不重写整份信念状态，只写改了什么：增量式端到端语音对话状态跟踪

英文题目：Incremental End-to-End Spoken Dialogue State Tracking with a Multimodal LLM and Reinforcement Learning

会议身份：conference:interspeech:2026:conference-paper-id:higuchi26_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：#强化学习 #多模态模型 #语音 #口语意图与槽位识别

评分：6.7/10 | 创新 1.5/2 | 技术严谨 1.0/1.5 | 实验充分 1.1/1.5 | 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：方法研究

👥 作者与机构

• Tomoya Higuchi：机构信息未能从会议 PDF 纯文本可靠映射
• Michimasa Inaba：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

端到端口语对话状态跟踪（Dialogue State Tracking，DST）需直接从用户语音和历史上下文推断结构化信念状态，难点在于语音噪声会污染状态且多轮累积误差难以消除。本文以多模态大模型Qwen2.5-Omni-7B联合生成本轮转写与符号化编辑操作，再由确定性规则将编辑作用于上一轮状态得到新状态，接着用监督微调建立格式与音频对齐，最后用组相对策略优化（Group Relative Policy Optimization，GRPO）直接优化转写与编辑质量。与每轮重生成完整状态相比，增量编辑输出更短并聚焦变化槽位，减少了误改未变槽位的风险。在SpokenWOZ预测模式评测设置下，Qwen2.5-Omni-7B增量加GRPO方法的联合目标准确率为49.20%，高于同基座全状态基线的联合目标准确率45.36%。结论适用边界受限，目前仅在单个英语口语数据集和单个7B基座上验证，严重依赖前序预测状态质量，长对话后期累积错误时优势会收窄。训练成本原文已披露，监督微调约20小时而强化学习约40小时，均使用8张NVIDIA A6000 48GB。

🔗 开源与复现资源

• 代码相关资源：https://github.com/UEC-InabaLab/IncrementalR — 链接不可用（HTTP 404） 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，哪些信息不能丢？

这篇论文研究的输入是任务型对话中当前轮的用户语音，加上此前多轮的文本对话历史和上一轮已经维护的结构化信念状态。信念状态在这里指用户目标、约束和请求的机器可读记录，例如酒店领域是否需要免费停车、想要几星级，餐厅领域想吃什么菜系、在哪个区域、几点就餐。目标是每轮输出两样东西，一是本轮语音的文字转写，二是更新后的信念状态。

必须保留的信息包括对话历史中已经确认的槽位取值、本轮语音新提出或修改的槽位取值，以及被用户明确取消的槽位。输出形式不是直接复述整段对话，而是可执行的符号化状态，要能被下游的订票或查询模块直接使用。 白话先说对话状态跟踪，对话状态跟踪的英文是 Dialogue State Tracking，缩写是 DST，它负责在对话推进过程中维护上述结构化表示。端到端语音对话状态跟踪的英文是 End-to-End Spoken DST，它直接从原始音频推断状态。

多模态大语言模型的英文是 Multimodal Large Language Model，缩写是 MLLM，它能同时处理音频标记和文本标记。研究生刚进入这个方向容易误以为只要语音识别做准了状态自然就准，论文的起点恰恰是级联误差和长对话维护效率两个独立难题。

端到端语音对话状态跟踪 × 级联式语音识别加文本状态跟踪： 端到端语音对话状态跟踪负责直接从当前轮语音和对话上下文推断结构化信念状态，级联式语音识别加文本状态跟踪则先把语音转成文字再做文本状态跟踪；前者分工是保留声学和副语言线索并避免转写错误被下游放大，后者分工是复用成熟文本模型但引入误差传播环节，两者搭配对照的理由是说明旁路语音识别是否真的减少级联误差，组合意义在于本文选择端到端路线后仍需解决多轮状态维护效率问题。

论文在摘要中明确提出，用 Qwen2.5-Omni-7B 从原始音频生成转写和符号化状态更新，不再每轮重写完整状态，而是只预测相对上一轮的符号编辑操作。训练采用 2 个阶段，先做监督微调，再做组相对策略优化，英文是 Group Relative Policy Optimization，缩写是 GRPO，直接优化转写准确率、状态正确性和格式合法性 3 类生成级奖励。在 SpokenWOZ 上的实验报告显示，增量更新明显超过全状态预测，GRPO 又带来进一步提升，并称达到该基准上报告过的最好结果。理解这句话需要先分清输入条件、输出长度和评估模式，否则容易把预言模式下的高分误当成可部署收益。

同样输入和目标的前人走了哪两条路？

同输入同目标的第一条路是先做自动语音识别再做文本状态跟踪的级联路线。论文回顾了 DSTC-11 挑战把 MultiWOZ2.1 做成口语变体的工作，以及后续加入显式纠错模块试图缓解识别错误的尝试。这类方法的监督来自成对的语音转写和文本状态标注，运行阶段是先解码文字再更新状态。它的优点是文本状态跟踪模型成熟，缺点是识别错误会直接污染下游，例如把四星听错就会把星级槽填错，而且纠错模块本身也可能引入新的改写误差。

第二条路是绕开独立识别模块，用多模态大语言模型直接处理音频。论文提到 Qwen2.5-Omni 是公开模型中端到端多模态感知的较强代表，采用统一的编码器解码器结构，不需要外部连接器或独立识别模块，可以直接利用副语言线索。已有端到端语音状态跟踪工作包括用语音编码器对齐大语言模型的 Gemma-2-9B 路线，以及 SPACE 加 WavLM 对齐的级联基线。但据作者所知，这些端到端语音方法仍在每轮预测完整状态，相当于把文本时代 TRADE 和 SimpleTOD 的全量重写习惯搬到了语音输入上。

文本状态跟踪内部其实已经出现过增量思想，例如 SOM-DST 选择性覆写记忆，MinTL 提出差分式状态跟踪，近年基于大语言模型的工作进一步指出每轮重写全状态会拉长输出并幻觉修改未变槽位。论文的对照逻辑是，同为语音输入、同为维护信念状态、同为多轮运行，只有输出是全状态还是增量编辑不同，才能说明增量本身的价值。因此后文用同一个 Qwen2.5-Omni-7B 基座分别训练全状态基线和增量方法，这个对照比跨基座比较更公平。

需要提醒的是，模糊匹配后处理等手段属于本体相关的修正，不能与可部署的生成策略混为一谈。

全状态重写在长语音对话里难在哪里？

举一个教学用的例子帮助建立直觉，不代表论文实验数值。假设前一轮状态已经有酒店停车位为是，本轮用户只说想要四星级。如果采用全状态预测，模型每轮都要完整输出包含停车位和星级在内的整个 JSON 对象，对话越长对象越大，输出中任何一个旧槽位的拼写或取值抖动都会导致整轮判错。如果采用增量预测，模型只需输出一条类似新增酒店星级为 4 的操作，旧槽位完全不动，输出短且焦点集中。论文正是用这种符号编辑操作替代完整 JSON 生成。

困难的另一面是增量对历史预测的依赖。推理时模型看到的上一轮状态是自己上一轮编辑的结果，不再是标准答案，1 次错误的更新会被后续所有轮次继承。例如把菜系从印度菜误改成意大利菜之后，后续轮次若不再提及菜系，错误会一直留在状态里。这就是论文反复强调的误差传播敏感性。于是问题转化为两个可操作的子问题，一是如何把输出约束到小而合法的编辑集合，二是如何让每轮生成质量足够高以切断传播链。

前者靠提示模板和操作词汇表解决，后者靠 2 阶段训练尤其是生成级奖励解决。 从学习依赖看，必须先理解信念状态、转写历史和上一轮状态三者的信息条件，再理解编辑操作如何确定性地作用于旧状态，最后才能理解奖励为何要同时包含转写质量和编辑正确性。缺少其中任何一环，都会误把转写提升当成与状态无关的附带收益。

增量端到端方法让数据如何流动？

方法的全景可以沿着一个样本走一遍。输入侧有三部分，文本对话历史、上一轮信念状态的 JSON 字符串、本轮用户语音转换得到的音频标记。提示构造按固定模板拼接，先是对话历史段落，再是前一状态段落，最后是新语音段落，分别带有明确的段首标记。模型是能同时消费文本和音频的 Qwen2.5-Omni-7B，输出侧同样分成两块，一块是用特定标签包裹的本轮转写，另一块是用特定标签包裹的符号编辑操作集合。

新信念状态不是由模型直接写出的，而是把编辑集合确定性地应用到旧状态上得到。这个确定性应用是关键，它保证模型永远不直接重写完整状态。 下面这张图把上述流程画成了从左到右的主路径，左侧 3 个蓝色输入框汇入中间的提示构造和多模态大语言模型，右侧输出转写和编辑操作，再经由状态更新节点与旧状态汇合得到新信念状态，阅读时重点看旧状态有两条去路，一条进入提示，一条直接进入更新节点。

看图路径： 1. 先从左向右沿对话历史、前一信念状态、当前语音三路输入看到提示构造汇合处；2. 再看多模态大语言模型右侧输出的转写块与符号编辑块是并列的两个部分；3. 接着确认底部箭头把前一状态直接送入状态更新节点，与编辑增量汇合；4. 最后对照示例中酒店停车位不变而星级新增，理解为何输出只需写一条操作

论文图 1。原论文 Figure 1：“Data flow of the proposed incremental DST method.”。

从像素可见内容解释这张图，左下角当前语音输入框内画有波形示意并配有英文转写，左上角对话历史框保留了用户想要带免费停车的招待所和系统追问星级的两轮文字，左中前一信念状态框只包含酒店停车位为是。中间提示构造框把三者按模板堆叠，右侧模型输出框上半是转写标签包裹的本轮四星表述，下半是回答标签包裹的一条新增酒店星级为 4 的操作。最右侧绿色状态更新节点标注把增量作用于旧状态，新信念状态框同时包含停车位和星级。这个例子直观说明增量输出的长度优势和可解释性，也说明若这条新增操作写错槽名或取值，后续轮次将继承错误。

编辑操作、提示模板和奖励各管什么？

先把术语讲清。信念状态的英文是 Belief State，编辑增量的符号是德尔塔，操作词汇表被约束为 3 种，新建槽用 set，修改已有槽用 update，删除槽用 delete，括号内写成领域点槽名等于取值的形式。提示模板的英文是 Prompt Construction，它负责把异构输入变成模型可读的单一序列。奖励设计的英文是 Reward Design，它把生成质量变成标量信号。

全状态预测 × 增量编辑操作： 全状态预测每轮重新生成全部领域槽值对，分工是保证单轮输出自包含，增量编辑操作只以 set、update、delete 3 类符号操作描述相对上一轮信念状态的变化量，分工是聚焦本轮真正改变的槽位；搭配理由是全状态输出随对话变长而变长且易幻觉修改未变槽位，组合意义在于用确定性应用增量到旧状态得到新状态，以更短输出降低误改风险，但把正确性押注在每轮编辑的准确性上。

奖励的具体构成是 4 个归一化到 0 到 1 区间的分量的加权和，权重之和为 1。转写奖励基于词错误率计算，错误率越低奖励越高。差异 F1 奖励计算预测编辑集合与参考编辑集合之间的 F1 分数，完全匹配奖励是二值加分，预测集合与参考完全一致时为 1 否则为 0。格式奖励检查必需标签和操作语法是否合法，其中转写标签占 0.3，回答标签占 0.3，操作字符串合法性占 0.4，空集合被视为合法。

论文给出的 GRPO 阶段权重是转写 0.3、差异 F1 为 0.5、完全匹配 0.1、格式 0.1，把最大权重放在编辑操作 F1 上，理由是增量推理对编辑正确性最敏感。理解时注意这是优化目标的近似，不是评估指标本身，权重选择属于超参数，需要在复现时原样保留才能比较。

两阶段训练先学什么再优化什么？

第 1 阶段是监督微调，英文是 Supervised Fine-Tuning，缩写是 SFT。输入是成对的音频和标注输出，目标标记是转写和信念状态更新，提示部分的损失被屏蔽，只对目标标记计算交叉熵。优化器用 AdamW，余弦学习率调度，预热比例为 0.05，学习率为 1 乘以 10 的负 4 次方，有效批量为 32，训练 3 轮，按验证损失选择最好检查点。这个阶段的目标是建立音频文本对齐并学会合法输出语法。适配方式是参数高效微调中的 QLoRA，只在语言模型部分加秩为 64、缩放系数为 128 的低秩适配器，音频编码器和模态对齐器保持冻结，计算精度为 bfloat16，并使用 4 比特 NF4 量化加双重量化、深度加速零冗余 2、闪速注意力 2 和梯度检查点。

监督微调 × 组相对策略优化： 监督微调负责用教师强制学习转写加编辑操作的合法格式和音频文本对齐，组相对策略优化负责对同一提示采样多个候选并按组内相对奖励更新策略；前者分工是建立基础能力和语法，后者分工是直接优化词错误率、编辑操作 F1 等生成级指标，两者搭配的原因是词级交叉熵与评估指标不对齐，组合意义在于先对齐格式再纠正生成质量，尤其抑制增量推理中 1 次小错的连锁放大。

第二阶段是从最好监督微调检查点启动的 GRPO，学习率为 1 乘以 10 的负 6 次方，有效批量为 128，每个提示采样 16 个候选，训练 1 轮，相对参考策略的 KL 惩罚系数为 0.02。每个候选计算上述四分量加权奖励，策略更新依据组内相对表现，同时用 KL 项限制偏离参考策略。论文明确指出，词级损失不能直接对应词错误率和编辑 F1 这类序列级目标，因此需要这一个阶段。训练在 8 张 48 GB 显存的 A6000 上进行，监督微调约 20 小时，GRPO 约 40 小时。

复现时要注意 GRPO 每步要生成多个候选，计算量显著高于监督微调，不能用单候选的训练时间去估计总预算。 需要指出具体缺项，论文未报告梯度是否流经音频编码器之外的细节之外的逐层冻结表之外的更多消融，也未给出奖励权重的网格搜索过程，只能按报告值复现，不从模型名称推定未说明的实现。

在什么数据、划分和指标下比较？

实验数据是 SpokenWOZ，论文描述为 5700 段人人语音任务对话，覆盖 8 个领域，超过 203,000 轮。原始训练划分 4700 段中留出 100 段做验证集，剩余 4600 段用于训练，测试集为 1000 段。评估指标有 3 个，词错误率衡量转写准确率，值越低越好。联合目标准确率是主要状态指标，定义为所有槽位与真值完全一致的轮次占比，值越高越好。槽错误率按槽替换、插入、删除之和除以参考标签总槽数计算，值越低越好。

词错误率 × 联合目标准确率： 词错误率负责衡量本轮转写与参考转写的词级差异，分工是反映语音感知质量，联合目标准确率要求一轮内所有槽位与真值完全一致才算正确，分工是反映状态跟踪的严格正确性；搭配理由是转写变差会污染后续轮的历史输入从而拉低状态准确率，组合意义在于奖励设计同时保留转写项和状态项，使转写改进能通过更干净的历史间接提升多轮状态准确率。

评估分两种模式。预言模式给模型喂真实历史转写，增量方法还额外给真实上一轮信念状态，用于隔离本轮推理能力。预测模式把模型自己的转写追加到历史中，增量方法把自己预测的编辑作用于状态后传给下一轮，这更接近实际部署，也对格式和小错更敏感。基线包括级联路线的 SPACE 加 WavLM 对齐、端到端全状态的 Gemma-2-9B 及其加模糊匹配版本，以及同基座同训练流程的全状态 Qwen2.5-Omni-7B，后者是判断增量范式本身贡献的最直接对照。

推理用 vLLM 的 0.15.1 版本加载低秩适配器，贪心解码温度为 0，最大生成长度为 1024。训练实现基于 ms-swift。 关于可复现性，论文正文给出代码链接，但本次核对的资源状态显示该链接当前不可用，返回 404，因此不能写代码已公开可下载，只能写论文声称公开代码和训练模型以支持可复现，但本次未能通过该链接获取。权重下载和系统可运行状态同样未能确认，复现前应先解决基座模型和语音数据的获取与预处理。

增量和强化学习各带来多少可运行收益？

比较的问题是，在相同基座和相同预测模式下，增量是否优于全状态重写，以及 GRPO 是否在增量基础上进一步提升。公平条件是都用 Qwen2.5-Omni-7B，都在 SpokenWOZ 测试集的预测模式下评估，指标方向是联合目标准确率越高越好，槽错误率越低越好。转写质量用词错误率越低越好。下表整理了论文报告的预测模式主结果，重点看同基座全状态与增量的差值，以及增量加 GRPO 的增量。

表后解释需要同时给出收益与代价。论文报告同基座从全状态到增量带来额外 3.16 JGA points（48.52 vs. 45.36），且该增量独立于基座增强，因为同为全状态时 Qwen 基座已比 Gemma 加模糊匹配高 3.19 JGA points（45.36 vs. 42.17）。GRPO 再提升（+0.68 JGA）到 49.20，同时槽错误率（%）从 18.48 降到 18.03。

未胜出项是级联基线 25.65 明显落后，说明在该基准上端到端路线整体占优，但这不等于级联在所有噪声条件下都差，因为本次证据未提供按噪声分组的对照。代价是增量依赖历史预测，单轮编辑错误会向后传播，且 GRPO 需要每提示采样多候选，训练计算成本明显高于仅监督微调。 下面看随轮次变化的柱状图，导读是先看横轴轮次区间和纵轴准确率，再看三色图例，最后比较中段差距。

看图路径： 1. 先确认横轴是轮次区间从 1-5 到 31 以上，纵轴是联合目标准确率；2. 再按图例区分蓝色全状态、绿色增量、橙色增量加策略优化三组柱子；3. 接着比较 11-15 和 16-20 中段区间三组柱子的高度差距；4. 最后观察随轮次增大整体高度下降的趋势以及 31 以上区间的相对关系

论文图 2。原论文 Figure 2：“JGA performance by turn number. Each bar rep- resents the joint goal accuracy within the corresponding turn range.”。

从像素可见内容解释，横轴从左到右是 1 至 5、6 至 10、11 至 15、16 至 20、21 至 30、31 以上 6 组，纵轴是 0 到 1 的联合目标准确率。蓝色全状态在早期与另两组接近，但从 11 轮之后明显矮于绿色增量和橙色增量加 GRPO，论文文字点名中段 11 至 15 区间 GRPO 为 53.7%，全状态为 48.8%，16 至 20 区间 GRPO 为 46.8%，全状态为 40.4%。绿色和橙色在多数区间保持 GRPO 大于等于仅监督微调大于全状态的顺序，但在 31 以上区间橙色略低于绿色，说明总体趋势不等于每一组都成立，长尾区间的样本量和误差累积需要单独谨慎解读，不能把末段一点推广为全程。

预言模式 × 预测模式： 预言模式每轮喂入真实历史转写和真实上一轮信念状态，分工是隔离模型本轮推理能力，预测模式把模型自己上一轮的转写和编辑后状态喂给下一轮，分工是模拟真实部署的级联条件；搭配理由是只有对照才能区分是单轮理解不行还是跨轮误差传播导致崩溃，组合意义在于本文用约 40 个点的落差定位增量方法的主要瓶颈是状态误差传播而非单轮生成长度。

去掉转写奖励后转写和状态发生什么？

消融要回答的问题是，GRPO 的多分量奖励中转写项是否必要。比较条件是全方法与去掉词错误率奖励的变体，其他奖励和训练流程保持不变，指标方向仍是联合目标准确率越高越好、词错误率越低越好。下表把预言与预测对照、转写质量和消融放在一起，便于区分单轮能力和部署能力。

表后解释先给主要判断。预言模式下全状态几乎无增益，45.33 对 45.36，符合其不依赖上一轮状态的预期，而增量在预言下为 88.58–89.72，说明单轮给定正确答案历史时推理能力很强，原文约 40-point 落差支持误差传播是主要瓶颈的判断。

转写方面原文为 GRPO training reduces WER from 22.39% to 21.61%，去掉转写奖励后原文为 WER increases from 21.61% to 23.37% 且 JGA decreases from 49.20% to 48.34%，支持论文的解释，即更干净的转写减少了后续轮历史噪声从而缓解传播。反例是去掉转写奖励后仍保留 48.34，低于纯监督微调的 48.52，说明剩余奖励仍保留部分增益，但转写项不可或缺。未评测边界是论文未报告只保留转写奖励或只去掉格式奖励的对照，因此不能断言各分量的独立因果排序。

哪些边界没有测，不能承诺什么？

论文在结论中明确列出三点局限。第一是预言与预测之间约 40 个点的差距，训练时监督微调和 GRPO 都用真实上一轮状态，模型很少见到预测模式下带噪声的错误历史，因此缺乏从不完美先验中恢复的能力。第二是 GRPO 每个提示要采样多个候选，计算成本显著高于单独监督微调，论文用 40 小时对 20 小时的对比说明了这一点。第三是只在单个模型 Qwen2.5-Omni-7B 和单个数据集 SpokenWOZ 上验证，对其他多模态大语言模型、领域和状态基准的泛化需要进一步研究。

从证据等级看，误差传播是直接报告的落差所支持的判断，训练历史含噪声就能学会恢复属于可能但待验证的推测，论文提出向训练数据注入早期检查点预测状态的未来方向，但未在本研究中验证。同样未测量的是延迟、流式推理的实时性、误判率的人工复核成本，因此不能承诺该方法降低了实际部署延迟或人工成本。输出帧率与端到端延迟是不同量，前者是单位时间输出量，后者是用户说话到状态更新的等待时间，论文均未报告。

复现时若只看预言模式的高分会高估可用性，必须以预测模式为可部署收益口径，预言值另行标注为诊断上限。

要复现先准备什么，按什么顺序跑？

复现的第一步是准备数据与划分。按原文交代使用 SpokenWOZ，训练用 4600 段，验证用 100 段，测试用 1000 段，注意是从原始 4700 段训练划分中划出 100 段做验证，不是额外采集。指标实现要与原文一致，联合目标准确率按轮次全槽完全一致计算，槽错误率按替换加插入加删除除以参考总槽数，词错误率按转写计算。聚合对象是轮次，不是对话，只有整轮全对才计入联合目标准确率，这比平均槽准确率严格得多。 第二步是训练同基座全状态基线以锁定对照。

基座固定为 Qwen2.5-Omni-7B，适配只动语言模型部分，音频编码器和模态对齐器冻结，QLoRA 秩 64、系数 128，4 比特 NF4 量化加双重量化，bfloat16 计算。监督微调学习率 1 乘以 10 的负 4 次方，有效批量 32，3 轮，屏蔽提示损失。GRPO 从最好监督检查点启动，学习率 1 乘以 10 的负 6 次方，有效批量 128，组大小 16，1 轮，KL 系数 0.02，奖励权重转写 0.3、差异 F1 为 0.5、完全匹配 0.1、格式 0.1。推理用贪心解码温度 0，最大长度 1024。 第三步是核对资源可达性。

论文声称公开代码和训练模型，但本次收到的官方代码链接状态为不可用，显示 404，因此复现前需先确认基座权重、语音数据授权和 ms-swift、PyTorch、DeepSpeed、Flash Attention2、vLLM0.15.1 的版本组合。若链接恢复，应优先跑通增量监督微调的格式检查，再跑 GRPO 的多候选采样，并分别记录预言与预测两种模式，避免用预言分数替代部署分数。

何时值得尝试这种增量加奖励的组合？

当任务满足 3 个条件时值得尝试，一是输入为原始语音且历史转写噪声会向后污染，二是信念状态随轮次增长而全量输出变得冗长，三是评估指标是序列级的准确率而非词级似然。此时把输出约束为 3 类符号编辑并用确定性应用更新状态，可以缩短输出并保护未变槽位，再用 GRPO 把转写质量和编辑正确性直接变成奖励，符合误差传播敏感场景的需求。论文在 SpokenWOZ 预测模式下从 45.36 到 48.52 再到 49.20 的阶梯，以及中段轮次的持续优势，支持这一组合在长对话上的价值。

不值得盲目照搬的情况包括短对话状态很小、全状态输出本身很短，或者训练预算只够单轮监督微调而无法承担 16 候选采样的 GRPO 开销。此时增量的长度收益有限，而历史依赖的传播风险依然存在。还需补的验证包括在其他语音状态基准上的泛化、在噪声分组下的分条件评估、对奖励权重和 KL 系数的敏感性分析，以及向训练中注入预测噪声历史后能否缩小预言与预测的差距。

只有补齐这些，才能把当前在单一模型单一数据集上的最好报告，转化为可迁移的工程选型依据。

⚖️ 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