领域适应

📄 BlueMagpie-TTS: A Token-Efficient Tokenizer, Language Model, and TTS for Taiwanese-Accent Code-Switching Speech #语音合成 #多语言 #领域适应 #参数高效微调 #扩散模型 6.5/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.6/1.5 | 开源 0.2/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 6.5/10 | 前50% | #语音合成 | #领域适应 | #多语言 #参数高效微调 | arxiv 👥 作者与机构 第一作者：Ho Lam Chung（未说明） 通讯作者：未说明 作者列表：Ho Lam Chung（未说明）、Bo-Xuan Zheng（未说明）、Cheng-Chieh Huang（未说明）、Cheng-Han Chang（未说明）、Jung-Ching Chen（未说明）、Lok-Lam Ieong（未说明）、Ting-Lin Hsiao（未说明）、Yu-Cheng Lee（未说明）、Yi-Hsin Chung（未说明）、Yu-Kai Guo（未说明）、Hung-yi Lee（未说明） 💡 毒舌点评 论文从字节级 BPE 的 tokenizer 到十亿参数语言模型前端再到 TTS 合成，堆出了一条完整的台湾本土化语音合成栈。PangolinTokenizer 在台湾多脚本文本上做到了最低 token 率和最高词汇效率，Barbet 作为前端在中文生成任务上压过同类模型，BlueMagpie-TTS 的 CER 从 11.45% 降到 4.81%，盲听偏好遥遥领先。但整套方案的核心（声学堆栈、BPE、Mamba 混合架构）几乎全部复用现有组件，真正的创新在于针对台湾语境做数据适配和前端替换，并通过桥接蒸馏与联合微调把各部分粘在一起。更致命的是，所有资源一概未开源，整个 pipeline 的复现性极差，学术价值和社区推动力因此大打折扣。 ...

📄 MOSAIC: Interpretable Multi-Token Cross-Attention of Biophonetic and Self-Supervised Representations for Unified Voice Anti-Spoofing #语音伪造检测 #可解释性 #自监督学习 #领域适应 6.3/10 | 创新 1.2/2 | 严谨 0.9/1.5 | 实验 0.7/1.5 | 清晰 0.8/1 | 影响 0.7/1.5 | 开源 0.8/1.5 | 复现 0.4/0.5 | 工程 0.8/1.5 ✅ 6.3/10 | 前50% | #语音伪造检测 | #Transformer | #可解释性 #自监督学习 | arxiv 👥 作者与机构 第一作者：Yugwon Won（RaonSecure Co., Ltd., AI Security R&D Team, Seoul, Republic of Korea） 通讯作者：Yugwon Won（同第一作者） 作者列表：Yugwon Won（AI Security R&D Team, RaonSecure Co., Ltd.） 💡 毒舌点评 论文将手工特征拆分为多语义查询令牌进行交叉注意力融合，并利用注意力矩阵和令牌激活进行可解释性分析，思路是有趣的。但这项工作的核心贡献更多体现在特征工程与可视化技巧上，而非提出基础性的新架构或理论。方法在2019年数据集上接近单任务SOTA，但在真正考验泛化能力的2021年跨域评测上表现惨淡，尤其是PA场景（EER 40.09%），使得“统一”模型的卖点大打折扣。对最核心的“6-token”与“单token”之间的性能差异，论文避而不谈，可解释性分析也仅限于定性观察，缺乏严格的因果或消融验证，这使得整体贡献的坚实程度存疑。 ...

📄 QuaSR: Quality-Aware Sample Reweighting for Pacific Indigenous Speech Recognition #语音识别 #课程学习 #低资源 #多语言 #领域适应 6/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 1/1 | 影响 0.7/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 ✅ 6/10 | 前50% | #语音识别 | #课程学习 | #低资源 #多语言 | arxiv 👥 作者与机构 第一作者：Yishun Li（The University of Western Australia） 通讯作者：Ting Dang（The University of Western Australia） 作者列表：Yishun Li¹, Yang Xiao¹, Gongping Huang², Eun-Jung Holden¹, Nick Thieberger¹, Ting Dang¹ 机构标注：¹ The University of Western Australia；² 未明确标注（非UWA） 💡 毒舌点评 本文为太平洋土著语言 ASR 提供了首个系统性的数据质量诊断框架，将声学、转录与对齐三维度融合并校准样本权重，思路清晰且实验在设计上有一定洞察力。然而，所有实验固守于四个极小、封闭的 PARADISEC 语种且无一开源，使得方法的可复现性与推广性大打折扣，更像一次成功的小范围探索而非可落地的方案。更致命的是，论文完全回避了与任何已有的困难感知训练策略（如 Focal Loss、SuperLoss）的对比，方法论上的独特性存疑。 ...

📄 SynSFX: Multi-Model Sound Effects Synthesis Dataset for Deepfake Detection and Evaluation #音频伪造检测 #基准测试 #数据集 #迁移学习 #领域适应 6.5/10 | 创新 1/2 | 严谨 1/1.5 | 实验 1.2/1.5 | 清晰 0.6/1 | 影响 0.8/1.5 | 开源 0.8/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 ✅ 6.5/10 | 前50% | #音频伪造检测 | #迁移学习 | #基准测试 #数据集 | arxiv 👥 作者与机构 第一作者：Linxi Li（University of Warwick, WMG）、Yuncong Yu（机构未说明，标记为同等贡献） 通讯作者：未说明 作者列表：Linxi Li（University of Warwick, WMG）、Yuncong Yu（机构未说明）、Qianwei Guo（机构未说明）、Liwei Jin（机构未说明）、Yechen Wang（机构未说明）、Carsten Maple（University of Warwick, WMG） 💡 毒舌点评 这篇论文的贡献清晰但格局有限。作为一个基准数据集工作，SynSFX通过"共享提示词子集"为理解生成器artifact提供了一个精妙的诊断工具，其实验有力地揭露了现有检测器学到的只是"生成器指纹"而非"伪造痕迹"这一尴尬现实。然而，作为一篇顶会投稿，其定位略显尴尬。它既缺乏与新近数据集（如CompSpoofV2）在统一基准上的横向PK来确立自身压倒性优势，又完全没有提出任何新的检测方法或算法框架来尝试解决它自己所揭示的难题。这使得整篇论文更像一份深入且严谨的"问题陈述报告"，而非一个完整的、有破有立的解决方案。这项工作是扎实且有洞察力的，但它的贡献边界非常清晰，距离方法论的突破尚有一步之遥。 ...

📄 Training-Free Model Selection and Domain-Aware Score Calibration for First-Shot Anomalous Sound Detection #音频事件检测 #测试时自适应 #领域适应 #无监督学习 7.3/10 | 创新 1/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.5/1.5 | 开源 1.3/1.5 | 复现 0.5/0.5 | 工程 1.3/1.5 ✅ 7.3/10 | 前50% | #音频事件检测 | #测试时自适应 | #领域适应 #无监督学习 | arxiv 👥 作者与机构 第一作者：Grach Mkrtchian（独立研究者，未说明所属机构） 通讯作者：Grach Mkrtchian（独立研究者，邮箱：g.mkrtchyan.m@gmail.com） 作者列表：Grach Mkrtchian（独立研究者） 💡 毒舌点评 这篇独立研究者的论文用极低成本的纯后处理方案，揭示并部分解决了DCASE ASD赛道中“开发集AUC漂亮，评估集AUC塌方”的结构性骗局——即这本质上是个操作点校准问题，而非模型能力问题。然而，其核心贡献——那个无标签的域平衡选择准则——在三个挑战赛年份中，仅一年展现出稳健的预测力，另外两年一个简单的全均衡固定默认配置就能打平甚至击败它。这让准则的通用性承诺大打折扣，使其更像是一次针对特定年份的聪明过拟合，而非一个可泛化的方法论突破。 📌 核心摘要 问题定位：论文针对DCASE Challenge Task 2中首次异常声检测（ASD）的两个开放问题：源域与目标域AUC在不同系统间呈负相关，以及开发集性能无法预测评估集性能。 核心方法：提出DACo（Domain-Aware Calibration），一个训练无关的后处理层，包含两部分：(i) 基于可收缩的每域分位数校准，通过先验强度 \(m\) 调节源域/目标域的平衡前沿；(ii) 一个基于交叉验证的、完全标签无关的域平衡准则，利用训练正常样本的KS距离自动从候选配置中进行选择。 方法论主张：提出一种新范式，即用粗粒度的、基于有标签开发集的“可行性否决”来排除退化配置，再用细粒度的、标签无关的部署时准则来对剩余配置进行排序和选择。 核心实验结论（DCASE 2025）：在45个配置的网格上，所提准则以 Spearman \(\rho = +0.91\) 预测评估集分数 \(\Omega\)，而开发集 \(\Omega\) 的预测力仅为 \(+0.06\)。准则选择将评估集 \(\Omega\) 从55.83提升至59.34（可排第7），在扩展网格上达到61.05（可排第4）。 跨年度复现结论：在DCASE 2023和2024的复现中，准则的预测力在经家族聚类不确定性分析后，仅在2025年显著。2023年证据不足，2024年准则完全失效（\(\rho = -0.10\)）。固定全均衡默认配置（\(m=0\) 软分配）在多数情况下匹配或击败准则选择。 实际价值与局限性：提供了一种部署时无需目标域标签即可自动校准操作点的方法，计算成本极低。主要局限在于：准则的跨年度泛化证据薄弱；需依赖有标签的开发集否决来规避退化配置；基于10个样本的目标域校准几乎整个pAUC区间都是外推的，且绝对错误率高于名义水平。 🔗 开源详情 代码：https://github.com/polestvr/daco-experiments 模型权重： BEATs iter3+ AS2M（MIT许可，论文未给出直接下载链接） EAT-base（检查点 worstchan/EAT-base_epoch30_pretrain，MIT许可） PANNs CNN14-16k（权重来自 Zenodo 记录 3987831，CC-BY许可，https://zenodo.org/record/3987831） 数据集： DCASE 2025 Task 2：Zenodo 记录 15097779, 15392814, 15519362 DCASE 2023 Task 2：Zenodo 记录 7882613, 7830345, 7860847 DCASE 2024 Task 2：Zenodo 记录 10902294, 11259435, 11363076 DCASE 2026 开发集：Zenodo 记录 19336329 复现材料：代码仓库提供了全套实验代码、结果CSV、配置清单、复现脚本、环境锁文件及预注册说明（PREREGISTRATION.md）。 论文引用的开源项目： DCASE 2025/2024/2023官方评估器 PANNs预训练权重 BEATs/EAT预训练模型（仅提及名称与许可） 🏗️ 方法概述和架构 DACo是一个三阶段的后处理流水线，完全操作在已冻结的音频嵌入提取器和基础异常打分器之上，无需任何训练。 ...

📄 MetaPerch: Learning from metadata for bioacoustics foundation models #音频分类 #多任务学习 #领域适应 6.5/10 | 创新 1/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 0.5/1.5 | 复现 0.4/0.5 | 工程 1/1.5 ✅ 6.5/10 | 前50% | #音频分类 | #多任务学习 | #领域适应 | arxiv 👥 作者与机构 第一作者：Mustafa Chasmai（University of Massachusetts Amherst，工作期间在Google DeepMind） 通讯作者：Jenny Hamer（Google DeepMind） 其他作者：Vincent Dumoulin（Google DeepMind） 💡 毒舌点评 这篇论文在生物声学元数据利用上做了一次大规模、系统化的实证练兵，17个数据集、9种元数据的覆盖度与消融颗粒度值得肯定，尤其揭示了位置和背景物种是最有价值的辅助信号。然而，方法的核心仅仅是给共享编码器加了一组元数据分类头，完全可以视作对多任务学习框架的常规扩写，其声称的增益很大程度上源于一个被“阉割”的基线——有意扔掉了Perch 2.0的源预测和自蒸馏，这使得元数据的净增量贡献变得模糊不清。此外，验证与测试性能排序的不一致暴露出其模型选择策略的脆弱性，而回避与NatureLM-audio等文本条件化方法的直接对比，则是为了护住“无需测试时元数据”这一卖点的巧妙躲闪。 📌 核心摘要 要解决什么问题：生物声学基础模型面临着从训练用焦点录音到实际部署的被动声学监测(PAM)数据之间的声学域偏移和物种分布偏移。现有大规模训练方法仅将物种标签作为监督信号，未充分利用公民科学平台上丰富的录音元数据。 方法核心：提出METAPERCH，在Perch 2.0的基架构上构建了多任务学习框架。将录音的地理位置（S2 cell分类）、季节、背景物种等9种元数据作为辅助分类任务，与主任务物种识别进行联合训练。 与已有方法相比新在哪里：首次系统性地将9种per-recording元数据作为辅助监督信号引入生物声学基础模型训练，并通过大规模实验解耦了各元数据源的效果。与传统的测试时条件化方法（如Merlin）不同，该方法在测试时无需元数据即可推理，降低了部署门槛。 主要实验结果如何：在17个数据集上评测，METAPERCH相比其自定义的弱化基线BioBaseline，在BirdSet平均ROC-AUC提升0.015（0.891→0.906），BEANS分类准确率提升0.016（0.854→0.870），WABAD原型学习ROC-AUC提升0.018（0.928→0.946）。其中，位置、背景物种和季节被证明是最有益的元数据源，且在仅保留1%位置元数据时仍能观察到性能增益。 实际意义：为生物声学社区提供了一套无需测试时元数据的训练范式，可作为后续数据集构建和训练策略选择的参考，尤其对地理分布不均的稀有物种监测有指导意义。 主要局限性：基线BioBaseline弱化了对比公平性；验证集与测试集的性能排序不一致导致模型选择不可靠；回避了与多模态预训练方法的直接公平对比；来源预测和自蒸馏的移除是双刃剑，可能导致归因分析高估了元数据的净增益。 🔗 开源详情 代码：提供GitHub仓库链接 github:google-research/perch/metaperch。 模型权重：未提及，未提供。 数据集：所用训练与评估数据均为公开学术或社区数据集，包括Xeno-Canto, iNaturalist, Tierstimmenarchiv, FSD50K, BirdSet, BEANS, WABAD等。数据集获取方式在原文参考文献中均有说明。 其他资源：未提及Demo或复现配置文件，亦未提供预训练checkpoint。论文附录A.6给出了详尽的超参数设置，但缺少可直接运行的训练pipeline脚本。 🏗️ 方法概述和架构 整体流程：METAPERCH采用共享编码器的多任务学习框架。给定一个5秒的音频窗口，系统首先将其转换为大小为 500帧 × 128 mel频带 的log-mel spectrogram。该spectrogram作为单通道图像输入一个轻量级的EfficientNet-B3编码器，从中提取空间嵌入(T'×F'×dim)和空间聚合后的全局嵌入dim。全局嵌入随后被分别送入一个线性物种分类头、一个基于空间嵌入的原型学习分类头，以及多个独立的元数据预测MLP头。系统通过联合优化主物种损失和多个辅助元数据损失的加权和来完成训练。在推理阶段，模型直接使用训练好的分类头，完全无需测试时元数据的输入。 ...

📄 Gumbel-BEARD: Automatic Layer Selection for Self-Supervised Adaptation of Whisper in Low-Resource Domains #语音识别 #自监督学习 #低资源 #领域适应 9.1/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 1.1/1.5 | 开源 1/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 🔥 9.1/10 | 前25% | #语音识别 | #自监督学习 | #低资源 #领域适应 | arxiv 👥 作者与机构 作者：Zilai Wang, Natarajan Balaji Shankar, Mohan Shi, Kaiyuan Zhang, Abeer Alwan 机构：University of California, Los Angeles, USA ...

📄 CoughSense: Five-Class Respiratory Disease Classification via Whisper Encoder Fine-Tuning and Dual-Encoder Cross-Attention Fusion with Balanced Contrastive Learning #数据增强 #领域适应 9.1/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.4/1.5 | 清晰 1/1 | 影响 1.1/1.5 | 开源 1.5/1.5 | 复现 0.5/0.5 | 工程 0.8/1.5 🔥 9.1/10 | 前25% | #数据增强 | #数据增强 | #领域适应 | arxiv 👥 作者与机构 作者: Nikhil Vincent 机构: Independent Researcher, Bothell, Washington, USA 通讯作者: Nikhil Vincent (nikhil.vincent.v@gmail.com) 💡 毒舌点评 这篇工作像一篇扎实的工程报告，而非充满灵光的科学探索。其核心卖点——“主动帧QKV注意力池化”——本质上是对预训练模型输入不匹配问题的一种直接而有效的工程修补，虽然实用，但理论深度有限。论文更像是一个“最佳实践”集锦，将FiLM、SupCon、GRL、Balanced Mixup等现有技术组合在一起应对医学音频的挑战，这种“工具箱”式的整合创新性不足。真正的短板在于其评估的“离线”本质：在公开数据集上刷分容易，但论文对标签噪声、儿科与成人领域偏移等关键问题的讨论仅停留在表面，缺乏深入的量化分析或解决方案，这使得“部署为实时移动应用”的结论显得有些仓促和过度自信。作者将“Whisper首次应用于多类咳嗽分类”作为首要贡献，但这更多是应用上的首次，而非方法论上的突破。总体而言，这是一篇完成度高但突破性弱的工作，适合寻求实用方案的工程师，但难以满足追求理论创新的顶级会议。 ...

📄 Context-aware child-directed speech detection from long-form recordings #自监督学习 #多语言 #领域适应 #模型评估 8.5/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 1.2/1.5 | 开源 0.8/1.5 | 复现 0.5/0.5 | 工程 1/1.5 🔥 8.5/10 | 前25% | #自监督学习 | #自监督学习 | #多语言 #领域适应 | arxiv 👥 作者与机构 论文作者包括 Théo Charlot, Tarek Kunze, Kaveri K. Sheth, Alejandrina Cristia, 和 Marvin Lavechin。机构包括 LSCP, DEC, ENS, EHESS, CNRS, PSL University, France 和 Laboratoire d’Informatique et Systèmes, Université Aix-Marseille, CNRS, France。 ...

📄 Cost-Effective Model Evaluation with Meta-Learning #迁移学习 #模型评估 #领域适应 #数据集 📝 5.4/10 | 后50% | #迁移学习 | #meta_learning | #模型评估 #领域适应 | arxiv 学术质量 4.8/7 | 影响力 0.3/2 | 可复现性 0.3/2 | 置信度 0.7 👥 作者与机构 Trinh Pham, Viet Huynh, Hongzhi Yin, Quoc Viet Hung Nguyen, Thanh Tam Nguyen。机构未在论文正文中明确列出，仅提供了作者姓名。 💡 毒舌点评 这篇论文试图解决一个实际且重要的问题：如何在没有标签的情况下，快速评估一个陌生模型在一个陌生数据集上的表现。想法是好的，用元学习来“学会评估”这一概念也颇具巧思。然而，作为一篇瞄准顶会的论文，其技术细节的披露严重不足，关键假设未经充分检验，且实验设计在某些环节存在逻辑上的模糊地带。 首先，核心数据集构建细节缺失。论文声称构建了大规模的MetaDataset，但对于文本模态，具体如何使用GPT-5生成多样化的SQL和自然语言描述？对于图像模态，“语义编辑”的具体指令和流程是什么？“验证和过滤”是如何保证标签一致性的？这些过程是论文可复现的基石，目前描述得过于笼统，像是给足了概念但吝啬了干货。 其次，偏移描述符（SD）的定义含糊其辞。论文明确提到SD由三部分构成：Gaussian Fréchet、Mahalanobis、Sliced Wasserstein，但通篇未给出任何一个具体的计算公式或详细构造步骤。我们只知道它们基于“隐藏空间摘要”。是计算最后一层的特征统计量吗？如何聚合不同样本的输出？这绝非“未在正文详述”可以搪塞过去，这是方法核心输入的黑箱化，严重损害了论文的技术严谨性。 第三，评估阶段的“适应”步骤存在逻辑悖论。算法2显示，评估一个新模型\(m_{new}\)时，需要使用一个“元集”\(\mathcal{S}_{train}\)（包含许多\((SD_i, M_i^\star)\)对）来适应其上下文向量\(ctx_{new}\)。这里\(M_i^\star\)是已知的、来自参考任务的真实性能。那么，在真实的“双重未知”（模型未知，目标数据无标签）部署场景中，这些带有真实性能标签的“适应数据”从何而来？如果它们来自预定义的MetaDataset参考任务，那么评估阶段就不是完全“无标签”的，它依赖了一组已知的、模型特定的性能监督信号。论文没有澄清这个\(S_{train}\)在测试时的来源，使得方法的“无标签”主张在最核心的评估环节出现了裂痕。 实验方面，虽然展示了显著的MAE降低和延迟优势，但部分分析流于表面。例如图4的校准图，解读“最接近GT”过于乐观；对图8的消融分析，未能清晰讨论准确率与训练成本的权衡点选择依据。最致命的是，论文全文几乎没有对方法进行任何严肃的局限性讨论，仿佛方法没有弱点。一个顶会论文对自身工作的批判性分析如此缺失，令人失望。 最后，也是对于本审稿场景最重要的一点：这篇论文的核心应用场景（文本SQL生成、图像分类）与语音/音乐/音频领域几乎毫无关联。尽管元学习和模型评估是通用思想，但其具体设计（如基于预测输出的偏移描述符）并不容易直接迁移到波形或频谱图处理、声源分离、语音识别等任务中。因此，对于目标读者而言，其直接的技术贡献和可借鉴性非常有限。 📌 核心摘要 本文针对机器学习模型评估中一个尚未解决的挑战——在面对未知模型和未标记目标数据（“双重未知”）时进行快速、低成本的性能评估——提出了一个解决方案。主要贡献包括：1）形式化地定义了这一双重挑战；2）提出了MetaEvaluator，一个基于元学习的、模型无关的评估框架；3）构建了名为MetaDataset的大规模、多模态训练数据集，用于元学习训练。实验表明，与现有方法相比，MetaEvaluator在估计准确性和评估效率上均有显著提升。 🔗 开源详情 代码：论文中未提及代码仓库链接。 模型权重：论文中未提及。 数据集：论文中自建了名为 MetaDataset 的大规模数据集，涵盖 Text2SQL（约 3.37M 样本）和图像分类（约 2.49M 样本）两个领域。论文中未提供该数据集的公开下载链接或开源协议信息。 Demo：论文中未提及。 复现材料：论文中提供了详细的训练配置（如 MLP 结构、隐藏维度 [256, 128, 64]、激活函数 ReLU、学习率 1e-4、优化器 AdamW 等）和评估环境（如硬件配置：四块 NVIDIA GeForce RTX 4090 GPU，Intel Core i7-14700 CPU）。但未提及提供具体的配置文件、检查点或附录等下载链接。 论文中引用的开源项目： 文本/数据集工具: TabLib：来源论文中未提供明确链接。 KaggleDBQA：来源论文中未提供明确链接。 SynSQL-2.5M：来源论文中未提供明确链接。 SParC：来源论文中未提供明确链接。 CoSQL：来源论文中未提供明确链接。 BIRD：来源论文中未提供明确链接。 ScienceBenchmark：来源论文中未提供明确链接。 EHRSQL：来源论文中未提供明确链接。 SQLForge：来源论文中未提供明确链接。 PARSQL：来源论文中未提供明确链接。 NL2SQL-BUGS：来源论文中未提供明确链接。 图像/模型工具: CLIP：来源论文中未提供明确链接。 EvolveDirector：来源论文中未提供明确链接。 Diffusion Models (Stable Diffusion)：来源论文中未提供明确链接。 图像数据集: MNIST：来源论文中未提供明确链接。 USPS：来源论文中未提供明确链接。 SVHN：来源论文中未提供明确链接。 COCO 2017：来源论文中未提供明确链接。 PASCAL VOC 2012：来源论文中未提供明确链接。 ImageNet ILSVRC12：来源论文中未提供明确链接。 其他引用的评估方法/代码 (均为对比方法，论文未提供其代码链接): AutoEval (Deng and Zheng, 2021) DoC (Guillory et al., 2021) ATC (Garg et al., 2022) AGD (Jiang et al., 2022) PseudoAutoEval (Boyeau et al., 2025) SelfTrainEns (Chen et al., 2021) 🏗️ 方法概述和架构 MetaEvaluator的方法流程分为两大阶段：元数据集构建与元学习框架训练，以及针对新模型的快速评估适应。 ...