英文题目：MLLP-VRAIN UPV System for the IWSLT 2026 Simultaneous Speech Translation Task
会议身份：
conference:iwslt:2026:conference-paper-id:2026.iwslt-1.24
✅ 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。
标签：#检索增强 #大语言模型 #流式处理 #语音翻译
评分：6.5/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 1.1/1.5 | 清晰度 0.7/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5
排名：前50% | 文档类型：系统技术报告
👥 作者与机构
- Jorge Iranzo-Sánchez：机构信息未能从会议 PDF 纯文本可靠映射
- Gerard Mas-Mollà：机构信息未能从会议 PDF 纯文本可靠映射
- Adrià Gimenez：机构信息未能从会议 PDF 纯文本可靠映射
- Jorge Civera Saiz：机构信息未能从会议 PDF 纯文本可靠映射
- Albert Sanchis：机构信息未能从会议 PDF 纯文本可靠映射
- Alfons Juan：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
本文处理长语音同步翻译任务，输入为连续讲座级长音频流，输出为英译德意中与捷译英多方向低延迟流式译文，实际难点在于流式重译振荡导致延迟尖峰、长文档历史无限增长与质量延迟权衡及延迟指标失真。方法第一步由Parakeet-TDT-0.6B以固定块声学滑窗做增量转写，并经时间戳去重与稳定前缀筛选输出源端流。第二步将该稳定源前缀连同源历史与源活动缓冲送入量化Qwen 3.5大语言模型做增量重译，以保持标点与强标点触发的句级历史裁剪维持上下文连贯。第三步在上下文赛道并行引入面向ASR的GPU短语偏置浅融合与面向MT的离线预翻译记忆词法检索增强，检索句作为提示上下文注入以稳定术语并减少重写。相对严格最长公共前缀与贪婪发射，柔性锚点传播与掩码投机发射允许更早推进并抑制过早停播与振荡幻觉，同时以外部强制对齐校准常用延迟指标的负延迟失真。在MCIF开发集评测条件下，文档级短语增强系统的WER为6.4，从基线系统的WER7.2降至6.4。该结论适用边界受限于MCIF科学讲座域与上述语言方向，尚未验证端到端语音大模型与非讲座域迁移，且系统需满足实时因子小于1的延迟约束以维持真实流式推理。
🔗 开源与复现资源
- 第三方资源：https://github.com/jvamvas/fastChrF — 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，输出是什么，为什么不能等说完再翻？
这篇论文研究的是同时语音翻译。输入是连续的长语音，常见的是英文科学演讲，输出是目标语言的流式译文，覆盖英译德、英译意、英译中以及捷克语译英语。任务要求边听边翻，不能等整段结束再一次性输出。评价同时看两端，一端是翻译质量，原文用 XCOMET-XL 和 chrF，另一端是延迟，原文用 LongYAAL。初学者容易把这件事理解成先识别再翻译 2 次调用就行，难点在于何时把不完整的识别结果送给翻译、何时把不完整的译文展示给用户。
送早了，后续语音会推翻前文，造成闪烁和改写，送晚了，用户等待变长。论文的全部设计都是围绕这个提交时机展开的。
本文的输入是论文原文证据与官方原图像素，目标是让刚入门的研究生能复述方法、核对条件、理解取舍。必须保留的信息包括模型选择、缓冲与策略参数、检索与增强做法、延迟口径与最终配置。输出是 1 篇可核对的技术解读，不做超出证据的效果承诺。
同传路线有哪些，为什么作者坚持用级联加黑盒策略？
同时翻译大体有两条路线。一条是端到端或语音大模型，直接从音频生成译文，好处是声学与语言信息不经过中间文本截断，坏处是需要专门训练或跨模态对齐，数据与算力门槛高。另一条是级联，先做流式语音识别，再做流式机器翻译，好处是两段都可以复用现成的强离线模型，坏处是识别错误会传给翻译，且两处都需要解决提交时机。
在提交时机上，黑盒发射策略是一类不依赖模型内部注意力或置信度的做法。白话说，它只看模型连续 2 次输出的文字是否稳定，稳定才提交。英文名是 black-box emission policies。固定策略如等待固定步数的 Wait-k、保留尾部若干词的 Hold-n，简单但不看内容变化。自适应策略如最长公共前缀，英文是 Longest Common Prefix，缩写 LCP，只提交连续生成中完全相同的前缀，内容稳定时多提交，振荡时少提交。
作者选择级联的理由在原文交代得很直接。去年比赛中级联取得了最好成绩，近期听译基准也显示级联灵活且强，团队因此想验证新一代识别与大语言模型在级联下的表现。作者明确没有训练新的端到端模型，也没有微调识别模型，而是把工程量放在策略松弛、缓冲管理、检索上下文和延迟分析上。这决定了后文所有实验都是调用与搜索过程，不是梯度训练过程。
严格公共前缀卡在哪里，松弛要解决什么具体现象？
严格 LCP 的问题是振荡。举一个教学例子，例子不是论文数据，只是帮助理解机制。假设上一轮识别输出是 the ether near，后一轮变成 the weather in，严格公共前缀只敢提交 the，后面全被卡住。但从最终质量看，weather in 可能已经足够稳定，卡住它只会增加延迟。识别端和翻译端都会遇到这种小幅改词但大意已定的情况。
论文因此提出 2 级松弛。第一级是去年用过的 LACP，用编辑距离容忍小改动，只要两轮差异在阈值内就多提交。第二级是今年新试的 Soft LCP，缩写 SLCP，用 Ratcliff/Obershelp 相似度找锚点词，再把锚点之前的内容整体提前提交。锚点这个词是白话，意思是两轮之间长得足够像、可以当作定位桩的词。论文把最大允许间隔记为伽马，把最小相似度记为西格玛。松弛的目标不是提高上限质量，而是用很小的质量代价换更早的提交。
系统全景：一段语音如何走完识别、翻译和上下文两条支路？
先沿一个样本走完全程。假设输入是一段英文演讲音频，目标是德语译文。音频先被切成固定小块送入声学缓冲，缓冲以滑动窗口方式保留最近的音频，识别模型 Parakeet 在每一步对整个窗口重解码，得到一版转写。转写先过重复过滤，再过发射策略，只有被策略接受的前缀才会真正送给翻译。翻译模型 Qwen 3.5 维护源端历史缓冲与活动缓冲、目标端历史缓冲与活动缓冲，每步对活动区重翻译并用 LCP 决定提交哪些译词，已确认的句子经外部对齐器切进历史，活动区只保留未确认的尾部。
上下文轨道是第二条支路。同一演讲对应的论文 PDF 先被清洗分块，关键词抽取后用于偏置识别，整篇预翻译的句对建成索引供翻译检索。主路保证实时推进，支路提供领域词汇与术语提示。
下图是论文给出的级联总览，上面是识别部分，下面是翻译部分，右侧是论文上下文的两个用法，读图时先抓主数据流再看控制流。
级联系统 × 黑盒发射策略： 级联系统负责把语音到文本再到译文拆成可独立更换的识别与翻译两段，黑盒发射策略负责在不看模型内部状态的前提下决定每一步提交哪些词，二者搭配的原因是离线大模型可直接复用而只需在外部控制延迟，组合意义是把质量交给大模型、把同时性交给外部比较与缓冲逻辑。
看图路径： 1. 先沿左上音频块到 Parakeet 再到下方 Qwen 的主路径走一遍；2. 再看右侧 PDF 分支如何分别进入识别偏置和翻译检索；3. 对比上下两处缓冲与发射框确认两次提交发生在哪里
论文图 1。原论文 Figure 1：“System diagram of our cascaded system for the SimulST track”。
图中可见 3 类关键动作。识别侧用 Phrase-Boosting 把关键词偏置送回 Parakeet，用 LCP-Lev 比较相邻两轮转写并只发射稳定前缀。翻译侧用外部对齐器把已确认译文切进历史，用 RAG 把检回的示例送给 Qwen 3.5，再用 LCP 决定译文提交。源历史与目标历史通过对齐关联，避免活动区无限增长。这个结构说明作者把长文同传拆成了窗口解码加增量提交，而不是训练长文模型。
识别与翻译各管什么，缓冲、阈值和对齐如何配合？
识别组件选的是 Parakeet，型号为 nvidia/parakeet-tdt-0.6b-v3，参数量约 0.6B。选择理由有两个，一是多语言支持捷克语识别，可以覆盖捷克语译英语方向，二是模型轻，可以把算力留给更大的翻译模型。团队在组织方提供的开发数据上确认其竞争力后，没有做任何微调。解码用 NeMo 的 ALSD++ 束搜索，束宽 32。流式改造有 3 步，第一是声学缓冲，每次吃固定长度 Lc 的音频块，最大保留 Lmax，写满后新块挤掉最老块。
第二是重复控制，利用 Parakeet 预测词时间戳的能力过滤因窗口重叠导致的重复。第三是输出缓冲加发射策略，候选有 LCP、LACP 和 SLCP，固定策略因预实验中质量延迟权衡较差被放弃。
翻译组件选的是 Qwen 3.5 系列，最终提交用 27B 的量化版本，部分实验用 9B。选择过程是先试多个开源大模型，发现部分模型有拒答或振荡，再聚焦 TranslateGemma 和 Qwen 3.5。TranslateGemma 被发现对提示模板敏感、外加上下文时鲁棒性差，最终选 Qwen 3.5。解码为了保证实时只用贪心搜索。作者试过最小贝叶斯风险解码，但因效果不稳定且算力高而放弃。历史管理不再用去年微调的哨兵词，而是检测到强标点就触发对齐，用轻量外部对齐器 SimAlign 加 XLM-RoBERTa Base 量化后端在 CPU 上跑，避免让大模型自己生成对齐。
下图用两代假设说明 SLCP 的锚点提前提交，重点看第二代中哪个词被当成桩、哪些词被连带提交。
最长公共前缀 × 柔性最长公共前缀： 最长公共前缀负责只提交相邻 2 次生成完全一致的前缀以保证稳定，柔性最长公共前缀负责在相似度足够高时用锚点词提前带动前文提交，二者搭配的原因是严格一致在振荡时会卡住延迟，组合意义是以可控的相似度阈值和间隔换更早的提交。
看图路径： 1. 先对比第一代与第二代在同一位置的词是否逐字相同；2. 再看橙色锚点词与粉色不稳定区间如何决定提交边界
论文图 2。原论文 Figure 2：“SLCP anchor propagation example with maximum gap γ = 2 and σ = 0.6.”。
图中第一代出现 Plasencia，第二代出现 Palencia 和 Valencia。Palencia 与 Plasencia 相似度 0.82，在允许间隔内被认作锚点，因此它之前的所有词被整体接受，输出 the weather in Palencia。若用严格 LCP，只能接受首词 the。Valencia 虽然相似度 0.70，但与锚点之间隔着较长的不稳定片段，超过最大间隔而不被接受。weather 相对 ether 也是有效锚点。这个例子把 SLCP 的动作讲清楚了，找到桩就把桩前全部提前提交，不再要求逐词完全相等。
声学缓冲 × 重复控制： 声学缓冲负责把固定长度语音块累积成滑动窗口并在每步重送给识别模型，重复控制负责用模型预测的时间戳过滤因重复送入已处理音频而产生的重复转写，二者搭配的原因是整窗重解码必然带来重复，组合意义是让流式复用离线模型时转写不膨胀。
词表增强 × 检索增强生成： 词表增强负责把从论文抽出的关键词以浅融合方式偏置识别解码，检索增强生成负责把离线预翻译的句对按当前源句检回并放进翻译提示，二者搭配的原因是上下文轨道只给源语言论文信息，需要分别在声学词层面和翻译术语层面利用，组合意义是识别少错专有名词、翻译保持术语一致。
翻译侧还有两处防崩溃处理。一是早停后无法恢复，源流继续增长但译文卡在句末标点与结束符上，处理是允许重写最后两个已发射词。二是偶发振荡幻觉，处理是借用 Whisper 式的温度回退，但只在发射文本的 gzip 压缩比超过 2.4 时触发，避免频繁改写。
没有训练的系统在算什么，哪些参数冻结、哪些只是运行时刻搜索？
本研究没有训练阶段，这一点必须先说清。Parakeet 和 Qwen 3.5 都是直接调用的现成权重，没有对识别做微调，没有对翻译做微调，也没有训练端到端的语音到译文映射。因此不存在梯度路径、优化器、学习率、训练轮数与参数更新。所谓系统搭建，实际是运行时刻的计算与搜索，包括窗口切分、束搜索解码、策略比较、提示构造、关键词抽取与索引查询。
冻结的是两类大模型权重。更新或搜索的是外部控制量，包括语音块长度 Lc、发射策略类型、SLCP 的间隔与相似度、掩码重翻译的掩码数、词表增强强度、检索示例数与历史缓冲上限。原文对 SLCP 给出全实验固定取值，对 LACP 给出编辑距离阈值，对高低延迟给出不同的块长度与掩码选择。这些都是推理时按开发集表现选定的，不是训练学到的。
未报告的缺项也要指出。原文没有给出 Lmax 的具体秒数，没有给出 SLCP 参数在各语言上的敏感度扫描，没有给出温度回退与重写策略的触发频率统计，也没有给出检索索引分块长度与 BM25 之外的对比。复现时应把这些当作待补记录，而不是从模型名字推定实现。
在什么数据、什么机器、什么指标下比较，延迟口径如何算？
数据以 MCIF 为主，这是 IWSLT 2026 的测试集，来源是科学演讲，包含长语音与对应论文 PDF。语言覆盖英译德、意、中以及捷克语译英语。上下文轨道只在英译德、意、中 3 个方向参加，允许使用论文全文信息。识别延迟用外部 HMM 系统对转写做对齐，再结合发射时间戳计算，区分计算感知与计算无关两种口径。翻译质量用 XCOMET 与 chrF，延迟用 LongYAAL。硬件条件是单节点 NVIDIA RTX 4090 加 Intel Core 10920X CPU，可用显存小于 24 GB，这直接限制了大模型必须用量化版本且翻译只能用贪心解码。
下表整理论文实际冻结的关键运行参数，阅读时把每一格数字都当作可复现的开关，而不是训练超参数。表前的问题是，哪些量是作者真正固定下来的，公平复现时必须原样保留什么。指标方向是策略类参数只影响提交时机，块长度同时影响计算量与延迟，检索数影响提示长度。
| 组件 | 策略或模块 | 参数 | 取值 | 作用 |
|---|---|---|---|---|
| 识别 | LACP | 编辑距离阈值 | 2 | 容忍小改动后提交 |
| 识别 | SLCP | 最大间隔与最小相似度 | 3 与 0.6 | 锚点提前提交条件 |
| 识别与翻译 | 高延迟 | 语音块长度 | 1.04s | 质量峰值附近取值 |
| 翻译低延迟 | 掩码重翻译 | 掩码数与块长度 | 2 与 0.64s | 压延迟并控制闪烁 |
表后需要说明代价与边界。编辑距离阈值与锚点阈值是全局固定，没有按语言单独调优，捷克语识别直接沿用英语上选出的配置，作者承认这可能不是最优。块长度越大，每步送入的音频越多，计算越重，延迟越高，但识别与翻译的上下文越完整。掩码数越大，闪烁越小但延迟回升，选 2 是在多语言上折中的结果。复现时若改动其中任何一项，延迟与质量都会一起移动，不能只报一端。
下表整理上下文轨道的固定做法，问题是额外信息以什么粒度进入系统，公平对比时基线是否同样拿到这些信息。
| 模块 | 方法 | 参数 | 取值 | 报告效果 |
|---|---|---|---|---|
| 识别 | 文档级词表增强 | 增强强度 | 0.6 | 词错率从 7.2 降到 6.4 |
| 翻译 | 词汇检索 | 检回示例数 | 2 | 超过后易引入无关示例 |
| 翻译 | 历史缓冲 | 上限 | 20 句或 1024 词 | 超限时弹出最老句 |
表后要强调适用条件。文档级增强优于数据集级，因为每个演讲的专有名词不同，整库混用会稀释偏置。增强强度过大反而推高词错率，原文扫描显示强度接近 1 时数据集级曲线明显恶化。检索示例数超过 2 后质量持平或轻微下降，说明检回的第三个及之后示例更可能是噪声。历史缓冲按句与词双上限截断，英译中按字计数，复现时必须保留同一口径，否则长文尾部的延迟与质量不可比。
主结果：质量提升了多少，延迟落在哪个区间？
先看整体结论。论文报告在 MCIF 英译德上相对去年有大幅质量提升，上下文处理又带来额外提升，最终系统在 MCIF 各方向的高低延迟档都落在赛道要求的区间附近。低延迟档的平均延迟约 1.9 秒，高延迟档约 3.5 秒，捷克语译英语约为 1.5 秒和 2.8 秒。作者还用自算的真实延迟做校验，发现最终模型的微平均延迟与真实延迟接近，中位数与高分位数合理，因此认为线上体感延迟与报表一致。
下图是识别端的块长度扫描，左轴是延迟，右轴是词错率，横轴是语音块长度。读图时不要把延迟上升直接当成坏事，也不要把词错率抖动当成趋势，重点是两种策略在不同块长度下的相对位置。
看图路径： 1. 先区分左轴延迟曲线与右轴词错率曲线的线型与颜色；2. 再沿横轴语音块长度观察延迟上升与词错率先降后平的走向
论文图 3。原论文 Figure 3：“Latency (left) vs. WER (right) trade-off of Lc = 0.64, . . . , 2.00 sweep in MCIF.”。
图中可见 3 组策略的延迟都随块长度增大而上升，LCP 最高，LACP 与 SLCP 在低延迟段接近，SLCP 在高延迟段略低。词错率方面，LCP 与 LACP 整体低于 SLCP，SLCP 的词错率曲线更抖动。作者因此在识别端选 LACP，理由是质量接近最好且延迟低。翻译端用 Qwen 27B 的扫描显示，SLCP 可省约 0.3 秒到 1 秒延迟，但在小块下质量下降明显，考虑到人工评测更偏好高质量的中延迟系统，最终翻译端选 LCP，高延迟块长度选 1.04 秒。低延迟档没有任何纯提交策略能压进 2 秒内，因此叠加掩码重翻译，用未提交尾部去掉最后若干词后 speculative 展示，掩码数选 2。
计算感知延迟 × 真实延迟： 计算感知延迟负责把模型运算耗时计入发射时间戳，真实延迟负责用强制对齐加译文对齐重算用户实际感受到的等待，二者搭配的原因是官方平均延迟会被切分与负延迟噪声扭曲，组合意义是用更贴近播放过程的口径检验系统是否真的可用。
下表把论文直接报告的最终增量与延迟区间放在一起，问题是增量相对谁、延迟在什么口径下成立。质量增量是相对去年系统与基线的报告值，延迟是宏观平均与微平均并存，需要同时看分布。
| 对比 | 质量增量 | 延迟区间 | 口径说明 |
|---|---|---|---|
| 上下文轨道额外 | 再提升 1.03 | 与无上下文接近 | 英译德意中 |
表后必须讲限制。增量是论文报告的单点结果，没有给出显著性检验与多次运行方差。低延迟档的闪烁用归一化擦除率衡量，掩码重翻译压延迟的同时会引入改写，论文选 2 是权衡不是零代价。捷克语方向与真实延迟的差距更大，说明跨语言迁移的对齐与切分更脆弱。自动指标的提升不等于人工偏好逐点成立，作者自己也提到去年低延迟系统自动分不差但人工更喜欢高延迟系统。
拿掉上下文或换策略会怎样，哪些对照支持现在的冻结选择？
论文做了 3 组有解释力的对照。第一组是翻译模型选型，4B 的 TranslateGemma 与 Qwen 3.5 表现接近，但 TranslateGemma 对提示模板固定、加外部上下文时鲁棒性差，因此被放弃。9B 与 27B 随规模提升质量上升，量化版本在 24 GB 卡上可用，最终用 27B 量化提交。第二组是发射策略组合，识别端 LACP 与 SLCP 延迟质量接近但 LACP 略优，翻译端 SLCP 省延迟但掉质量，因此最终是识别 LACP 加翻译 LCP。第 3 组是上下文轨道，词表增强与检索示例各自带来提升，叠加后更好，但检索数超过 2 后不再稳定提升。
下图是词表增强强度的消融，横轴是增强强度，纵轴是词错率，包含两种粒度与两种关键词来源。读图前先确认黑色虚线是无增强基线，再看曲线何时跌破基线、何时反超基线。
看图路径： 1. 先找到黑色虚线表示的无增强基线高度；2. 再对比文档级与数据集级曲线随增强强度变化的分叉位置
论文图 6。原论文 Figure 6：“WER (x-axis) vs. SFM boosting tree alpha (α) (y-axis) on the MCIF IWSLT 2026 test set for greedy search and Lc = 0.96s.”。
图中可见文档级红色实线整体最低，在强度 0.5 到 0.6 附近达到谷底，对应词错率从 7.2 降到 6.4。数据集级蓝色实线在强度超过 0.6 后快速恶化，强度为 1 时远高于基线。虚线表示的基线抽取方法整体不如作者的 KeyBERT 加 LLM 精炼流程。这支持了文档级加适度强度的选择，也给出一个明确反例，整库混用关键词并把强度推满会损害识别。
失败条件也值得复述。最小贝叶斯风险解码在翻译上用 chrF 抽 32 个样本与贪心相当但算力高得多，在识别上对束搜索 N-best 重排 consistently 变差，且上下文轨道下实时系数超过 1，因此两端都未采用。早期无温度回退的扫描出现过早结束流故障，宏观平均延迟被负延迟拉低而显得更好，微平均更稳健。复现时若只看宏观平均，会误把故障当成低延迟。
这套做法的边界在哪里，哪些结论不能推广？
作者明确列出 4 类局限。第一，松弛策略扫得不全，LACP 没有作为翻译策略评估，SLCP 的间隔与相似度没有逐语言调参，固定值可能不是各方向最优。第二，识别策略只在英语上充分搜索，捷克语直接复用英语配置，捷克语译英语仍有提升空间。第三，只做级联，没有探索语音大模型直译，理由是域内训练数据少且跨模态对齐成本高，这意味着声学与语言紧耦合的潜在收益未被检验。第四，算力受限在消费级显卡，无法评估更大未量化模型，也无法在保证实时系数下大规模跑最小贝叶斯风险解码。
还有三处方法层面的未验证点。一是延迟指标对切分敏感，宏观平均依赖参考译文的句子切分与句长分布，长句少报、短句多报都会扭曲用户体感。二是语音延迟与文本延迟的零点定义不同，一个相对参考结束时间，一个相对均匀分布的源词起点，直接对比需要谨慎。三是对齐错误会制造极端负延迟，空句检查拦不住，报表上要同时看中位数与高分位数。论文用微平均加结束偏移与真实延迟对冲了这个问题，但没有给出全量的人工延迟评测。
要复现先做什么，需要准备哪些代码、权重与信息条件？
复现的第一步是按信息条件准备输入。需要 MCIF 的长音频与参考译文，需要上下文轨道的论文 PDF 全文，需要组织方的开发集用于选阈值。只用标题与摘要不够，原文明确用全文清洗分块后再抽关键词，粒度是文档级。翻译检索需要先把文档逐句离线预翻译建成记忆，再在运行时用 BM25s 按当前源句查询，检回数固定为 2，插入位置是源句上下文之后，因为放头部或系统提示前容易引发幻觉。
第二步是准备模型与解码。识别用 Parakeet 指定版本加 NeMo 束搜索束宽 32，不微调。翻译用 Qwen 3.5 的 9B 做调试、27B 量化做提交，贪心解码。外部对齐用 SimAlign 加 XLM-RoBERTa Base 的 int8 量化跑在 CPU，历史上限 20 句或 1024 词，英译中按字算。声学块长度高延迟用 1.04 秒，低延迟用 0.64 秒加掩码 2。
词表增强用 GPU-PB，强度 0.6。硬件至少按单张 24 GB 以下消费卡规划，翻译开最小贝叶斯风险解码会超实时。
关于可用性，只能写证据支持的结论。原文给出第三方 fastChrF 仓库链接，本次资源状态显示可用，状态码 200，可以作为字符级指标工具的当前可用依据。Parakeet 与 Qwen 权重、NeMo 解码、KeyBERT 与 BM25s 在原文中只以名字与配置出现，没有给出本次可达性证据，因此复现前必须自行确认版本与下载状态，不能当作已公开可运行。系统整体没有声称开源，复现应理解为按描述重搭流水线，而不是下载一键运行包。
何时值得抄这套作业，一句话收束应该记住什么？
当你手里有强离线识别与强开源翻译、但没有同时数据与算力去训练端到端时，这套作业值得尝试。它的核心判断是把质量交给大模型，把同时性交给外部策略与缓冲，用可解释的提交规则换可部署的延迟。记住的顺序是窗口重解码、时间戳去重、相邻两轮比稳定、稳定才提交、历史靠外部对齐切分、领域词靠文档级偏置与检回示例补充。
同时记住代价。更早提交一定伴随更多改写，低延迟必须用掩码重翻译显式管理闪烁。跨语言不要直接复用同一阈值，捷克语方向的差距已经提示了这一点。报结果时同时给出质量、宏观与微观延迟、中位数与高分位数，以及是否使用上下文，否则单点增量无法判断是策略变好还是口径变松。
📐 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。
另有 23 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。
⚖️ 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