Beyond CosFace: Analysing Sparsity-Inducing Losses in Speaker Verification

英文题目：Beyond CosFace: Analysing Sparsity-Inducing Losses in Speaker Verification

会议身份：conference:odyssey:2026:conference-paper-id:mosner26_odyssey

✅ 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：#开源工具 #形式化分析 #语音 #说话人验证

评分：6.4/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 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

Ladislav Mošner：机构信息未能从会议 PDF 纯文本可靠映射
Dimitrios Koutsianos：机构信息未能从会议 PDF 纯文本可靠映射
Themos Stafylakis：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

说话人验证需将变长语音映射为固定维判别性嵌入并以余弦打分判定是否同人，难点在于开放集下类间可分与低误报区漏报的稳定性。该工作先将交叉熵重写为Fenchel-Young损失族形式，把负熵替换为预测分布与参考测度间的α散度以控制稀疏性。接着在样本相关参考测度中编码间隔构造Q-Margin损失，使对数到概率映射变为稀疏softargmax并对易分样本输出精确零梯度。然后以缩放余弦相似度为对数计算损失，联合更新嵌入提取器与说话人原型以聚焦难例微调。与CosFace启发式相减间隔不同，该方法统一间隔与稀疏性，α趋于1时退化为CosFace，α大于1时以稀疏性实现难例挖掘而非固定加权。在VoxCeleb1-H评测设置下，WavLM结合多头因子化注意力池化微调的Q-Margin模型的等错误率为1.65%，低于CosFace基线的等错误率1.70%。该增益的适用边界受限于小规模消融与高容量模型微调，在大规模从零训练与低容量ResNet34上收敛或失效，低误报区外推尚未验证，原文未披露训练、推理或部署成本。

🔗 开源与复现资源

第三方资源：https://github.com/wenet-e2e/wespeaker — 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

输入目标是什么，本文要回答什么矛盾？

本文输入是论文全文与官方原图像素，目标是为刚进入语音与说话人识别的研究生写出可核对、可复述方法的技术解读。必须保留的信息包括任务定义、模型与数据规模、损失构造与证明思路、超参数搭配、评价指标方向、关键对照与失败条件。输出按学习依赖展开，不做营销式判断，所有数字回到原文核对。

本文任务是说话人确认中的嵌入提取器训练。训练时把每位说话人当作一类做多分类，测试时取内部激活作判别性嵌入，直接算余弦相似度判定两段语音是否为同一人。早期做法用标准交叉熵加概率线性判别分析做后端，后来转为余弦间隔损失，用高效余弦打分替代后端，并靠几何间隔增强类间可分性。

论文要回答的核心矛盾是启发式间隔缺乏概率解释，以及稀疏诱导损失在说话人任务中何时有效、何时因稀疏导致学不动。作者用 Q-Margin 统一视角，给出 CosFace 是其特例的证明，并系统比较不同容量模型与数据规模下的行为。实现声明见原文，第三方 WeSpeaker 仓库本次校验为可用，但作者自有仓库链接未单独校验可达性，因此只转述原文声明，不额外断言可下载。

为避免误读，先固定指标方向：等错误率、漏检率、最小检测代价都是越小越好。热力图中颜色越深对应数值越小、性能越好，不能把颜色深浅反读，也不能把低虚警区的单点改善推广为全阈值都改善。

同输入同目标的前人路线有何不同？

同输入同目标的路线都是输入语音、输出说话人嵌入、按验证试次评价。早期交叉熵路线监督来源是说话人标签，训练时学分类头，测试时丢弃分类头只留嵌入，再用概率线性判别分析建模分布。CosFace 与 ArcFace 路线同样用标签监督，但把嵌入与类别原型都归一化后算余弦相似度，再乘尺度因子作为对数。

区别只在间隔注入位置：一种减在余弦值上，一种加在角度上。它们都用标准映射把改动后对数转为概率，优点是推理可用高效余弦打分，缺点是间隔加入方式是启发式的。另一条理论路线是 Fenchel-Young 损失，用一般正则项替换负熵，并连带改变对数到概率的映射。

后续工作把正则项换成输入分布与参考测度之间的散度，其中 α-散度给出从交叉熵到稀疏最大值的连续谱：α 趋于 1 恢复交叉熵，α 等于 2 对应稀疏最大值，且 α 大于 1 时映射可输出稀疏支撑分布。Q-Margin 的前身工作把间隔直接嵌入参考测度，兼顾判别力与概率解释。

本文与前身的区别在于前身主要做人脸，本文补证明细节并聚焦说话人验证，比较从零训练与微调、大小数据与大小模型。教学例子是把交叉熵想象成每次都听所有类别的意见再更新，而稀疏版本是只听拿不准的几位发言。这只是帮助理解零梯度的比喻，真实机制是优化问题的解落在单纯形边界上，对应分量恰为零。

为什么稀疏既可能是解药也可能是毒药？

问题来自稀疏的双面性。一方面，小规模数据上大模型容易过拟合，若已学好的易样本继续贡献梯度，参数会被反复推向记住训练集；若能让易样本梯度为零，只用难样本更新，就有类似难例挖掘的正则效果。另一方面，若模型已把绝大多数样本推到高置信区，切换到稀疏损失后有效样本过少。

此时批量梯度范数下降，个别错标样本占比上升，优化可能停滞或被离群点带偏。论文要区分的正是这两种状态：何时稀疏带来低虚警区增益，何时引发梯度饥饿。评价上论文不只看等错误率，还补了 0.1% 虚警率下的漏检率与最小检测代价。

前者对安防场景重要，因为系统必须在极少误接受下尽量少漏放；后者取目标先验 0.01、漏检与误检代价相等，数值越小越好。理解方向很关键：等错误率、漏检率、最小检测代价都是越小越好。论文报告小数据上最高约 20% 相对改善，复述时应注明是相对改善而非百分点下降，避免误读。

总体趋势不等于每组都成立，稀疏不是无条件更优，后文用未胜出项来限定边界。

Q-Margin 全景：一个样本如何走完全程？

沿一个训练样本走一遍有助于建立全景。输入是一段 2 秒或 3 秒语音，先做在线增广，送入嵌入提取器得到定长向量，例如 ResNet34 输出 256 维嵌入，或自监督编码器加池化输出 256 维嵌入。每个训练说话人有一个可学习原型向量，嵌入与所有原型算余弦相似度再乘尺度因子，得到对数向量。

Q-Margin 不直接改对数，而是为该样本构造参考测度向量：正确类位置放 exp(-s·m)，其余位置放 1，相当于告诉损失正确类应更难、需更高证据才能置信。接着用 α-散度定义正则项，求解在概率单纯形上的最大化问题得到预测分布，再用该分布的归一化常数减去正确类对数、加上标签与参考测度的 α-散度，得到损失。

测试时丢弃分类头与损失，只保留嵌入提取器，两条语音各出一个嵌入，算余弦相似度与阈值比较。整个链条监督来源始终是说话人标签，梯度经由预测分布与嵌入回传到编码器，原型层在微调时可用更大学习率更新。

论文的证明目标就是说明当 α 趋于 1 时，上述以参考测度编码间隔的做法，恰好等于 CosFace 在目标对数上减间隔再做交叉熵。证明用 Jensen 不等式把带间隔的对数和改写为变分形式，再与 α 散度定义对照，确认参考测度与映射一致。

间隔参考测度与尺度如何配合？

先把白话与术语对齐。余弦间隔指从目标类余弦相似度中减去的固定值 m；参考测度指长度等于类别数的非负向量 q；α-散度指由参数 α 控制形状的一类散度；稀疏预测分布指部分分量为零的概率向量，对应稀疏映射。组合机制需紧扣原文安排：间隔不直接出现在对数上，而是出现在参考测度中正确类位置的缩放因子上。

α 决定映射是否稀疏；尺度因子同时出现在对数放大与参考测度缩放中，三者必须联合调节。直观上增大 α 会让二分类概率曲线更陡且两端出现平坦零梯度段，若保持大尺度，对数会被推到平坦区而学不动，因此必须同步减小尺度，把工作区间压缩回有梯度段。论文通过两分类图示展示形状变化，并据此选出实用搭配。

余弦间隔 × 参考测度： 余弦间隔的分工是在目标类对数上减去固定惩罚，让类间更分开；参考测度的分工是为每个样本指定先验权重分布，决定不同类别在正则项中的代价。搭配理由是把减间隔改写成对参考测度中目标位置乘以 exp(-s·m)，两者在 α 趋于 1 时数学等价，组合意义是让启发式间隔获得 Fenchel-Young 损失的概率解释，并能用 α 连续调节稀疏性。

α-散度 × 稀疏预测分布： α-散度的分工是替换交叉熵中的负熵正则项，用连续参数 α 控制正则形状；稀疏预测分布的分工是让 softargmax 输出在部分类别上恰为零，从而对应样本梯度为零。搭配原因是当 α 大于 1 时最优化问题的解会落在单纯形边界上，组合意义是模型只在难样本上更新，易样本被自动忽略，形成内建的难例挖掘。

尺度因子 × 陡峭度： 尺度因子的分工是把余弦相似度放大后再送入映射函数，决定对数区间的拉伸倍数；陡峭度的分工是描述二分类下概率随原始对数变化的斜率与零梯度区间宽度。搭配原因是增大 α 会同时增加陡峭度并扩大零梯度区间，必须减小尺度把对数压缩回非零梯度区间，组合意义是论文得到 s=20 配 α=1.25、s=10 配 α=1.5、s=5 配 α=2 等可训练组合。

以下导读针对二分类概率形状图，帮助理解为何尺度必须随 α 减小。该图横轴是未乘尺度的原始对数，纵轴是概率，4 条曲线对应不同 α 与尺度组合，越陡意味着置信翻转越快，水平段意味着梯度为零，图例完整给出 4 组参数且时间范围是单点映射而非训练曲线。

看图路径： 1. 先沿横轴原始对数从负到正移动，观察四条曲线的上升顺序；2. 比较绿色最陡曲线与品红直线在零附近的斜率差异；3. 注意每条曲线两端出现水平零梯度段的起点位置；4. 把直线段最宽与 s=5 最小联系起来理解尺度补偿

论文图 3。原论文 Figure 3：“The impact of Q-Margin hyperparameters (without m) on the shape of predictive distributions in the two-class case.”。

从像素可见，绿色 α 为 1.0 尺度 32 的曲线最陡，几乎是标准 S 形；橙色 α 为 1.25 尺度 20 稍缓；紫色 α 为 1.5 尺度 10 更缓；品红 α 为 2.0 尺度 5 接近直线且两侧水平段最宽，左侧约在负 0.4 处才开始上升，右侧约在正 0.4 处才饱和。这支持原文解释：增大 α 增加了零梯度区间与过渡陡峭度，减小尺度是把对数挤回可学习区间的补偿手段。复述时不要把该图当成真实多分类训练曲线，它只是去掉间隔后用于说明形状的教学示意，真实训练还受间隔与原型更新影响。

训练与微调的参数更新如何安排？

训练流程按模型分 3 种。ResNet34 从零训练时用 2 秒随机片段，加噪声与混响增广，训练 150 轮，间隔在第 20 至 40 轮间从零指数增至目标值，学习率从 0.1 指数降至 5e-5，前 6 轮热身。用 Q-Margin 微调时再训 10 轮，学习率从 1e-4 降至 5e-5，其余超参数不变。

WavLM 加多头因子化注意力池化时，编码器来自自监督预训练，池化从零初始化；无论大数据小数据都用 3 秒片段训 30 轮，间隔在第 2 至 5 轮指数上升，学习率从 0.01 降至 4.4e-3，前 3 轮热身，且编码器实际学习率再乘 0.08；继续训练 5 轮时固定间隔、学习率从 8e-3 降至 5e-5。

w2v-BERT 加多尺度聚合的模型采用公开检查点，已在大人群数据上调过，原型层因标签索引变化从零初始化；微调分两种：间隔 0.2 配 2 秒音频训 5 轮，或间隔 0.5 配 6 秒音频做大间隔微调，学习率从 1e-4 指数降至 5e-5，原型层学习率放大 5 倍。原文明确说明原型层何时从零开始、学习率如何区别设置。

未报告梯度裁剪、权重衰减细节与精确硬件耗时，因此复述时指出这些缺项，不从模型名推定实现。监督来源始终是说话人标签，推理阶段不使用损失与原型，只做余弦打分，这决定了训练与测试的行为边界。

数据协议与指标条件是否可比？

数据方面，消融用 VoxCeleb1 开发集，含 1211 位说话人和 148642 条语音；其余大规模实验用 VoxCeleb2 开发集，提供最多约 1M 条语音、5994 位说话人。评测用 VoxCeleb1 的原始、扩展与困难试次表，分别含 40、1251、1190 位说话人，原始表有超过 3 万 7 千试次，后两者超过 55 万试次。

小数据训练时只用原始试次表，大数据训练时才用扩展与困难试次表，避免训练与评测说话人重叠带来的泄漏。模型覆盖小容量的 ResNet34、中等容量的 WavLM 加注意力池化、大容量的 w2v-BERT 加多尺度聚合，分别对应从零训练、自监督加轻量池化、大规模预训练后微调 3 类条件。

指标包括等错误率、最小检测代价与 0.1% 虚警率下漏检率，三者越小越好，其中最小检测代价取目标先验 0.01。基线是 WeSpeaker 默认的 CosFace 配置，即间隔 0.2、尺度 32、α 为 1.0，论文先验证该基线在多种模型上已是较优点，再谈稀疏的增量。下表整理训练配置，说明轮数、时长与实用超参数搭配，单位与数值保留原文写法，比较问题是不同容量模型是否应在相同尺度与 α 下比较，公平条件是先按容量锁定间隔再调尺度与 α。

配置项	模型与阶段	轮数与音频时长	尺度与 α 搭配	间隔与说明
从零小模型	ResNet34	150 轮，2 秒片段	32 配 1.0 为基线	目标 0.1 附近
预训练加池化	WavLM 加池化	30 轮，3 秒片段	20 配 1.25，10 配 1.5	目标 0.2 附近
大模型微调	w2v-BERT 加聚合	5 轮，在线增广	32 配 1.0，5 配 2.0	0.2 或 0.5

表中搭配的含义是增大 α 必须减小尺度才能保持可训练，间隔偏好与容量有关：小模型偏好较小间隔，大模型能承受较大间隔。代价是超参数搜索空间变大，论文用小数据消融先锁定搭配，再搬到大数据上验证，这种迁移是否总成立仍需更多验证，不能视为已证明的普适规律。

大规模从零训练与微调看到什么？

本节测的是在 VoxCeleb2 上从零训练时，Q-Margin 相对 CosFace 基线能否在 3 个试次表上同时改善，以及用 Q-Margin 微调能否在困难集与低虚警区带来增量。比较条件是同模型、同数据、同评测表，指标方向均为越小越好。以下导读针对稀疏比例柱状图，它解释了为何小模型微调会遇到有效样本不足。该图横轴是训练轮数从 40 到 150，纵轴是稀疏比例，柱高随训练单调上升，对象是 ResNet34 在 CosFace 训练下用 α 为 2 映射衡量的可稀疏比例。

看图路径： 1. 先看横轴训练轮数从 40 到 150 的推进方向；2. 再看纵轴稀疏比例柱高从约一半升到约九成的趋势；3. 记住 150 轮时仅剩约一成样本还有非零梯度；4. 用该比例解释小模型微调时有效批量过小

论文图 4。原论文 Figure 4：“Fractions of training examples with sparse ResNet34 output distributions provided by softargmaxα=2 when training with CosFace.”。

从像素可见，40 轮时约一半样本已被稀疏化，80 轮升至约四分之三，120 轮与 150 轮分别超过八成与 90%，150 轮时仅剩约 10% 样本还有非零梯度。这意味着若此时切换到强稀疏损失，批量中大量样本零损失，梯度范数下降且易受错标样本主导。回到大规模结果，论文报告 ResNet34 随 α 增大略有改善，而 WavLM 加池化反而随 α 增大变差，但差异远小于小数据消融，整体可视为趋同。作者的有限解释是大规模数据的多样性本身提供正则，稀疏的额外正则作用被稀释，这属于支持性解释而非因果证明。

下表用原文连续句可覆盖的数字整理关键对照，比较问题是稀疏微调的起点条件是否一致，公平条件是区分小容量起点与大容量起点，指标方向是等错误率与低虚警漏检率越小越好，百分点与相对百分比不可混用。

对比维度	起点模型状态	稀疏比例证据	低虚警相对改善	适用判断
小数据消融	1211 人，148642 条	小规模易过拟合	20% 相对改善	值得试稀疏
大数据训练	5994 人，约 1M 条	多样性提供正则	增益趋同	增量变小
小模型微调	ResNet34 起点	多数可稀疏化	未胜出	易梯度饥饿
大模型微调	WavLM 起点 0.38%	仅 0.38% 稀疏	低虚警改善	可用难例更新
检测代价	先验 0.01	越小越好	0.1% 虚警下看漏检	安防看低虚警

表后解释需同时看到收益与代价。收益是大模型微调时稀疏变体在困难集与低虚警区略优于基线，且大间隔微调下 α 为 2 的版本在困难集上更优；代价是 ResNet34 微调后性能未胜出，且 w2v-BERT 在普通微调下 α 为 1.25 时反而变差。未胜出项提醒我们总体趋势不等于每组都成立，稀疏不是无条件更优，起点稀疏比例是关键边界条件。

消融中尺度与 α 如何互相牵制？

消融在小数据上密集扫描间隔、尺度与 α，测的是哪组搭配在原始试次表上同时改善等错误率与低虚警漏检率。以下导读针对 ResNet34 热力图，上半为等错误率，下半为低虚警漏检率，行是间隔，列是 α，按尺度分三块，颜色越深数值越小，时间范围是训练收敛后的单点评测而非训练曲线。

看图路径： 1. 先看上半绿色面板横轴 α 与纵轴 m，确认中间 scale=20 列最深色块位置；2. 再看下半蓝色面板同位置是否同样偏深，判断两指标是否一致；3. 对比 scale=10 且 α=1.0 的第一列浅色大数值格，理解失配时的恶化；4. 记住 ResNet34 最优行集中在 m=0.1 附近

论文图 1。原论文 Figure 1：“VoxCeleb1-O results for varying hyperparameters of Q-Margin for ResNet34.”。

从像素可见，中间 scale=20 列在 m=0.1、α=1.25 处出现最深色块，对应等错误率 2.48 与漏检率 19.36 附近；左侧 scale=32 在大 α 右上角明显变浅，右侧 scale=10 在 α=1.0 第一列出现极大值如 29.12、81.20 等浅色格，说明尺度与 α 失配会导致训练不稳定。小模型最优行集中在 m=0.1，而 m=0.3 行普遍偏浅，支持小容量偏好小间隔的判断，纵轴是原始指标而非改善量，不能把数值大直接读成改善大。

以下导读针对 WavLM 热力图，布局相同但数值整体更小，颜色对比相对柔和，对象同样是 VoxCeleb1-O 上的等错误率与低虚警漏检率，条件是同一小数据训练、不同尺度与 α 组合。

看图路径： 1. 先看上半绿色等错误率面板，找出每列最深色块对应的 m 行；2. 再看下半蓝色低虚警面板，比较 m=0.2 行在不同 scale 下的深浅；3. 观察 scale=32 且 α=1.5 右上角浅色格，理解大尺度加大 α 为何变差；4. 对比图 1 确认大模型最优 m 更大且对 α 更不敏感

论文图 2。原论文 Figure 2：“VoxCeleb1-O results for varying hyperparameters of Q-Margin for WavLM Base+ with MHFA.”。

从像素可见，scale=32 时 m=0.2、α=1.0 处最深，等错误率 1.18 附近、低虚警 9.38 附近；scale=20 时 m=0.2、α=1.25 处同样深；scale=10 时 m=0.2、α=1.5 处出现 1.14 与 7.46 附近的最优点。大模型最优 m 为 0.2，大于小模型的 0.1，且对 α 变化更鲁棒。两图共同支持的规律是固定最优间隔后，s=20 配 α=1.25、s=10 配 α=1.5 是跨模型较稳的搭配，且 Q-Margin 在 s=10、α=1.5 时相对 CosFace 的低虚警改善与前人一致。反例是盲目增大 α 而不降尺度会显著变差，因此不能单独谈 α 最优，必须谈组合最优。

什么条件下稀疏会失效？

论文明确报告的失效条件是低容量模型在大规模训练后做稀疏微调。ResNet34 在 CosFace 训练末期已有很高比例样本可被稀疏化，切换到 α 为 2、尺度 5 的 Q-Margin 后，仅少数难样本参与更新，其中可能含错标，批量零损失样本过多导致梯度饥饿，性能不升反降。相比之下，WavLM 起点用同样 α 为 2 衡量时稀疏比例仅 0.38%，绝大多数样本仍有非零损失，因此微调能利用难样本继续改善。

这说明能否从稀疏中获益，取决于微调起点处非零损失样本是否占多数，而该比例又与模型容量与数据规模交互。另一限制是大规模从零训练时增益收敛，大规模多样性提供自然正则，稀疏的额外作用变小。论文还未测量误判率之外的延迟、算力与标错率影响，也未报告统计显著性方法。

梯度饥饿 × 模型容量： 梯度饥饿的分工是描述多数训练样本因稀疏输出而贡献零梯度、批量有效样本过少的状态；模型容量的分工是决定模型在训练末期能把多少样本推到高置信区。搭配原因是小容量 ResNet34 在 CosFace 训练末期已有很高比例样本可被稀疏化，切换到 Q-Margin 后可学信号不足，组合意义是解释了为何同一微调策略对大模型有效、对小模型无效。

因此不能承诺稀疏改善推理成本或在所有阈值下都成立。不同指标差值不能混放，百分点与相对百分比也不同，原文称小数据上最高约 20% 相对改善，复述时应注明是相对改善而非百分点下降，避免误读。总体趋势不等于每组每步都成立，训练资源、推理开销与实际延迟应分别讨论。

复现先做什么，还需补哪项验证？

复现先做三件事。第一，按原文锁定基线：ResNet34 用间隔 0.1 附近、WavLM 用间隔 0.2 附近，尺度 32、α 为 1.0 对应 CosFace，验证基线已是较优点再谈稀疏增量。第二，沿用实用搭配 s=20 配 α=1.25、s=10 配 α=1.5、s=5 配 α=2，只在小数据上先扫间隔，避免在大尺度下直接加大 α。

第三，微调前先用目标 α 的稀疏映射衡量起点模型的稀疏比例，若已超八 90% 则不要直接用强稀疏微调，应降低 α 或增大尺度、或延长基线训练前的难例清洗。数据划分要与原文一致：小数据只看原始试次，大数据再看扩展与困难试次，指标同时记录等错误率、最小检测代价与 0.1% 虚警漏检率。

还需补的验证包括多次随机种子的方差、错标样本占比分析、批量有效样本数与梯度范数曲线，以及在新语种或远场数据上的迁移性。代码方面，原文声明实现可用，第三方 WeSpeaker 本次校验可用，但作者自有仓库链接本次未能确认可达，复现时应以原文与本次可达资源为准，不臆测权重下载地址。

训练时原型层何时重置、学习率如何区别设置，必须按原文执行，不从模型名推定其他优化细节。

何时值得尝试 Q-Margin？

综合直接报告与有限解释，可以给出可操作的取舍。当数据规模较小、模型容量较大、且关注低虚警区时，值得尝试 Q-Margin 的实用搭配，并把间隔按容量调小或调大：小模型从 0.1 起，大模型从 0.2 起。当已在大规模数据上把小模型训到高置信、稀疏比例很高时，不值得直接用强稀疏做微调，否则易陷入梯度饥饿。

当已有强预训练大模型且原型需重初始化时，值得用 Q-Margin 做温和微调，并对比同条件 CosFace 微调，重点看困难集与低虚警区，而非只看原始集等错误率。教学误解需要澄清：稀疏不是让模型忽略难样本，而是忽略易样本；尺度不是越大越好，而是与 α 联动的补偿旋钮。

CosFace 不是被替代，而是在 α 趋于 1 时被包含为特例。未来可探索 ArcFace 的类似扩展，但原文仅提出方向，未给出构造与证据，因此本文不展开推测。记住保留关键信息条件：超参数必须成组报告，指标必须注明方向，比较必须同模型同数据同试次表。

最终判断是 Q-Margin 是有概率解释的替代项，收益集中在小数据与大模型微调的低虚警区，代价是调参维度增加与小模型微调风险，是否采用取决于起点稀疏比例与任务对低虚警的重视程度。