先看 10 毫秒再做判断：大核一维卷积为何能做原始波形伪造检测

英文题目：Large-Kernel 1D CNN for Raw Waveform Spoofing Countermeasures

会议身份：conference:odyssey:2026:conference-paper-id:perets26_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：#CNN #语音 #语音伪造检测

评分：6.1/10 | 创新 1.0/2 | 技术严谨 1.0/1.5 | 实验充分 1.2/1.5 | 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

• Guy Perets：机构信息未能从会议 PDF 纯文本可靠映射
• Yehuda Ben-Shimol：机构信息未能从会议 PDF 纯文本可靠映射
• Itshak Lapidot：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

语音伪造检测需以16 kHz单声道原始波形为输入，直接输出真实语音与合成转换伪造的二分类后验，其难点在于伪造痕迹微弱且分散于相位与长时不一致性中，固定时频前端易将其平滑丢失。该方法先以核长160点的大核一维卷积前端直接学习宽时域滤波器组，将原始波形映射为高时间分辨率特征流。接着一维ResNet34残差主干逐级抽象与下采样得到话语级嵌入，再经统计池化与全连接分类输出真实性分数。与首层短核依赖深层堆叠累积感受野的思路不同，大核在首层即暴露约10毫秒音素级上下文，使判别线索更早形成而无需图注意力等复杂后端，且稠密大核比同等感受野的空洞近似更具表达力。在ASVspoof2019 LA评测集下，所提模型的等错误率为1.37%，低于RW-ResNet基线的等错误率2.98%。该结论适用边界受限于干净英文朗读式伪造语料，错误集中于A08、A17与A18等神经波形攻击，尚未验证编解码、噪声与混响下的外推能力。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://jmlr.org/papers/v22/20-1061.html — 链接可访问（HTTP 200）
• 第三方资源：https://link.springer.com/article/10.1186/ → https://link.springer.com/article/10.1186 — 链接不可用（HTTP 404）
• 第三方资源：https://www.sciencedirect.com/science/article/ — 链接不可用（HTTP 403）
• 第三方资源：https://www.eurasip.org/ → https://eurasip.org/ — 链接可访问（HTTP 200） 预印本/扩展版链接未在会议页展示；会议版来源见页首官方记录与 PDF。 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，要输出什么，哪些信息必须保留？

本文的输入是单通道原始语音波形，采样率为 16 千赫，模型直接对采样点序列做 1 维卷积，不先计算固定的时频特征。目标是给出一个欺骗对策分数，用白话说就是判断这段语音是真实人声还是语音合成与语音转换生成的伪造语音。英文术语是 countermeasure，缩写为 CM，后文统一称对策模型。输出是真实语音的后验概率，分数越高越倾向于判为真实。评估时既看对策模型本身的等错误率，也看它与说话人验证系统联合工作时的串联代价。

等错误率英文为 equal error rate，缩写为 EER，越低越好，它描述误接受与误拒绝平衡点的错误水平。最小串联检测代价英文为 minimum tandem detection cost function，缩写为 min t-DCF，越低越好，它在官方代价模型下衡量对策模型与固定验证系统联合的系统级损失。必须保留的信息包括数据集划分、采样与截断补齐方式、首层核长与步幅、训练集与开发集用途、评估集指标与聚合对象。教学例子仅为例子：比如一段 3 秒语音约 48000 个采样点，模型需要先把它变成定长片段再送入网络，这个例子不代表原文所有实验都用该长度。

欺骗对策 × 自动说话人验证： 欺骗对策负责判断输入是真实语音还是合成转换语音，分工是给出真伪分数；自动说话人验证负责判断说话人身份，分工是给出身份分数；二者搭配的理由是伪造语音可能骗过身份系统，需要把真伪分数与身份分数联合计分，组合后形成串联检测代价所衡量的完整系统行为。

本解读默认从原文独立写作，事实只依据论文正文与本次收到的原图像素。资源可达状态方面，帕克映射方法论文链接当前可用，亚当优化器论文与 SincNet 论文链接当前可用，欧洲信号处理协会官网当前可用；多尺度聚合论文的施普林格链接当前不可用，子带融合论文的科学直接链接当前不可用。不可用意味着本次不能确认其公开全文，不能据此补充事实。

已有路线如何处理伪造痕迹，各自留下什么缺口？

早期反欺骗多用手工特征加传统分类器，例如恒 Q 倒谱系数与幅度相位特征。这类固定时频前端把信号压缩成预设表示，训练稳定且能抑制冗余，但可能平滑掉微弱或分散的伪造线索。另一条路线是直接对原始波形建模，例如基于 RawNet2 的端到端反欺骗，它用可学习前端加深层 1 维卷积，省去显式时频变换。还有一类学习波形图的方法，例如残差波形图残差网络，用堆叠 1 维卷积构造类似时频的波形图表示，再用残差网络分类。

图注意力路线则进一步引入谱时图注意力，例如音频反欺骗谱时图注意力网络，在波形编码器后做图推理，精度更高但增加了图构建、注意力块与池化读出等设计选择。混合与融合策略通过多视角互补提升泛化，但训练与推理复杂度上升。原文把自身定位为基于卷积的原始波形家族，单独研究首层时间上下文这个常被忽视的设计因素。

固定时频前端 × 原始波形学习： 固定时频前端分工是用预设变换压缩信号并抑制冗余，搭配理由是训练稳定；原始波形学习分工是让卷积直接从波形学滤波器以保留细微伪造痕迹，搭配的权衡在于保留线索与抑制通道幅度等干扰之间取舍，本文选择保留波形学习并加强首层上下文来处理该矛盾。

理解缺口需要抓住一个权衡：特征提取可以减少波形冗余并抑制无关变化，但也可能丢弃有用线索；直接波形学习保留线索，但要面对高冗余与通道幅度等干扰。原文的思路是保留直接波形学习，同时把前端本身做强，即增大首层卷积的时间上下文。原文还指出首层设计很关键，参数化滤波器会约束网络表现得像滤波器组，而无约束 1 维卷积可以学习任意冲激响应，这决定了早期强调什么信息，并影响训练与对未见伪造条件的迁移。

为什么短核前端可能不够，论文要检验什么问题？

论文假设一些标准 1 维卷积前端的早期层时间上下文不足。白话说就是首层只看几个采样点，只能捕捉相邻点之间的局部变化，要看到更长结构必须依赖深层堆叠逐步累积。如果伪造伪迹分布在较长时间跨度上，或者表现为细微时间不规则与相位不一致，且在幅度谱上不显著，那么过短的前端会延迟判别性模式的形成。原文举例一些流程首层核长只有 3 个采样点，在 16 千赫下约对应 0.19 毫秒。相比之下，RawNet2 的可学习前端初始化核长为 129 个采样点。

本文要检验的问题是：在 1 维残差网络主干不变、训练流程固定的条件下，只改变首层时间上下文能否带来可复现的增益，以及增益是否只来自感受野跨度本身。检验还包括通道数、空洞近似、早期下采样、多分支融合位置与训练裁剪长度等对照，用来排除容量、分辨率或观测时长等混杂解释。

单条样本如何从波形走到真伪分数？

先沿一条样本走完流程。输入是一段 16 千赫单声道波形，训练时被统一成 50000 个采样点，约 3.125 秒，较长截断、较短用环绕补齐。首层是 1 维卷积，核长 160、输出 64 通道、步幅 5 个采样点，约覆盖 10 毫秒音频，目的是在最早阶段就暴露较大上下文。之后是标准残差网络 34 的 1 维版本，分为 4 个阶段的残差块，块内卷积核长为 5，含批归一化与线性整流激活加恒等跳连。

帧级特征经注意力统计池化变成话语级向量，做法是拼接时间均值与时间标准差，若主干通道为 512 则拼接后为 1024 维，再经线性层得到 256 维嵌入向量。最后是二分类线性层输出真实与伪造的逻辑值，推理时经柔性最大化计算后验概率，取真实类后验作为对策分数。优化目标是嵌入层单类柔性最大化损失与分类器输出交叉熵损失的加权损失。

下图是原文提出的整体结构，阅读时先看主路径再看每阶段块数，有助于把首层大核与后续残差建模分开理解。

看图路径： 1. 从左上波形输入沿箭头数出三行走向，确认大首层后接的残差块数量；2. 核对注意力池化之后是否先接全连接编码再接分类器；3. 确认分类器输出的两个分支分别标注为伪造与真实

论文图 1。原论文 Figure 1：“Proposed large-kernel 1D ResNet34 CM: raw wave- form input, first Conv1D with a large kernel K and stride 5, four residual stages, attention-statistics pooling, embedding layer,…”。

从像素可见，左上是波形输入框，接着是首层大卷积框，然后按箭头经过 3 个、4 个、6 个、3 个预激活残差层框，再进入注意力池化、全连接编码与分类器，分类器下方分出伪造与真实两个输出箭头。该图支持一个关键理解：本文没有引入图网络或多流融合，改动集中在首层，其余接近标准残差卷积网络，因此对照实验可以把增益归因到前端时间上下文。需要说明的是，原文未完整报告损失权重、学习率与早停耐心值等全部超参数，复现时应以公开代码为准，不能从模型名推定实现细节。

大核首层与残差主干各自做什么，为何这样搭配？

大核首层的分工是直接在波形上学习较长的时域滤波器，1 次看到约 10 毫秒信号，比 0.3 毫秒量级的小核更早接触长程结构。残差主干的分工是在已降采样特征上逐级抽象，用深度与跳连稳定训练并扩大有效感受野。搭配理由是前端先解决时间上下文不足的问题，后端继续做判别抽象，避免把全部长程建模压力都压给深层小核。原文称该改动使前端感受野相对核长为 3 的设计扩大约 53 倍。另一个细节是首层步幅取 5，属于中等程度的早期下采样，在延长上下文与降低计算的同时保留足够时间细节。

大核卷积 × 感受野： 大核卷积分工是用更长的冲激响应 1 次覆盖更多采样点；感受野分工是描述首层输出一个点能看到的输入时长；二者搭配的理由是在网络最前端就暴露约 10 毫秒上下文，使判别性波形模式更早形成，而不必完全依赖深层小核堆叠去累积上下文。

残差块内部使用核长为 5 的 1 维卷积，这与首层大核形成分工差异：首层负责宽时间覆盖，后续小核负责局部精细组合。池化部分不用简单的平均池化，而是用注意力统计池化同时保留均值与标准差，有助于保留伪造伪迹在时间分布上的差异。嵌入层维度固定为 256 维，可视化与分析都基于该 256 维表示。理解这套搭配后，才能正确解释后文对照：改变核长、步幅或空洞方式时，主干与池化保持不变，因此评估集差异主要反映前端设计的影响。

稠密大核与空洞小核的区别在哪里，如何验证？

稠密大核指核长 160 且空洞为 1 的普通卷积，每个抽头都有独立参数，可以学习任意稠密模式，理论上也能学出近似稀疏的形状。空洞卷积指用较小核加大间隔来获得相近跨度，例如核长 40 加空洞 4 可得到约 157 个采样点的有效跨度，参数更少但稀疏结构是预先固定的。原文的验证方法是保持步幅与下游网络完全相同，只替换首层参数化，使两种设计的下游尺寸与残差块完全一致，计算差异只来自首层多出的约 7.7k 附加参数。结果显示稠密大核仍优于空洞近似，报告支持跨度重要但不是唯一因素，稠密参数化的表达能力带来额外增益。

空洞卷积 × 稠密大核： 空洞卷积分工是用小核加间隔采样获得同样跨度但参数更少；稠密大核分工是每个位置都学习独立系数，表达能力更大；二者搭配比较的理由是检验性能增益到底来自跨度本身还是来自稠密参数化，原文用相同跨度对照说明稠密实现更有效。

多分支前端是另一个相关对照：用 20、40、80、160 共 4 种核长并行提取多尺度信息，再在不同深度融合。原文测试在残差各阶段后、池化后与嵌入后融合，并比较窄分支与宽分支。结果显示融合位置影响很大，窄分支在第三阶段后融合较好，宽分支整体更难优化，部分中间融合明显变差。这支持多尺度信息的价值取决于在何处、以多大容量融合，而不是分支越多越好。该结论也呼应了图注意力与融合文献中容量与鲁棒性的权衡，但本文未引入图组件，保持了结构简单性。

训练用什么数据、做成什么长度、如何选模型？

训练使用语音伪造 2019 逻辑访问训练集，开发集用于早停模型选择，评估在官方评估集上进行。所有话语被转成 50000 个采样点的定长片段，长截短、短用环绕补齐。优化器使用亚当方法，具体学习率与批量大小等实现细节指向公开代码仓库。监督来自话语级真伪标签，损失同时作用于嵌入层与分类器输出，推理只用真实类后验分数。需要明确的缺项是原文正文没有给出完整的学习率 schedule、权重衰减、损失权重与早停阈值，复现时必须回到代码核对，不能按默认超参数假设。

注意力统计池化 × 嵌入向量： 注意力统计池化分工是把变长帧级特征沿时间拼接均值和标准差，形成定长话语级向量；嵌入向量分工是经线性层压缩到 256 维并接受分类监督；二者搭配的理由是先保留时序分布信息再映射到可分的话语表示，供后端计算真实语音后验分数。

从计算过程看，训练阶段每次看到的是约 3 秒的波形裁剪，而不是整句不定长语音；评估阶段同样在评估集话语上计算分数，再按官方协议计算等错误率与串联代价。开发集只用于选择模型，不参与最终评估指标计算。硬件预算与训练时长在正文证据中未报告，因此不能对训练成本或推理延迟做出承诺。若要比较训练效率，需要补充计时与显存测量，否则只能讨论精度与系统代价层面的结果。

在什么协议下比较，指标方向与公平条件是什么？

实验协议是语音伪造 2019 逻辑访问，训练、开发与评估划分按官方发布，评估集包含未见攻击类型与分布偏移。主指标是等错误率，越低越好；系统级指标是最小串联检测代价，越低越好。官方串联评估使用组织方提供的固定验证系统分数，该系统基于梅尔频率倒谱系数、时延神经网络向量提取、注册平均、线性判别投影长度归一化与概率线性判别打分，因此与已有文献的最小串联代价可比。

作为补充，原文还用强调通道注意力的时延神经网络验证后端评估同一对策模型，得到另一套系统级结果，用于检验对策模型在更现代验证后端下是否仍然有效，但文献可比的基准仍是官方分数下的结果。比较的公平条件是除被检验因素外主干与训练流程固定，例如核长对照只改变首层核长，通道数对照只改变首层输出通道数，步幅对照只改变首层步幅。分攻击错误率按评估集攻击编号分别统计，用于定位剩余误差来源。

原文未报告多次随机种子的方差与显著性检验，因此小幅差异应表述为观察到的数值差异，而不是统计显著的优劣断言。

主结果相对可运行基线带来什么收益，误差集中在哪里？

主结果的问题是：在相同评估集上，单模型大核 1 维残差网络能否超过已有可运行的原始波形卷积基线。下表直接复用原文结果表，包含两个可运行基线与图注意力对照，指标方向均为越低越好。该表是判断核心收益的主要依据，配置表不能替代。

表后解释需要同时看到收益与代价。所提模型在评估集上报告等错误率 1.37%，最小串联检测代价 0.0429，相对原始网络与残差波形图残差网络的 5.64% 与 2.98% 以及 0.1301 与 0.0817 有明显下降。未胜出的对照是图注意力模型仍更强，其等错误率为 0.83%，代价为 0.0275，因此本文的定位是更简单的 1 维残差结构下的强基线，而不是全面最优。补充的现代验证后端下最小串联检测代价为 0.0478，与官方后端下的 0.0429 接近，报告支持该对策模型在两种验证后端下行为相近。

下图用降维可视化展示 256 维嵌入的分离情况，阅读时注意它只是定性辅助，不能代替定量指标。

看图路径： 1. 先看每幅子图右侧图例，确认蓝色为真实语音其余为各攻击编号；2. 观察蓝色轨迹与大片伪造流形是否分离；3. 对比训练拟合、开发集投影与评估集投影中重叠区域的变化

论文图 3。原论文 Figure 3：“PaCMAP visualization of 256-D embeddings across splits. Colors denote attacks (A01-A19), bonafide is blue [1].”。

从像素可见，三幅子图分别为训练拟合、开发集投影与评估集投影，蓝色真实语音形成相对紧凑的轨迹，大片伪造样本占据更宽的流形。训练与开发集中多数攻击聚集在同一流形上，与蓝色轨迹重叠有限；评估集流形更密且攻击标签混合更明显，局部出现伪造与真实靠近的区域。这与评估集含未见攻击的设定一致，说明嵌入空间保留了整体可分性，但部分评估攻击靠近真实区域，构成剩余误差的主要来源。

下图按攻击类型分解评估集错误，阅读时先找最高的柱子再看其余分布。

看图路径： 1. 先确认横轴为真实与 A07 到 A18 各攻击，纵轴为分攻击错误率；2. 找出最高的三个柱子并读出其标注数值；3. 观察其余多数攻击柱高是否接近零以判断错误集中程度

论文图 4。原论文 Figure 4：“Evaluation-set error rates by attack type”。

从像素可见，真实语音错误率约为 1.36%，A08 约为 6.94%，A17 约为 4.33%，A18 约为 5.13%，其余多数攻击接近零或低于 0.4%。这显示绝大多数误差集中在少数攻击上，与已有分析指出的神经波形合成与波形滤波等困难条件一致。复述时应强调这是分攻击错误率，不是整体等错误率，不能把单攻击数值直接当成系统整体水平。

首层看多宽、通道给多少、步幅取多大才合适？

消融要回答 3 个可操作问题：首层核长、首层通道数与首层步幅如何影响评估集等错误率。先看首层上下文的整理表，它把原文明确报告的首层配置放在同一行，便于复现时核对采样率、核长、时长与步幅的对应关系。

表后解释是核长呈非单调趋势。很小核在 16 千赫下只有亚毫秒感受野，早期只能看局部点间变化，需靠深层累积长程结构，对分布较长的伪造伪迹可能不足。增大到 160 采样点约 10 毫秒时性能明显改善，与更早形成判别线索的假设一致。进一步增大到 320 采样点约 20 毫秒反而变差，一种有限解释是过宽无约束滤波器更难优化与正则，对通道幅度等干扰更敏感，且过度的首步平滑可能模糊有用的细粒度线索。原文据此认为 10 毫秒附近是该结构与训练设置下的有效工作点。

下图展示首层通道数的影响，阅读时注意纵轴越低越好，横轴为通道数。

看图路径： 1. 先看横轴通道数与纵轴等错误率的量程，确认越低越好；2. 比较 32 通道附近与 128 和 256 通道柱高的变化方向；3. 找出 64 通道附近柱高并与 75 和 90 通道的微小差异对照

论文图 2。原论文 Figure 2：“Effect of the number of first-layer convolution filters on ASVspoof2019 LA evaluation EER (lower is better).”。

从像素可见，通道数从 1 到 16 的等错误率在 1.7% 到 2.13% 之间波动，32 通道降到 1.35% 附近，55 与 64 通道分别约为 1.69% 与 1.37%，75 与 90 通道约为 1.3%，128 与 256 通道明显升到 2.16% 与 2.74%。这支持通道数并非越多越好，增加到 64 通道附近总体向好，但继续加宽反而变差。原文先在粗网格中找到 64 通道较强，后续在 75 与 90 观察到略低数值但差异小且统计不显著，为一致性其余实验仍用 64 通道。复现时不应只取最低柱，而应固定主配置再做其他对照，否则会引入事后选择偏差。

步幅对照显示中等下采样最好，步幅 5 最优，步幅 1 无早期下采样与步幅 8 激进下采样都变差。这支持保留细粒度波形细节与通过早期降采样稳定高层模式之间需要平衡，过度丢失时间细节是有害的。

增益来自跨度本身吗，训练看多长才够？

本节检验两个反证：用空洞小核匹配同样跨度能否替代稠密大核，以及训练裁剪长度是否越长越好。下表把稠密与空洞两种首层放在相同跨度下比较，指标越低越好，最后一列为原文报告的相对关系。

表后解释是跨度重要但不是全部，段落长度满足相邻论证对差异来源的要求。空洞近似仍取得合理结果，但未达到稠密大核水平，原文报告从高值到低值的改进对应从空洞到稠密的切换。一种有限解释是稠密滤波器原则上可学出类似稀疏的形状，而空洞实现把稀疏结构预先固定，表达自由度较小。由于下游尺寸相同且首层附加参数量很小，该差异可以更干净地归因到首层参数化方式。该结论为可能解释，待更多种子与显著性验证。

训练裁剪长度的整理如下，指标越低越好，条件是同结构不同输入时长，秒数仅为清晰起见的换算标注。

表后解释是趋势非单调且边界清晰，需要用完整段落说明非单调依赖。2.0 秒设置仍可达表中次优值，说明较短观测已有不错效果，但不如 50k 配置，支持额外时间上下文有益。超过 3.1 秒后持续变差，可能与优化难度、填充截断分布变化或固定训练流程下的正则不足有关，原文未给出因果证明，只能报告为观察到的依赖关系。多分支融合位置的对照同样显示容量与融合点共同决定效果，宽分支在中间融合反而明显变差，因此不能把多尺度直接理解为越大越好。

哪些结论是直接报告，哪些还只是有限解释？

直接报告的是：在固定主干与训练流程下，首层 160 采样点、64 通道、步幅 5、裁剪 50000 点的配置在评估集上取得等错误率 1.37% 与官方串联代价 0.0429，以及在现代验证后端下代价 0.0478；稠密大核优于匹配跨度的空洞近似；步幅与裁剪长度均呈非单调趋势；误差集中在少数攻击。有限解释的是：过宽核变差归因于难优化与平滑掉细节，空洞较差归因于表达自由度，多分支宽配置变差归因于优化负担，这些都用了可能与一种解释等措辞，没有因果证明。

未验证的推测包括首层滤波器冗余分析，原文用对数谱距离加多维缩放可视化发现多数滤波器聚在中心、少数分离，明确说明这是 2 维可视化，属于定性而非结论性证据。未评测的边界是语音伪造 2019 逻辑访问相对干净，原文结论部分明确提醒需要在编码失真、加性噪声与混响下检验鲁棒性。未测量的量包括误判率分布之外的延迟、内存与实际推理成本，不能承诺这些量得到改善。

相关性不等于因果，总体趋势也不等于每组都成立，例如通道数 75 与 90 略优于 64 但差异不显著，不能据此改写主配置的最优声明。

要复现应先固定什么，再补哪项验证？

复现先固定信息条件：使用语音伪造 2019 逻辑访问官方划分，训练集训练、开发集早停、评估集报告；输入重采样到 16 千赫并统一为 50000 采样点，长截短、短环绕补齐；主干为 1 维残差网络 34，首层核长 160、64 通道、步幅 5，块内核长 5，注意力统计池化拼接均值与标准差，嵌入 256 维，分类输出两类并取真实后验为分数；优化用亚当方法，损失为嵌入层单类柔性最大化加分类交叉熵的加权和。具体超参数与代码路径以原文仓库为准，缺失的学习率与权重等不要自行假设。

先跑通主配置得到评估集等错误率与官方串联代价，再逐一改变核长、通道数、步幅、空洞方式与裁剪长度，每次只改一个因素。还需补的验证是多次随机种子下的均值与方差、对困难攻击的分攻击复测、在噪声与编解码条件下的鲁棒性，以及推理耗时与显存的实测。代码开源不等于权重可下载，系统可运行还需要验证后端分数与代价计算脚本是否与官方一致。

何时值得尝试这种大核前端，如何一句话记住它？

当任务是原始波形伪造检测、希望保持单模型与简单残差结构，又怀疑短核前端过早丢失长程伪迹时，值得尝试把首层核长扩大到 10 毫秒量级并配合中等步幅。记住一句话：先让网络在入口处看到足够长的波形，再让深层去做精细判别，而不是让深层从碎片中重建上下文。但要同时记住代价：过宽、过宽分支或过长裁剪都会增加优化负担并可能变差，融合位置与通道数需要与正则一起调。

困难攻击仍是主要误差来源，评估时应同时看整体等错误率、分攻击错误与串联代价，避免用单指标代替系统行为。未来工作应把该前端放到更真实声学条件下检验，才能判断它是否超出干净基准之外的有效范围。

📐 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。

区域 1 · 查看论文原页

区域 2 · 查看论文原页

另有 19 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

← 返回 odyssey-2026 论文汇总