入序列，文本进入文本特征提取器得到文本嵌入序列，两者在长度维拼接成一个多模态序列，进入序列到序列模块做上下文融合，再经注意力池化压缩成一个向量，最后经分类器得到 8 类预测。论文固定除序列到序列模块之外的所有部件，就是为了单独回答注意力设计如何影响情感表示学习。
前人用注意力解决了什么？还缺哪块拼图？
早期研究把注意力放在循环神经网络隐状态上，用局部注意力强调情绪信息丰富的区域，证明了对非均匀情绪显著性建模的价值。随后自注意力被用来聚焦一句话中情绪显著的时段，Transformer 编码器进一步被用于捕捉声学和语言模态中的复杂情感模式。Odyssey 2024 语音情感识别挑战的报告显示，多数多模态竞争系统用自监督预训练的 Transformer 模型分别提取语音和文本表示，再用统计池化或注意力池化融合。
还有工作提出双重多头注意力做早期融合，先把混合特征变换为互补的上下文表示，再用第二个注意力池化为话语级向量。 Interspeech 2025 自然条件情感识别挑战延续了这一路线，参赛系统广泛使用自注意力和 Transformer 编码器，跨模态注意力把一种模态作查询、另一种模态作键和值，对齐不同预训练特征。这些工作在同输入、同目标、同监督下的对照表明，经典注意力在单模态和多模态情感任务上已经成熟。 论文指出的缺口是效率维度。
已有高效注意力如保持机制、门控累积、遗忘动态等，在语言建模中证明了用更低内存和计算复杂度保持竞争力，但在语音情感识别中没有在统一实验设置下系统比较过识别精度、训练显存和推理效率。也就是说，前人回答了注意力能否提升精度，但没有回答在长语音上哪种注意力更可扩展。本文的定位正是补上这块拼图，而不是提出一种全新的情感分类损失。
论文要回答的具体问题是什么？
论文把问题限定在融合阶段。语音和文本表示已经由预训练模型给出，如何把拼接后的长序列变换为适合情感分类的上下文表示，是序列到序列注意力机制的选择问题。要比较的对象包括标准柔性注意力，即 Softmax Attention，缩写 SA，以及 5 种高效替代：RetNet、LightNet、门控槽注意力 GSA、遗忘 Transformer FoX、Kimi Delta Attention 即 KDA。 评价是双目标的。一是识别性能，用宏平均 F 分数衡量，越高越好，尤其要应对类别不平衡。
二是计算效率，包括序列到序列模块的推理延迟和峰值显存占用，越低越好，随序列长度的增长越慢越好。论文要报告的是两者之间的权衡，而不是单方面宣布某种机制全面最优。 约束条件也很明确。所有机制共享同一套特征提取器、池化、分类器和训练协议，可训练参数量都控制在约 2000 万附近，总参数因冻结的预训练编码器而约为 655,000,000。测试覆盖 MSP-Podcast 两个版本的不同划分，以检验从开发集到更真实测试集的泛化。
整体系统如何组织？哪里是唯一的变量？
系统按 4 段流水线组织。语音分支用大规模自监督模型处理原始波形，文本分支用 BERT 类模型处理词序列，两路嵌入在长度维拼接，送入可替换的序列到序列模块，再经注意力池化和分类器输出。这种设计把多模态对齐和长序列建模的压力集中到中间一个模块，便于做控制变量比较。 下图是理解全文的关键，建议按分支汇合的顺序阅读，它直接对应后文所有表格中唯一的变量位置。
看图路径： 1. 先沿左侧语音波形和 Text 两条支路向右追踪到拼接箭头；2. 再看虚线框内 Seq2Seq 模块如何被标注为可替换的注意力变体；3. 最后看 Attention Pooling 后绿色小方块到 Classifier 的输出路径
论文图 1。原论文 Figure 1：“System’s architecture. Experiments are made considering different attention mechanisms for the seq2seq module.”。
从像素可见，左侧上方是波形图标进入浅蓝色 Speech Feature Extractor，下方是 Text 进入浅粉色 Text Feature Extractor，两个框右上角都有雪花符号，表示训练时冻结。两路输出的彩色小条在中间箭头处汇合，进入黄色 Seq2Seq 大框，该框被虚线框标注为 Attention Mechanism Variants，右侧输出另一组黄色小条，再经浅绿色 Attention Pooling 和绿色小方块进入 Classifier。黄色和绿色框右上角是火焰符号，表示可训练。这种冻结与可训练的划分与正文描述一致，也是复现时必须保持的公平条件。 具体符号安排是：语音嵌入记为 S，文本嵌入记为 E，隐维度 D 为 1024，拼接后序列记为 U，长度为两者之和。
序列到序列函数把 U 映射为同形状的隐向量 H。池化阶段用一个可训练查询向量与每个隐向量做点积并归一化得到权重，再加权求和得到全局向量，最后经丢弃、激活和归一化后分类。论文没有给出池化和分类器的完整可学习参数初始化细节，这是复现时需要对照开源代码补齐的缺项，不能从名称推定实现。
六种注意力各自用什么机制记忆过去？
标准自注意力 SA 的白话含义是让每个位置都去看所有位置，按内容相似度加权聚合。优点是表达力强，缺点是必须处理长度平方量级的两两交互，长语音输入下延迟和显存都会快速上升。 RetNet 用保持机制替代柔性注意力，通过指数衰减累积过去信息，可控的遗忘因子在长期记忆和近因偏置之间平衡，支持并行和循环两种计算方式，避免显式构造注意力矩阵。
LightNet 走得更远，提出基于加性递归的线性时间建模，用单遍扫描加可加衰减聚合上下文，完全不用注意力权重，仍保留捕捉长距离依赖的能力。GSA 结合槽表示与门控，用固定数量的隐槽并选择性更新，把内存增长约束住，适合长序列的结构化持久表示。FoX 保留 Transformer 结构但加入显式遗忘机制，对旧词逐步降权，用可学习的时序衰减偏向近期信息。KDA 在遗忘基础上做细粒度维度级衰减，不同表示维度可以按不同速率衰减，保留控制更灵活。
标准自注意力 × 高效注意力： 标准自注意力的分工是显式计算序列中所有位置两两相似度以聚合上下文，高效注意力的分工是用保持、遗忘门、加性递归或槽位压缩等机制避免构造完整注意力矩阵，二者搭配比较的原因是前者表达力强但复杂度随长度平方增长，组合意义是量化在情感语音上用多少精度换多少速度和显存。
特征提取器的选择同样重要。语音侧测试了 WavLM、Wav2Vec2、HuBERT 和 Wav2Vec2XLSR，文本侧在预实验中比较了 BERT、RoBERTa 和 Modern BERT，最终选用 BERT large uncased，因其在预实验中 F 分数最好。该文本模型有 340,000,000 参数、24 层 Transformer，预训练语料为 BookCorpus 和英文维基。实验阶段语音和文本提取器都冻结，只有序列到序列、注意力池化和分类器参与更新，这保证了表 1 中不同行的差异只能归因于中间模块。
从拼接序列到一句话向量经历了什么计算？
拼接是理解多模态融合的第一步。语音嵌入序列长度记为 M，文本嵌入序列长度记为 N，拼接后长度为两者之和，隐维度统一为 1024。这样做的好处是保留两种模态的原始时序，坏处是序列变得更长，平方复杂度的 SA 会更吃力。这也是论文要测长序列效率的直接动机。 序列到序列模块输出与输入等长的隐序列，每个位置都融合了跨模态上下文。
不同机制实现融合的方式不同，但接口相同，这是能公平替换的前提。随后注意力池化用一个可训练查询向量与每个隐向量计算相似度，经归一化得到权重，再加权求和。白话说，池化在做第 2 次强调：序列模块负责让每个时刻都知道全局，池化负责选出对当前话语情绪最重要的时刻。
序列到序列融合 × 注意力池化： 序列到序列融合的分工是把拼接后的语音和文本序列变换为带上下文的隐向量序列，注意力池化的分工是用可学习查询向量对该序列加权求和得到一句话级向量，二者搭配的原因是前者负责跨模态上下文建模、后者负责压成固定维度供分类，组合意义是只替换前者即可隔离不同注意力机制的效果。
分类器部分按原文仅说明包含丢弃、GELU 激活和层归一化，没有报告各层的具体维度和顺序，复现时应以开源仓库为准。序列到序列统一用 4 个头、丢弃率 0.4，这是跨机制公平的重要细节。教学例子：假设一句话前半段平静、后半段突然提高音量，理想的序列模块应让前半段的表示也感知到后半段的变化，池化则应给后半段更高权重，但这只是帮助理解的例子，不代表论文测量了某句话的权重分布。
训练时更新什么、冻结什么？优化如何推进？
训练流程是监督分类训练。音频波形先用训练集的均值和标准差归一化，再裁成 5.5 秒片段，该长度是在预实验中验证集宏平均 F 分数最好的选择。论文明确说明没有使用数据增强。特征提取器冻结，只有序列到序列、注意力池化和分类器可学习。 优化器用 AdamW，初始学习率 1e-4，若验证集 F 分数连续 5 个轮次没有提升则减半。
批量大小为 32，共训练 20 个轮次，每当验证 F 分数超过历史最优就保存检查点。所有实验在 PyTorch 结合 Flash Linear Attention 实现，用 4 张 NVIDIA H100 在相同硬件约束下运行。论文没有报告梯度裁剪、权重衰减具体数值和随机种子，这是复现时需要记录的缺项。 评估时与训练不同。评估用整段音频而非 5.5 秒裁剪，批量大小为 1，归一化仍用训练集统计量。
指标用宏平均 F 分数，适合类别不平衡。基线是数据集论文给出的简单两层全连接头，同时学习情感分类和效价、唤醒度、支配度回归。论文主模型只做 8 类情感分类，这一点在对比基线时要注意任务不完全对齐，不能把分类分数差异完全归因于注意力。
数据、划分和效率测量条件是什么？
数据用 MSP-Podcast 的两个版本。第一版有训练集和开发集，第二版新增两个带标签的测试集：Test1 用基于检索的协议构建，反映语料自然情感分布；Test2 是不做基于情感检索的对照划分，用于评估潜在选择偏置。开发集结果来自 v1.0，Test1 和 Test2 来自 v2.0。8 类情感划分在两版中保持一致。
语音骨干覆盖 4 种大规模自监督模型，文本骨干固定为 BERT large uncased。每个注意力机制与每种语音骨干组合都单独训练和评估，平均值是对 4 种语音骨干取平均。效率测量只针对序列到序列模块，语音提取器固定为 Wav2Vec2XLSR，批量为 1，序列长度从短到 400 秒变化。若序列短于目标长度做随机裁剪，长于目标则做重复填充。指标是处理一个样本的平均推理时间和执行该机制所需的峰值显存分配。
资源状态是正文开源声明的唯一依据。代码仓库当前可用，已公开，地址为官方仓库，第三方库 Flash Linear Attention 当前可用。复现时应优先核对该仓库中的序列模块配置、池化实现和评估脚本，而不是仅凭论文文字推测融合核实现。
谁在开发集最强？谁在测试集更稳？
比较问题是：在固定其他部件、统一可训练参数量的条件下，不同注意力机制在开发集和两个测试集上的宏平均 F 分数谁更高，方向是越高越好。公平条件是同一语音骨干、同一文本模型、同一训练协议。下表整理论文报告的跨骨干均值，单位为百分比，数值保留原文精度，横线表示该句未报告对应均值。
| 划分 | SA 均值 | FoX 均值 | LightNet 均值 | GSA 均值 |
|---|---|---|---|---|
| 开发集 | 36.39% | — | 36.62% | — |
| Test1 | 36.42% | 34.95% | — | — |
| Test2 | 27.19% | 25.31% | — | 21.73% |
表后解释需要同时看到收益与代价。
LightNet 在开发集均值 36.62% 略高于 SA 的 36.39%，并在 3 个骨干上拿下开发集单项最好，包括 Wav2Vec2XLSR 上的 38.11%，这是高效机制在开发集上的高光。但到评估划分，SA 泛化最好，在 Test1 均值 36.42% 和 Test2 均值 27.19% 均为最高，且在 Test1 的全部骨干上领先。FoX 稳定居第二，Test1 为 34.95%，Test2 为 25.31%。未胜出项同样重要：GSA 最不稳定，Test2 均值仅 21.73%，说明槽式压缩在该任务上鲁棒性较差。所有方法从 Test1 到 Test2 都大幅下降，提示 Test2 更贴近真实音频条件和类别不平衡，单看开发集会高估实用性能。
Test1 × Test2： Test1 的分工是按检索式协议构建、保留语料自然情感分布的测试集，Test2 的分工是不做基于情感的检索、用于检验选择偏置的对照测试集，二者搭配的原因是只看一个测试集会高估泛化能力，组合意义是用两者落差检验注意力机制在更真实不平衡条件下的鲁棒性。
不同语音骨干的绝对值也有差异，但 SA 在 Test1 跨骨干领先的一致性支持标准注意力在短输入峰值性能上的优势。论文没有报告置信区间或显著性检验，因此均值 1 个百分点以内的差距应谨慎解读为待验证，而不是确定性胜负。
把序列拉长到 400 秒：延迟和显存如何分叉？
这里的比较问题是：当序列长度从 10 秒级拉长到 400 秒级，序列到序列模块的推理延迟和峰值显存如何增长，方向是越低、增长越慢越好。条件是批量为 1、固定语音提取器、只测中间模块。下图用四幅面板同时回答延迟与显存，上排含 SA 展示平方增长的冲击，下排去掉 SA 以看清高效变体之间的相对趋势。
看图路径： 1. 先对照图例确认 RetNet、FoX、LightNet、GSA、KDA 与 SA 六条线的线型；2. 再比较上面两幅含 SA 大图与下面两幅去掉 SA 后放大的纵轴量级；3. 最后沿横轴序列长度从 10 秒到 400 秒观察延迟与显存曲线的分叉点
论文图 2。原论文 Figure 2：“Inference time and peak GPU memory usage of the seq2seq module as a function of sequence length on the MSP- Podcast dev set [5].”。
从像素可见，上排 a 图纵轴为延迟毫秒，b 图纵轴为峰值显存 GB，横轴均为序列长度秒。棕色虚线 SA 在 a 和 b 中都陡峭上扬，到 400 秒显著高于其他 5 条线。下排 c 和 d 去掉 SA 后，紫色 LightNet 在延迟上偏高，红色点线 KDA 在延迟上最低，绿色点划 FoX 在显存上最低，橙色 GSA 在显存上偏高。这种上下对照的设计让读者先看到 SA 的 2 次增长，再看到高效机制内部的速度与显存权衡。
下表把原文报告的关键长序列数字放在同一条件下比较，延迟单位毫秒，显存单位 GB。
| 条件 | 指标 | SA | KDA | FoX |
|---|---|---|---|---|
| 10 秒 | 推理延迟 | 0.55 ms | 未报告 | 未报告 |
表后解释给出可部署的判断与限制。KDA 在 400 s 仅需 5.96 ms，对应原文给出的 8.15× latency reduction，是速度最优。FoX 在 400 s 仅用 0.328 GB，是显存最优，对应原文 37.6× less than SA。SA 在 10 s 短输入仅 0.55 ms 仍有竞争力，但到 400 s 增至 48.59 ms，显存增至 12.35 GB，论文据此将其理论复杂度归纳为延迟随长度平方、显存因物化完整注意力矩阵而平方增长，而有界模型理论上为线性。需要指出理论有界不等于实测最低：KDA 和 RetNet 等理论有界模型在全序列评估中的峰值显存高于 FoX，论文归因于 FoX 使用了融合核，把峰值激活显存降到与长度和维度乘积成正比。未评测边界是该效率测量排除了特征提取器和池化分类器的开销，端到端延迟改善会小于模块级倍数，不能直接承诺整体系统更快。
有界记忆模型 × 无界记忆模型： 有界记忆模型的分工是把历史压缩进固定维度的循环状态，无界记忆模型的分工是保留随长度增长的显式历史表示，二者搭配的原因是论文用它解释延迟和显存随长度变化的不同曲线，组合意义是帮助读者理解为什么标准自注意力呈平方增长而线性循环变体接近线性增长。
哪些结论还不能下？缺了什么验证？
论文直接报告的是在统一架构和 MSP-Podcast 上的精度与效率权衡，有限解释是把模型分为有界与无界记忆两类以解释增长趋势，未验证的推测是高效架构已接近标准注意力的建模能力。区分三者很重要：前者可用表格复述，后两者需要更多任务和统计支持。 已明确的限制包括三点。一是所有方法从 Test1 到 Test2 大幅退化，GSA 退化最大，说明在真实不平衡条件下的鲁棒性仍是主要短板，论文没有给出误判类别的混淆分析，也没有测量噪声、重叠语音等细粒度失败条件。
二是效率结论仅针对序列到序列模块，没有报告训练时间、端到端推理延迟和不同批量下的吞吐，总体趋势不等于每个长度、每种硬件都成立。三是超参数统一为 4 头、丢弃 0.4、可训练量约 20,000,000，这种公平有利于比较，但可能不是每种机制的最优点，不能理解为各机制的上限。 缺失证据不是技术错误，但复述时要用可能、待验证表达。例如融合核带来的 FoX 低显存是否在其他硬件上保持，KDA 最快是否在短序列上依然成立，都需要补测。
相关性也不是因果，Test2 分数低不能直接归因于注意力设计，也可能来自数据分布本身。
要复现这篇论文，先跑通什么？
复现的第一步是按原文固定变量。语音侧准备 4 种自监督大模型中的至少一种，建议从 Wav2Vec2XLSR 开始，因为效率测量固定用它；文本侧准备 BERT large uncased；冻结两个提取器，只训练中间序列模块、注意力池化和分类器。音频归一化用训练集均值标准差，训练裁 5.5 秒、评估用整段，批量训练 32、评估 1，优化器 AdamW、学习率 1e-4、验证不提升 5 轮减半、共 20 轮并按验证 F 分数保存最优。
第二步是对齐序列模块接口。所有变体输入输出形状相同，头数 4、丢弃 0.4、可训练量控制在 2000 万附近，总参数因冻结编码器约为 655,000,000。代码当前可用，应直接阅读仓库中各变体的前向实现、池化权重计算和评估脚本，特别注意 FoX 的融合核调用和 KDA 的维度级衰减实现，不要从模型名称推定细节。第三方 Flash Linear Attention 库当前可用，用于高效实现。 第三步是复刻两类表格。
精度侧复刻开发集、Test1、Test2 的宏平均 F 分数，效率侧复刻批量 1 下不同序列长度的延迟与峰值显存，并保留短序列与 400 秒长序列两个锚点。还需补的验证是多次随机种子的方差、训练显存与时间、以及端到端延迟，只有补齐这些，才能把模块级 8.15 倍和 37.6 倍转化为可部署收益。
何时值得尝试高效注意力？一句话如何收束？
何时值得尝试取决于输入长度和资源约束。如果任务是短句情感分类且追求峰值分数，标准自注意力仍是论文报告中最稳的选择，在 Test1 均值 36.42% 和 Test2 均值 27.19% 上领先，且短输入延迟仅 0.55 ms 量级。如果输入是长播客、会议或需要低显存部署，高效变体值得优先尝试：要最低延迟选 KDA，要最低显存选 FoX，要开发集分数选 LightNet，但都要接受测试集上 1 到 3 个百分点的回落，并用 Test2 检验鲁棒性。GSA 在该任务上稳定性较差，尝试前应有更充分的调参预案。 常见的误解是把线性复杂度等同于全面更好。
论文的证据恰好相反：复杂度降低带来的是扩展性，而非精度的免费提升；理论有界也不保证实测显存最低，实现中的融合核同样关键。另一个误解是把开发集最优当成可部署最优，Test1 到 Test2 的普降提醒我们用更真实的划分做决策。 收束为可复述的方法：冻结多模态编码器，拼接语音文本序列，只替换序列到序列注意力，在相同参数预算下同时报告宏平均 F 分数与随长度变化的延迟显存曲线。
按此流程，读者能独立重走输入到表示、到组件、到目标、到输出的全链路，并用两张表和两张图检验精度与效率的权衡。
⚖️ 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