以笔速问音：书法动作如何外部控制符号音乐生成的时机与织体

英文题目：Calliphony: A Calligraphy-Driven Interface for Real-Time Generative Music Performance.

会议身份：conference:nime:2026:conference-paper-id:nime2026_32

✅ 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。

会议来源：官方记录 · 官方 PDF

标签：#自回归模型 #实时处理 #音乐 #符号音乐生成

评分：5.4/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.5/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 1.0/1.5

排名：后50% | 文档类型：系统技术报告

👥 作者与机构

• Tristan WU：机构信息未能从会议 PDF 纯文本可靠映射
• Ruiji YU：机构信息未能从会议 PDF 纯文本可靠映射
• Gus XIA：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该工作处理以书法执笔连续运动为输入、实时多轨符号音乐为输出的跨模态表演任务，难点在于非音乐手势连续多变而符号生成需离散低延迟可控触发，且音高时值力度配器需多声部协同。先在传感层以笔端可拆卸惯性单元采集三轴角速度为输入，职责是累积归一为整体速度标量并连同按键触发经开放声音控制分发，输出的速度信号进入生成层控制查询时机。再在生成层以速度积分为输入，职责是以位移积分达阈触发主旋律查询、以迟滞阈值开关和声层并以音阶过滤去重与寄存器约束生成和弦低音副旋律，输出的多通道乐器数字接口事件进入渲染层。最后在渲染层以多通道事件为输入，职责是路由至数字音频工作站分轨音色渲染与速度映射音量，输出古筝主旋律与铺底和声电子音色转二胡贝斯叠加的现场声音。在重复音控制参数评测设置下，完全排除条件的重复音排除指标为1，高于无限制条件的重复音排除指标0。与文本或音频提示及键盘即兴伴奏范式相比，该机制差异在于不把手势作模型输入特征而作查询时机与候选约束的外部控制层，使书写能量对应音乐密度纹理。结论适用边界受限于单演奏者舞台演示与短时反馈，向合奏长结构与风格化曲库的外推尚未验证，且长程乐句组织缺失与压力笔触感知缺失仍为失败条件，原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 第三方资源：https://opensoundcontrol.stanford.edu/files/1997-ICMC-OSC.pdf — 链接可访问（HTTP 200）
• 第三方资源：https://m5stack.com/ — 链接可访问（HTTP 200）
• 第三方资源：https://www.pygame.org → https://www.pygame.org/news — 暂时无法访问（HTTP 502）
• 第三方资源：https://cataudio.cn/ — 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，目标是什么？

这篇解读的输入是论文正文与 4 张官方原图像素，目标是让刚进入音频领域的研究生能复述做法。必须保留的信息是传感方式、信号如何变成查询时机、模型是否训练、声音如何发出，以及现场条件与局限。输出是一套可核对的流程说明，凡是原文没有给出的延迟数字、准确率或用户评分都不补写。

论文研究的是现场演出中的实时符号音乐生成控制。输入不是键盘弹奏，也不是文本提示，而是书法书写时毛笔的旋转运动。白话说，符号音乐生成就是先产生乐谱意义上的音符事件，再交给乐器发声，而不是直接合成波形。英文是 symbolic music generation。目标是在演出中让书写能量直接决定音乐密度与织体：写得快音符密并加进伴奏，写得慢或停下则回到稀疏或安静。

理解这项工作要先抓住一个取舍。作者把可携带性与舞台稳健性放在前面，选择把传感器装在笔上，不改造纸面，表演者基本保持自然书写姿势。代价是原文明确承认的做法：放弃了压力、接触面积、墨流与笔锋形变等信息。后文所有关于映射与音色的讨论，都建立在这个只有旋转速度加一个按键信号的输入条件下。

此前路线如何把书法与音乐连起来？

相关工作可以按 3 条路线理解。第一条是书写到发声的直接映射。早期系统从笔画与字形提取可计算特征，例如粗细、长度与位置，再映射到 MIDI 参数；后续工作加入书写过程的时间信息，例如速度、时长与笔画间隔，用统计模型组织旋律。这条路线强调字形与运笔本身就是音乐接口。

第二条是把书写动作当作舞台表演材料。有的作品把速度变化与干湿笔等细微行为当作音乐线索，有的把重点从系统输入转到协作方法，把作品看作共同过程的记录与反思。还有跨媒介做法把书法元素转成舞者动作类别，再用识别系统触发视听事件。这条路线更关心身体在场与跨媒介转译。

第 3 条是实时生成模型。早期交互音乐系统探索机器如何倾听、应答与即兴；近年离线模型在结构建模上变强，但多依赖文本或音频提示，更适合离线生成。实时符号演出需要逐事件产生音高、时值、力度与声部关系，并在延迟与可控性之间平衡。作者选择 Notochord 的原因在原文写得很具体：它的事件级查询接口、概率采样与多乐器支持适合实时 MIDI 演出。作者的差异点是 brush motion does not enter the neural model as an additional input feature，而是控制何时查询、如何约束候选与何时激活附加层。

要解决的演出矛盾是什么？

矛盾在于生成能力与现场可控性不易兼得。离线大模型能写出结构更完整的音乐，但提示式交互不适合连续低延迟控制；键盘即兴式实时系统能互动，但控制仍来自乐器本身，缺少跨艺术模态的新颖性。作者要的是非音乐手势也能连续驱动符号生成，且驱动方式在舞台上可理解。

举一个教学用的例子，不代表论文数据：假设表演者写一横时加速，系统应让音符变密；收笔停顿时，系统应安静；再次大动作起笔时，和声层应整体进入。这个例子只说明期望的行为类型，具体的触发距离、速度阈值与音区都以论文后文的参数为准。问题的难点是把 1 维速度信号同时用于两类决策：旋律的细粒度发音时刻，和声层的粗粒度进出切换，还要避免阈值附近反复抖动。

三层流水线如何分工？

系统按数据输入、生成模型与音乐输出 3 层组织。第一层在 Max 中处理，第二层在 Python 中运行，第 3 层在 Ableton Live 中发声，各层之间用开放声音控制协议传送本地数据。白话说，开放声音控制协议是一种常用于音乐与媒体的局域网消息协议，英文是 Open Sound Control，缩写是 OSC。Max 负责把陀螺仪数据变成速度标量并分发，Python 负责按规则问模型，Live 负责把多通道 MIDI 变成可演出的声音。

下面这张总览图把这种分工画成了从上到下的流水，先看懂它再进入细节会更省力。它上部是运动速度，中部是旋律与和弦生成，下部是多个音色输出，箭头上还标了阈值开关与根音传递，值得按输入到输出的顺序通读一遍。

书法运笔 × 符号音乐生成： 书法运笔分工是提供连续的身体能量信号，即三轴角速度合成的标量速度；符号音乐生成分工是按事件逐个采样音高与力度。搭配理由是两者都靠时间中的节奏、停顿与转折组织表达，因此可以用运动快慢直接决定何时问模型、问出什么密度。组合后新增的作用是把写字从视觉行为扩展为可听的声部进出控制。

看图路径： 1. 先从上到下找到运动速度分叉为两路控制的箭头；2. 再看主旋律到和弦的阈值开关标注与根音传递标注；3. 最后核对底部多个音色块如何汇聚为演出输出

论文图 1。原论文 Figure 1：“Pipeline of the whole system.”。

读完总览图可以这样复述主路径：笔上陀螺仪数据经 Wi-Fi 到电脑，在 Max 中累积三轴转角并归一化为标量速度；该速度一路送往 Python 控制主旋律查询时机与和声层开关，另一路连同按键信号送往 Live 做更细的控制；Python 输出的多轨 MIDI 经虚拟端口进入 Live，分别驱动古筝、合成器、垫底音色、二胡音色转换与贝斯。图中可见的关键分支是主旋律用距离积分，和弦层用阈值开关，和弦根音再派生贝斯，底部多个绿色音色块最终汇聚为演出声音。

笔上传感与速度信号如何得到？

传感硬件是 M5Stack，一块集成了微控制器、屏幕与多种传感器接口的模块化开发板。作者把它的内置陀螺仪装在毛笔上，用来捕捉书写时笔在空间中的旋转运动。选择旋转而不是压力，理由是保留原有书写表面、不需要特殊纸张，并能抓住换向与笔画节奏这类在表演中可见的变化。

为理解可拆卸与可携带的设计，先看笔与模块的实物关系，再回头理解数据链路，会更容易明白作者为何强调舞台稳健性。实物照片显示模块体积明显小于笔长，直接卡在笔杆上，笔锋仍外露可写，这种安装方式是后文所有映射的前提。

看图路径： 1. 观察红色模块固定在笔杆上的位置与朝向；2. 确认笔锋与传感模块分离，书写姿态基本不受遮挡；3. 注意模块上的屏幕与安装孔，理解可拆卸设计的含义

论文图 2。原论文 Figure 2：“Brush with M5Stack.”。

照片中可见一支笔锋朝左的毛笔，中段固定着橙红色矩形模块，模块上有黑色小屏幕与安装孔。这说明传感器与笔是一体运动的，测到的是笔整体的转动，而非笔锋形变或纸面压力。作者还用 3 维打印制作了可拆卸卡槽，便于快速装上、取下或更换。数据方面，Arduino 程序把陀螺仪数据与按键 A 每次按下的触发信号经 Wi-Fi 发给电脑，Max 把各轴转角累积并归一化，得到表示 3 维整体旋转快慢的标量速度。该速度实时送往 Python 生成层，同时速度与按键信号也被送往 Live。

距离积分触发 × 阈值开关： 距离积分触发分工是把速度对时间累加，攒够一段运动距离才触发一个主旋律音；阈值开关分工是看瞬时速度是否越过开与关两条线，决定和声层整体进出。搭配原因是旋律需要连续可变的密度，和声需要稳定的织体切换，若都用同一种方式会频繁抖动。组合意义是慢写只有单旋律，快写自动加厚为多声部。

模型如何被问出主旋律？

生成层使用公开的 Notochord 模型，并改了交互与推理控制层。白话说，自回归就是一个事件一个事件往下写，每个新音符都参考前面已写的内容；Notochord 把每个 MIDI 事件看作乐器、音高、音符间隔与力度 4 个模态的组合，前两者离散嵌入，后两者用正弦嵌入相加后送入循环网络。英文中的循环网络是 recurrent neural network，这里的具体实现是门控循环单元，英文是 Gated Recurrent Unit，缩写是 GRU。它有两个核心调用：feed 负责用外部事件更新隐状态，query 负责在当前隐状态下按约束采样下一个事件。

主旋律的新交互模式改动了其中一个模态。乐器固定为一种音色，音高与力度仍由模型自主预测，但音符间隔不再由模型决定。做法是对输入的速度信号随时间积分，当累积运动距离达到预设阈值就触发 1 次预测并输出下一个音。因此写得越快，单位时间触发次数越多，音符起始密度越高；静止则无触发，表现为安静。

还有三处为演出做的修正。第一，系统只产生音符开事件，单声部保持方式是每触发新音就立即终止前一音，目标时值可实时调节。第二，高速触发易反复采样同一音高，作者在每次查询前以可调概率把最近音高排除，概率从零到一，零为不限制，一为必排除。第三，原始模型不限调式，作者对候选音高做音阶过滤，只允许采当前所选集合，并提供大调、小调、五声与布鲁斯等内置模式，另可用八度与半音偏移实时移调。高斯噪声可加到触发阈值、力度与时值上，增加类似人的不规则感。

feed 方法 × query 方法： feed 方法分工是把一个外部 MIDI 事件喂入并更新循环网络隐状态；query 方法分工是在当前隐状态下按限定条件采样下一个事件。搭配理由是系统不把毛笔信号作为神经网络输入特征，而是只控制何时调用 query 和允许采哪些音。组合后模型保持原有音乐统计知识，但发音时机与音阶范围由外部书写控制。

和声层何时进入与退出？

除主旋律外，系统还有和弦、贝斯与次旋律 3 路，各走独立 MIDI 通道。它们不用距离积分，而用基于阈值的开关：当运动速度超过用户定义的开启阈值，3 路同时启动；当速度跌到停止阈值以下，3 路同时静音。两条阈值之间形成迟滞带，作用是防止在阈值附近反复触发与释放。两类阈值都可实时调节。

和弦生成仍用查询接口，但约束由外部给定。做法是把当前主旋律音高当作临时根音，再做 2 次受约束查询得到另外两个和声单音，候选音高限定在所选音阶与根音附近音区，每选出一个就从候选集去掉，避免三音重复。贝斯取和弦根音下移一个八度，并限定在以中央 C 下两个八度附近为中心的一个八度低音区，走专用通道。次旋律取当前主旋律音高并限定在以中央 C 上一个八度附近为中心的中音区，其力度是对当前速度做滑动平均后再线性映射，动得越快力度越大。

音阶过滤 × 防重复采样： 音阶过滤分工是把候选音高限定在所选调式集合内，如大调、小调、五声与布鲁斯；防重复采样分工是以可调概率把上一个音高从候选集中暂时去掉。搭配原因是高速触发时模型易反复采样同一音造成单调，而无调性限制又易偏离演出需要的调性。组合意义是在保持模型自主选音的同时，用外部约束提升可听的连贯性。

要复述参数面板，先理解它的两部分：上半是触发可视化，下半是可实时拖动的滑杆与按钮。面板上有距离阈值、时值随机、触发随机、力度随机、次旋律距离、旋律时值、八度、半音、和弦开启与停止阈值、防重复概率等控制，调试时可用鼠标移动模拟运动输入，演出时切换为外部信号。

看图路径： 1. 先看上半部分网格与黄色准星表示的触发可视化区；2. 再看下半部分左右两列滑杆的参数名与数值；3. 最后找到底部音阶、重置与保存按钮的实际位置

论文图 3。原论文 Figure 3：“Control UI for real-time parameter tuning and note-trigger visualization.”。

该界面截图上半是深色网格与黄色准星，用于显示音符触发位置；下半 Controls 区左右排列多个蓝色滑杆，右侧显示演奏状态与开启阈值、停止阈值、防重复等数值，底部有重置、音阶、导出与保存默认等按钮。这张图的重要教学价值是证明所有关键阈值都不是写死的，而是演出前与演出中可调的，复现时应先记录自己使用的那组数值，否则密度与织体行为无法对照。

多轨声音如何装配？

音乐输出把生成模型的 MIDI 实时送入 Ableton Live，经虚拟 MIDI 端口分轨发声。白话说，数字音频工作站就是负责编排、加载音色与混音的演出软件，英文是 Digital Audio Workstation，缩写是 DAW。为呼应书法的文化属性，作者在音色选择上偏向中国传统乐器。

具体装配是：主旋律把古筝采样与经过颗粒延迟效果的合成器叠层，古筝音色支持通过 M5 按键切换拇指、摇指、轻揉弦与泛音 4 种技法；和弦轨用垫底音色；次旋律轨用基于微分数字信号处理的音色转换模型把电子合成器音色转成二胡音色，英文是 Differentiable Digital Signal Processing，缩写是 DDSP；贝斯轨用 Reese Bass 合成器音色。运动速度经平滑后还同时映射到次旋律与贝斯轨的音量。

MIDI 生成 × 数字音频工作站渲染： MIDI 生成分工是只产生音符的符号信息，包括乐器、音高、音符间隔与力度；数字音频工作站渲染分工是把不同通道的 MIDI 送给不同音色发声，如古筝、垫底音色、二胡音色转换与贝斯。搭配理由是符号层便于实时约束与分轨控制，声音层便于舞台化呈现。组合后书写能量同时表现为音符密度变化与音色织体变化。

最终听感在原文中是定性描述的对应关系：慢速运笔产生稀疏单声部旋律片段，加速提高音符起始密度，超过伴奏阈值则和弦、贝斯与次旋律一起进入使织体变厚，减速或停顿则伴奏退出回到稀疏或安静。古筝层提供拨奏颗粒感，垫底提供和声背景，二胡音色提供拉弦色彩，贝斯强化高能量时刻。

本研究训练了什么，没有训练什么？

本研究没有训练新的神经网络模型，这是必须先说清的事实。作者明确使用公开的 Notochord 检查点，按其发布说明，该模型训练数据包含 Lakh MIDI 数据集。论文没有报告新的训练划分、损失曲线、优化器、轮数或算力开销，因此不能把系统输出的音乐性归因于某次新训练，也不能从模型名称推定其实现细节。

真实的计算发生在推理控制层。输入是连续速度标量，计算包括三轴转角累积与归一化、速度对时间的积分与阈值比较、双阈值迟滞判断、音阶集合过滤、最近音高按概率排除、根音派生与移调限区、速度滑动平均到力度与音量的线性映射。监督来源不是人工标注的书写配乐数据，而是预训练模型学到的符号音乐统计规律加上外部规则约束。参数更新只指数值面板上的阈值、移调、音阶与随机量的人工实时调节，不存在梯度回传。缺项是原文未给出触发距离的具体毫秒或像素单位换算，也未报告查询延迟分布，复现时只能先按行为复刻再实测。

现场演示的条件是什么？

实验条件不是实验室对照实验，而是 1 次艺术交流活动中的工作室现场演示。表演者手持装有传感器的毛笔，在水写布上书写古典诗词《水调歌头》，时长约 5 分钟。观众主要是成长于东亚文化背景、对书法有一定熟悉度的艺术研究与实践者。演出后收集的是非正式观众反馈，没有正式录制，也没有系统问卷，因此原文明确说这些意见不构成严格意义的用户研究数据。

为核对控制行为，先把触发与音区条件整理成第一张表。读表问题是：同样是速度信号，为何旋律与伴奏的行为不同？公平条件是同一速度源同时驱动两类机制，指标方向是速度越大密度越高、织体越厚。表中音区与概率的写法保留原文表达，不自行换算。

表后需要说明主要收益与代价。收益是两类机制分开后，旋律密度可连续变化而伴奏进出保持稳定，迟滞带减少了抖动；代价是伴奏 3 路绑定在一起开关，不能单独进入或退出，贝斯与次旋律的音区也是固定规则派生，灵活性低于独立作曲。未胜出或未评测的边界是压力与笔锋信息完全没有进入控制，快速运笔的单调重复也只能靠概率排除缓解，没有从模型结构上解决长乐句组织问题。

演示报告了什么，没有报告什么？

论文直接报告的是系统可按预期工作：慢写稀疏、快写密集、超过阈值加层、减速退层，并在现场完成了书写与发声的同步演出。观众反馈集中在两类问题上，一类想理解不同音乐轨道与书写手势的映射关系及实时交互原理，另一类关心书写时不同笔画形状与笔压是否影响音乐。这些反馈支持系统具有可演示的跨模态对应，但不支持任何关于音乐质量、识别准确率或延迟改善的定量判断。

为理解演出落地的样子，先看现场照片再对照声音装配，会比只读文字更具体。照片能确认书写规模、身体姿态与设备安装方式，这些都是复现时容易忽略的实验条件。

看图路径： 1. 确认表演者席地书写的大幅纸面与已写字形；2. 观察执笔手中笔杆上的红色传感模块；3. 结合右上角小窗确认同一动作的另一视角记录

论文图 4。原论文 Figure 4：“Live performance of Calliphony.”。

照片显示表演者席地而坐，在地面大幅纸面上用毛笔书写已现黑色字形，执笔处可见红色传感模块，左侧有鼓与地毯等工作室陈设，右上角小窗提供同一场景的另一视角。这说明演示不是桌面小幅书写，而是身体大幅运动的书写，速度信号的变化范围较大，有利于触发密度与阈值开关的对比。原文未报告音频录制、MIDI 记录、延迟测量与问卷统计，因此不能把 1 次演示推广为普遍成立的演出效果。

为核对声音装配，再整理第二张表。读表问题是：多轨 MIDI 如何变成有文化指向的舞台声音？比较条件是同一生成结果分通道送不同音色，方向是能量越高织体越厚。表中乐器与链路保留原文说法。

表后同样要讲代价与反例。收益是分轨音色让书写能量同时表现为密度与配器变化；代价是音色链越长，现场故障点越多，DDSP 转换与效果器都可能引入额外延迟与音量平衡问题。未评测边界是不同书体、不同书写速度分布下的稳定性，以及观众在不知映射规则时能否感知对应关系，原文都没有测量。

哪些对照缺失，哪些做法可做对照？

原文没有消融实验，也没有去掉某一控制后的对比数字，因此不能说拿掉音阶过滤或防重复后必然怎样。能做的只是按证据指出可验证的对照方向。第一个方向是触发方式对照：同一段运笔分别用距离积分与固定时间间隔触发主旋律，比较音符密度与书写速度的相关性，但原文没有做。第二个方向是阈值结构对照：单阈值与双阈值迟滞带在阈值附近的开关次数对比，原文只说明迟滞带用于防止反复触发，没有给出计数。第 3 个方向是约束对照：无音阶限制、有音阶限制、有音阶加防重复 3 种条件下高速书写的同音重复率对比，原文只报告了作者的实际观察与做法。

这种缺失不是技术错误，而是系统论文的常见取舍：优先保证可演的完整链路，而非逐项测量。初学者复述时应说支持什么：距离积分与阈值开关在演示中产生了可感知的密度与织体变化；也要说待验证什么：这些机制是否在不同表演者与不同书体下稳定，仍需补测。不要把作者为解决单调重复而加的概率排除，误述为模型本身学会了乐句结构。

模型与传感各有什么明确局限？

模型局限在原文讨论部分写得很直接。Notochord 基于 GRU 循环结构，在局部上下文内能产生合理的音符序列，但在更长时间尺度上难以形成清晰乐句结构或段落层次，总体音乐倾向于缺少宏观组织。这意味着系统适合制造随书写能量起伏的织体变化，不适合要求呈示与再现结构的曲式任务。未来方向在原文是探索长程建模更强的结构并权衡实时计算代价，以及建设更贴合中国传统表演美学的专用 MIDI 数据集，但这些都属于提议而非已验证结果。

传感局限同样明确。当前只用内置陀螺仪捕捉旋转，无法有效捕捉执笔压力变化与笔锋触面面积，而这两者对书法表现恰恰关键。原文提到的可扩展 sensing 包括在书写表面加压力传感器测笔力，或用表面肌电感知手臂与手腕肌肉活动，从而提供更细粒度的控制信号。复述时不要承诺加了这些传感就一定改善音乐性，因为映射是否可学、延迟是否可接受都还没有测量。

复现先做什么，需要哪些链接状态？

复现应先做最小可运行链路，再加音色与随机项。第一步按原文准备笔上陀螺仪与可拆卸安装，保证书写姿态自然；第二步在电脑端实现速度标量计算与 OSC 分发；第三步实现距离积分触发主旋律与双阈值开关伴奏；第四步接入公开 Notochord 检查点并加上音阶过滤与防重复概率。

第五步经虚拟 MIDI 端口把分轨送入 Live 并挂载对应音色。调试阶段可用鼠标移动模拟运动输入，演出时再切换为外部传感信号。

资源可达性按本次收到的官方状态核对：开放声音控制协议文档链接当前可用，M5Stack 官网当前可用，中国传统乐器虚拟乐器站点当前可用；Pygame 官网本次未能确认可达，复现控制界面时应先自行确认该次访问状态，不把它当作已公开可用的依据。代码与演示视频在原文中写的是将于发表后发布，当前解读不应写成已经公开。关键超参数没有统一最优值，应记录自己使用的触发距离、开启与停止阈值、音阶、移调量、防重复概率与随机量，否则他人无法对照行为。

何时值得尝试这种方案：演出目标是让非音乐身体动作连续塑造音乐能量，且能接受单声部旋律加整体开关式伴奏的织体；若目标是精确演奏指定旋律或复杂曲式，这套方案并不合适。还需补的验证至少包括查询延迟分布、阈值附近开关稳定性，以及不同表演者的可重复性记录。

如何一句话记住并讲清这项工作？

记住一句话：用笔的快慢决定何时问模型，用阈值决定和声是否加入，用音阶与防重复让结果更可听，最后分轨交给不同民族与电子音色发声。复述时先走完一个样本：1 次运笔加速使积分更快攒够距离，触发主旋律新音并终止前音；若速度越过开启阈值，和弦、贝斯与次旋律同时进入；减速或停顿则伴奏退出，音乐回到稀疏。

常见的误解有 3 个。第一，误以为笔信号进入了神经网络，实际它只控制查询时机、候选约束与层激活。第二，误以为系统训练了新模型，实际它调用公开检查点并改了外部控制层。第三，误以为 1 次现场演示等于严格用户研究，实际原文已说明反馈是非正式的，不构成严格数据。讲清这三点，再谈跨模态共演的艺术价值，才符合原文的证据边界。

⚖️ 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 nime-2026 论文汇总