听不清、记不住、串证据：VISA 用看得见的声学线索稳住音频推理

英文题目：VISA: A Visual Information Strengthened Audio-Reasoning System for the Interspeech 2026 ARC Agent Track

会议身份：conference:interspeech:2026:conference-paper-id:tu26b_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：#模型集成 #多模态学习 #音频大模型 #音频问答

评分：7.1/10 | 创新 1.4/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 1.1/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.3/1.5

排名：前50% | 文档类型：系统技术报告

👥 作者与机构

• Wenming Tu：机构信息未能从会议 PDF 纯文本可靠映射
• Jian Gao：机构信息未能从会议 PDF 纯文本可靠映射
• Yanru Huo：机构信息未能从会议 PDF 纯文本可靠映射
• Yixuan Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Jing Peng：机构信息未能从会议 PDF 纯文本可靠映射
• Bohan Li：机构信息未能从会议 PDF 纯文本可靠映射
• Ziyang Ma：机构信息未能从会议 PDF 纯文本可靠映射
• Tao Liu：机构信息未能从会议 PDF 纯文本可靠映射
• Shuai Fan：机构信息未能从会议 PDF 纯文本可靠映射
• Kai Yu：机构信息未能从会议 PDF 纯文本可靠映射
• Xie Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Zilong Zheng：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

面向混合音频的音频推理任务输入为音频、问题与候选项，输出为答案与思维链，难点在于噪声重叠下长时整合与细粒度感知不足且推理缺乏可解释性。VISA先做多模态特征抽取，将声学描述、语义字幕、问句驱动事件时间戳与VLM解析的声谱视觉线索并行生成可交叉核验的文本化证据。再把证据与原音频送入两个大型音频语言模型独立做三次随机采样投票，以多数投票得到各自预测并在三票全分歧时用确定性兜底。当两模型预测分歧时按细粒度类别路由选择思维链，对高层语义逻辑用大语言模型评判连贯性，对信号感知类用视觉谱推理策略决定最终答案。该设计与纯端到端推理或重编排智能体的差异在于以大型音频语言模型为工具而非被调度对象，用外部视觉接地替代转录中间件并保留投票一致性校验。在Interspeech 2026音频推理挑战智能体赛道任务下，VISA的准确率为77.40%，高于Team D的准确率76.90%。其结论限于选择题式短音频问答与双模型组合，开放域生成、长音频与跨数据集迁移尚未验证。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，目标是什么，读完要能复述什么？

本文解读的对象是 1 篇参加 Interspeech 2026 音频推理挑战智能体赛道的系统报告。输入是真实世界的音频问答样本，音频覆盖纯声音、音乐、语音以及它们的混合，问题是四选一的选择题，要求模型不仅给出选项，还要给出思维链。目标是在官方榜单上同时考察答对率和推理过程质量。读者读完应当能复述三件事。第一，系统把大音频语言模型当作工具使用，而不是从零训练新的音频大模型。

第二，系统用 3 类外部证据增强推理，分别是通用声学描述、面向问题的声音事件时间戳、把频谱图当图片来读的视觉声学线索。第三，系统用多模型投票先稳定各自答案，再用细粒度分类路由解决分歧。必须保留的关键信息是模型构成、证据来源、投票规则、路由策略、评测基准与官方榜单数字。本文不评价代码是否公开，因为原文证据中没有发现完成验证的资源绑定，只能按未发现处理。

后续各节按学习依赖展开，先讲任务为什么难，再讲相关路线，然后走通系统全景与每个组件的计算，最后讲实验条件、结果、反证与复现要点。教学中举的例子会明确标为例子，不作为论文事实。

已有路线在解决什么，VISA 与它们如何对照？

要理解 VISA 的位置，需要先区分 3 条路线。第一条是端到端大音频语言模型，直接听音频并生成答案与推理，优点是省去工具链，缺点是在不确定和长时推理下容易脆弱，单次生成带有随机幻觉。第二条是给推理加监督与后训练，例如加入理由式监督、扩展思考或强化学习，让模型更刻意思考。

第 3 条是免训练智能体，把推理拆成规划、感知与整合，往往先把音频转成文字或结构化表示，再靠文本大模型推理并调用外部工具，优点是显式收集和交叉核对证据，缺点是编排复杂，中间转写错误会向后传播，也可能产生无依据的中间推理。论文把自身定位为大音频语言模型即工具的范式，做法是保留强大的开源推理者，同时用辅助多模态证据缓解它们在复杂场景下的脆弱。

按同输入、同目标、同运行阶段对照，VISA 与 AudioToolAgent、AudioGenie、SAR-LM 同属多模态智能体，都在 MMAR 这类真实音频问答上评测，但 VISA 强调避免重编排，用投票加路由的轻量协作代替复杂编排。与直接回答的基线相比，VISA 的差异在于显式引入频谱视觉与事件时间戳作为可交叉核对的证据。与纯文本思维链监督相比，差异在于证据来自信号可视化与检测热力图，而不只是语言层面的自我解释。理解这组对照后，才能明白后文为什么既要投票又要路由。

音频推理难在哪里，为什么准确率不够？

论文讨论的音频推理不是语音识别、声音事件检测或音频描述这类感知任务。感知任务主要回答听到了什么，而推理任务要求多步、有证据支撑的推断。例如判断慢动作出现在第几秒到第几秒，需要同时利用语速变化、频谱形态与事件边界，而不是只听到有人说话。难点来自三方面。其一，信号在时间上动态变化，线索分散在不同时刻，需要整合。

其二，声源混合，语音、音乐与环境声叠加，互相掩盖。其三，噪声与混响使细粒度感知不可靠。举例说明，这只是教学例子：若问题问视频中慢动作的时间段，模型需要先感知语速或节奏变慢，再定位起止时间，最后对照选项排除干扰。若只看最终选项是否蒙对，可能出现捷径学习，即答案正确但推理过程与证据无关。因此挑战采用 MMAR Rubrics，同时评正确性与推理质量。

论文报告，MMAR 包含 1000 个真实音频问答实例，覆盖声音、音乐、语音及其混合，许多模型在需要整合多线索与领域知识时仍然困难。这就引出 VISA 的设计目标：在不做重编排的前提下，用互补证据与一致性检查同时提高答对率与推理可核查性。

VISA 全景：一个样本如何走完三段流水线？

先沿一个样本走完全程。输入是一个元组，包含音频、问题与候选项。以上方图注所述 3 段为例，系统先做多模态特征提取，再做音频推理模型投票推断，最后做细粒度类别感知路由。仍以慢动作时间定位为例，这只是教学例子：系统先用字幕器与声学描述概括音频内容，用事件检测给出候选事件的时间戳，再把频谱图生成为图片并请视觉模型分析节奏变慢对应的频率下移。

然后两个大音频语言模型各自独立作答，各自内部先投票稳定答案，若两者一致则直接进入重写，若不一致则按问题子类别路由到合适的裁决方式，最终输出思维链与答案。下段先看全景图的像素结构，再进入每个组件的具体计算。

上图是 VISA 全景，读图前先明确全图对象：左列是输入音频波形与问题选项框，上排粉色大框是多模态特征提取，中排黄色框是投票推断，右排紫色框是细粒度路由，下方绿色与浅蓝框是思维链重写与最终输出，另有一个浅蓝任务分类框同时连向投票与路由。时间范围是单次问答的前向推理，没有训练循环。

看图路径： 1. 从左侧音频波形与问题框出发，沿箭头数出上方多模态特征提取的三列分支；2. 观察中间黄色投票框如何从两个模型各自分出多条采样再收敛为一个答案；3. 确认右侧紫色路由框如何把重写后的思维链按 27 类策略分到三条出路；4. 对照左下任务分类框，追踪类别信息同时进入投票模型选择与右侧路由器

论文图 1。原论文 Figure 1：“Overview of VISA. The system performs multi-modal feature extraction (audio descriptors, agentic SED, and VLM-based acoustic visual analysis), then conducts multi-model voting…”。

从像素可见，主路径自左向右再向下。上方粉色框内部分为三列，最左是通用音频特征提取，由音频字幕器指向详细字幕、声学工具指向声学描述，中间是智能体声音事件检测，由事件模糊匹配指向候选再指向检测模型与热力图，再经视觉验证指向事件计数与时间戳，最右是多视角声学视觉分析，由频谱生成指向视觉分析与声学视觉线索。中间黄色框显示 2 个模型分支各自发出多条采样箭头再经投票收敛，收敛后进入一致性检查框。

右侧紫色框顶部标出 27 个细粒度类别与路由策略，经由类别感知路由器分出 3 条虚线出路，分别对应语言模型推理选择、视觉赋能频谱推理与直接专家选择。左下任务分类框有一条横向箭头连入投票框，表示类别信息提前参与模型调用。后解释是：该图把证据、稳定、裁决三件事分开，证据层负责提供可交叉核对的线索，投票层负责过滤单次随机性，路由层负责按子任务特性解决分歧，绿色重写框负责把选定的推理整理成符合评分标准的思维链。

理解这张图后，后续组件节逐一展开每列的输入输出与实现。

证据从哪里来：三路特征各自解决什么？

第一路是通用音频特征提取，目标是全面且可被语言模型理解。做法是双层策略。低层用声学工具库提取时域、频域与倒谱域的客观描述，论文提到能量分布、音色例如频谱质心与带宽、谐波结构例如梅尔倒谱系数与谐波打击源分离。高层用音频字幕器生成高层语义描述，明确说出听觉事件、说话人特征与环境上下文，把原始信号翻译成可解释的语言证据。这一路解决内容概括问题，但不解决精确时间定位。

第二路是智能体声音事件检测，目标是按问题抽取关键事件并定位。流程是先用语言模型从字幕中抽取潜在事件候选，再经模糊匹配映射到标准事件标签，以兼容检测模型。随后检测模型生成初始时间戳与概率热力图，关键一步是请视觉语言模型直接看热力图，验证置信模式，修正碎片化或合并错误的检测。这一路解决计数与起止时间问题，直接服务于依赖事件数量与时序的问题。

第 3 路是多视角声学视觉分析，动机是语言音频模型不擅长精确定位与细粒度信号感知，而可视化天然编码时频信息。论文举出视觉第一性原理： tempo 突然变慢表现为频率成分下移，声源靠近或远离表现为能量曲线上升或下降。做法是生成 5 类可视化声学表示并请视觉模型分析，显式捕捉信号级异常与时间动态，从而缓解幻觉。

大音频语言模型 × 视觉语言模型： 大音频语言模型负责听懂音频并做问答推理，视觉语言模型负责看懂频谱图与检测热力图等图像，二者搭配的原因是前者对精细时间定位和信号级变化容易幻觉，后者能把频率下移、能量起伏等视觉模式翻译成可核对的时频证据，组合后音频推理既有语义理解又有可视化的信号 grounding。

智能体声音事件检测 × 模糊匹配： 智能体声音事件检测负责按问题找出关键事件并给出起止时间，模糊匹配负责把题面和字幕里出现的事件说法映射到标准事件标签，分工是前者解决问什么在哪发生，后者解决说法不一致导致检测器无从下手，搭配后检测既切题又能被 FlexSED 等标准检测模型执行。

准确率 × 推理质量评分： 准确率负责衡量最终选项是否选对，推理质量评分负责按事实性、逻辑连贯与完整性评价思维链，分工是前者看结果，后者看过程是否被证据支撑，搭配的原因是只看准确率会掩盖走捷径和无依据解释，组合后才能同时报告 VISA 既答对又给出可核查推理。

3 路证据互为补充。字幕可能漏掉短事件，检测时间戳可以补上。检测标签可能受限于标准集，字幕的自由描述可以补上。两者都可能在节奏、音高、距离等量化问题上含糊，频谱视觉可以直接看图说话。下游推理因此有可交叉核对的基础，而不是只依赖 1 次听感。

答案如何稳定：两模型各自的三步投票是什么？

投票层要解决单次生成的随机幻觉，并利用异构模型的互补推理优势。论文构建的集成包含 2 个模型，分别对应 Qwen3-Omni-Thinking 与 Step-Audio-R1。给定输入元组，每个模型独立预测答案。每个模型的推断分 3 步。第一步是随机采样，用大于零的温度采样多条输出，形成候选集以刻画输出不确定性，论文取采样数为 3。

第二步是多数投票，统计候选中每个选项的频次，取频次最高者为临时预测。第 3 步是确定性回退，当采样数为 3 时，若有两条以上一致则采用多数答案，若 3 条互不相同则视为不稳定，改用贪心解码即温度为零重新运行。用白话说，就是先让模型说三遍，多数说了算，三遍各说各话就让它认真说一遍。这种混合随机与确定性策略的意图是过滤随机噪声，同时在模型自信时保留正确的推理路径，确保每个智能体在进入跨模型路由前先交出最可靠答案。

需要提醒的是，冻结参数不等于输出确定，温度大于零时的采样本身就会带来随机性，这正是需要投票的原因。原文没有给出梯度路径与训练更新，因为本研究不训练这两个推理模型，只是调用它们做推断。

随机采样投票 × 确定性回退： 随机采样投票负责对同一模型采样多次并取多数答案以过滤单次随机幻觉，确定性回退负责在 3 次采样互不相同时改用贪心解码给出稳定答案，二者搭配的原因是多数存在时保留模型自信的推理路径，多数不存在时承认不稳定并收敛，组合后每个模型先交出最可靠答案再进入跨模型路由。

2 模型分工在后文路由节有经验观察，一个偏向声学质量评估与细粒度差异分析，另一个偏向环境感知与说话人相关任务，但投票阶段两者地位平等，各自先稳定，跨模型分歧留给下一层处理。

分歧后听谁的：27 类路由的三条出路如何分工？

多数集成常用多数投票，但论文分析发现异构音频模型存在互补的能力边界。粗粒度任务标签会掩盖细能力差异，论文举例说美学分析混入了低层信号质量评价与高层风格推理，前者偏好信号驱动模型，后者需要更强逻辑推理。为此提出分歧再路由机制，只在预测不一致时启动裁决，并把分类细化为 27 个子域，设计 3 种路由策略。

第一种是语言模型推理与选择，面向高层推理任务，例如语义逻辑、情感意图、音乐理论、风格流派、语言文化、多说话人、音乐结构、美学质量、时序与模式变化等，这类任务感知相对可靠但推断复杂，由语言模型裁判结合双方思维链与支撑证据选择更连贯的答案。

第二种是视觉赋能频谱推理，面向需要精确定量或模式识别的任务，例如事件计数统计、节奏节拍、乐器识别、距离透视、音频差异比较、音高频率识别等，这类任务易受听觉幻觉影响，直接绕过音频模型，委托视觉模型解读声学视觉线索。第 3 种是直接专家选择，面向感知主导任务，按经验把环境与语音相关任务交给 Qwen3-Omni-Thinking，把声源与时长分析交给 Step-Audio-R1。

不一致再路由 × 细粒度类别： 不一致再路由负责只在 2 个模型答案分歧时启动选择机制，细粒度类别负责把粗任务标签拆成 27 个子域并指明谁更擅长，分工是前者避免无谓裁决，后者避免把信号质量评价和风格推理混在一起，搭配后分歧样本能按计数、节奏、环境、说话人等特性送到视觉推理、逻辑选择或直接专家。

实现上使用通用语言模型作为裁判与分类骨干，论文选用 GLM-4.6，视觉分析选用 Qwen3-VL，声音事件检测选用 FlexSED，字幕选用 Qwen3-Omni-Captioner。路由的输入包括任务类别、双方思维链与答案、多模态证据，输出是选定的思维链与答案，再经重写器整理为最终输出。原文未报告路由分类器本身的训练细节，应理解为基于启发式观察设计的规则与模型调用，而不是新训练的分类器权重。

本研究训练了什么，没有训练什么？

这是一个需要先说清楚的节。本研究没有报告任何神经网络训练阶段，没有给出优化器、学习率、梯度路径、冻结与更新、监督损失或重置时机。两个音频推理模型是直接调用的既有开源模型，视觉模型、语言裁判、字幕器与检测器同样是调用既有模型或工具。真实计算发生在推断与证据构造侧。构造侧包括声学描述提取、字幕生成、事件候选抽取与模糊匹配、检测时间戳与热力图生成、热力图的视觉验证、5 类频谱图生成与视觉分析。

推断侧包括每个模型 3 次随机采样与多数统计、不稳定时的贪心重跑、跨模型一致性检查、细粒度分类与 3 路路由、思维链重写。缺项必须明确指出：原文未说明采样温度的具体数值，只说大于零与等于零两种状态，未说明语言裁判的提示词与选择阈值，未说明模糊匹配的阈值与标准标签版本，未说明频谱图的具体参数与图像分辨率。因此不能从模型名称推定实现细节，也不能把无训练等同于确定性求解。

复现时应把本节当作调用型系统，而不是可反向传播的训练流程。

在什么数据与协议上测，用什么指标比？

评测分两层。一层是 MMAR 基准，用于论文内的全面分析。MMAR 包含 1000 个真实音频问答实例，覆盖声音、音乐、语音及其混合，指标是客观准确率，方向是越高越好。比较对象包括随机猜测、大音频语言模型如 GPT-4o Audio、Gemini 2.5 Flash、Qwen3-Omni 系列、Audio-CoT、SALMONN、Audio-Reasoner、R1-AQA、Step-Audio-R1，以及多模态智能体如 AudioToolAgent、AudioGenie、SAR-LM。论文说明数字取自原始论文或官方基准，这意味着跨论文比较时实验阶段与解码条件可能不完全一致，阅读时应把 MMAR 表当作基准对照而非严格同机复跑。

另一层是 Interspeech 2026 音频推理挑战官方终榜，分为单模型赛道与智能体赛道，指标有两个，分别是客观准确率与实例级推理质量评分，后者评价思维链的事实性、逻辑连贯与完整性，方向都是越高越好。VISA 提交的是智能体赛道。聚合口径是全集平均与按模态分组平均，论文还按信号层、感知层、语义层、文化层的 16 个子类别展开。硬件预算、统计显著性、延迟与成本在原文证据中没有报告，不能承诺这些量得到改善。后续结果节先看主结果，再看反证。

主结果测了什么，谁赢了，条件公平吗？

主结果要回答 3 个问题。测的是最终选项正确性与思维链质量。与谁比，MMAR 上与开源推理模型、闭源模型与智能体比，挑战榜上与单模型与智能体各队比。条件是否一致，挑战榜是官方同榜可比，MMAR 跨论文数字仅供对照。关键数字是 VISA 在智能体赛道推理质量第二、准确率居首。表前需要明确比较问题与指标方向：比较问题是辅助多模态证据加投票路由是否同时提高答对与推理质量，公平条件是官方终榜同题同评分，指标方向是准确率与推理质量越高越好。

表后解释是：该表显示 VISA 同时达到顶层正确性与次顶层推理质量。收益是准确率在两个赛道的所有列出系统中最高，推理质量在智能体赛道列第二，支持多模态证据加稳定与路由的有效性。代价与反例是推理质量仍低于智能体第 1 名的 69.83%，说明答对最多不等于每条推理都最完整，视觉与投票主要稳定了答案，对思维链完整性的提升仍有上限。

未胜出项必须指出：在 MMAR 按模态分组中，VISA 并非每组都第一，例如声音音乐混合与纯异常检测等子域仍弱于单模型，这与路由依赖专家与视觉的覆盖范围有关。百分点与相对百分比不同，此处差值都是百分点，不能说成相对提升。不同指标的差值不能混放，准确率与推理质量是两列，不能相减。

拿掉细粒度路由会怎样，哪些子域真正受益？

消融要回答路由是否必要，以及收益来自哪里。论文报告去掉细粒度类别感知路由后，整体准确率与推理质量同时下降，支持结构化路由的必要性。表前明确比较问题与公平条件：比较问题是同样投票与证据下是否需要 27 类路由，公平条件是仅替换分歧裁决策略而保留前端证据与投票，指标方向仍是越高越好。

表后解释是：该表把可运行策略的参数固定下来，采样数为 3 与类别数为 27 是原文明确给出的可复现设置。主要收益按论文的子类别分析集中在信号层、空间分析与时间分析，原因是视觉模型能从多视角时频表示中抽取结构与时空线索。代价是路由依赖启发式经验，若子域划分或专家指派不准，分歧样本可能被送错出路。反例是去掉路由并非所有子域都变差，个别文化与美学子域变化不大，说明路由对感知主导与量化任务更关键，对高层文化推理的增益有限。原文未报告逐出路的误判率与延迟，因此不能断言路由在所有问题上都更快更省。

哪些结论站得住，哪些还只是可能？

直接报告的是榜单与 MMAR 数字，显示 VISA 在答对率上达到顶层，在推理质量上达到次顶层。有限解释是视觉声学线索缓解幻觉与路由利用互补优势，这得到消融与子域增益的支持，但支持是相关性而非因果证明，因为没有控制视觉质量的随机对照。可能与待验证的是未来工作所述，即声学视觉线索如何增强理解与多步推理，以及自适应可扩展的智能体协同，这些尚未在本研究测量。缺失证据不是技术错误，但必须列出边界。

第一，未测量误判率、延迟、算力成本与输出帧率，不能承诺又准又快又便宜，总体趋势不等于每组每步都成立。第二，跨论文 MMAR 对照的解码与版本条件不完全一致，不能当作同条件胜负。第三，原表头与算术若有冲突应标注冲突，本文可核对的连续原句只覆盖核心榜单数字，MMAR 分组数字因缺乏逐字连续证据未制成宽表，避免为凑宽度混放不同条件或删除不利基线。

第四，资源状态是正文开源声明的唯一依据，本次未发现完成验证的资源绑定，因此不写代码模型数据已公开，只讲按论文描述复现所需的调用与配置。

复现先做什么，需要保留哪些信息条件？

复现应按信息依赖排序。先准备评测条件，确认 MMAR 的 1000 题划分与四选一协议，确认挑战榜的准确率与推理质量双指标，不要把自动准确率当成人评。第二步准备既有模型调用，分别是两个音频推理模型、通用语言裁判、视觉模型、字幕器与检测器，记录版本与解码参数，特别保留采样数为 3、温度大于零与等于零两种状态、贪心回退规则。

第 3 步重建证据流，依次跑通声学描述、字幕、事件候选抽取与模糊匹配、检测时间戳与热力图、热力图视觉验证、频谱图生成与视觉分析，保存中间产物以便核对时间戳与计数。第四步重建决策流，先让每个模型独立 3 次采样并多数投票，再做跨模型一致性检查，最后按 27 类路由选择语言选择、视觉频谱推理或直接专家，并经重写器整理思维链。

关键超参数与信息条件是问题、选项、音频三者必须同时进入推理，类别信息同时进入投票与路由，证据文本必须作为裁判输入。区分三件事：代码开源、权重下载、系统可运行，本次没有可用证据支持已公开，只能按描述复现。还需补的验证是路由分类的稳定性、视觉参数敏感性与失败样本分析，这些在原文未充分展开。

何时值得尝试这个方案，论文特有的误解是什么？

何时值得尝试取决于问题类型。若问题依赖事件计数、起止时间、节奏音高、距离透视等可视化信号，或混合场景下单次听感不稳定，VISA 的 3 路证据加投票路由值得尝试。若问题主要是高层文化与风格推理且感知已可靠，路由增益可能有限，直接用强推理模型加语言裁判或许足够。若追求低延迟与低成本，多模型 3 次采样加视觉分析会增加开销，未测量成本前不应盲目上线。论文特有的误解需要澄清。

其一，把无训练当成确定性，把冻结参数当成输出确定，这是错的，温度采样本身引入随机性，投票正是为此存在。其二，把准确率最高当成推理质量最高，这是错的，VISA 准确率居首但推理质量居第二，两者是不同指标。其三，把视觉看频谱当成真正听见，这是错的，视觉只是把时频模式翻译成可核对的线索，仍需与检测时间戳与字幕交叉核对。其四，把 27 类路由当成训练出的分类器，这是错的，原文描述是启发式分析后的策略设计。

收束一句话：VISA 的可复述方法是先用看得见的证据补听觉短板，再用投票稳住随机性，最后按细分任务把分歧送到最合适的裁决者，从而在答对与讲清理由之间取得平衡。

⚖️ 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

← 返回 interspeech-2026 论文汇总