论文评审：Decomposer: Learning to Decompile Symbolic Music to Programs

论文类型: 问题定义型 + 方法型

本文提出了一个新任务（symbolic music decompilation, 即将 MIDI 反编译为 Strudel 代码），并提出了一个方法（两阶段 SFT+RL 后训练框架）来解决该任务。主要贡献在于问题定义及具体实例化；该方法虽为相关工作范式的改编，但适配难度较大。评审标准综合考虑了问题定义和方法两方面。

公理审查结果

公理一：对象公理

• 判定: ✅
• 分数: 8
• 依据: 本文提出的对象——符号音乐反编译（将 MIDI 转换为可执行、可编辑的音乐程序）——是真实且清晰存在的。MIDI 是音乐领域最广泛使用的符号表示格式，而 Strudel 是一个真实使用中的 DSL，在实时编程（live coding）社区中有活跃用户。该问题具有实际应用价值：它支持音乐编辑即代码编辑、音乐理解以及音频转代码流程（第 3.5 节）。核心概念可操作化：忠实度（faithfulness）= 多乐器音符 onset F1（客观、可验证），可读性（readability）= 12 项 rubric checklist + listwise reranker，多样性（diversity）= CodeBLEU self-similarity。指标与目标对应：忠实度测量的是程序执行后是否真正还原了 MIDI，而非代理指标。论文诚实地说明了外延限制：仅限短片段（<30 秒），不捕捉长曲式结构，且仅使用单一 DSL（Strudel）。任务定义清晰且可操作化：输入 = MIDI 文本表示，输出 = 可在 Strudel 运行时编译并渲染回 MIDI 的代码。
• Wiki 证据: OMC Wiki 对 “symbolic music decompilation”、”music transcription MIDI LLM code generation”、”MIDI to code” 均无记录。free-search 确认该论文是该任务的唯一学术工作；在已知的学术文献中，不存在先前的音乐反编译或 MIDI 转音乐代码的 SOTA。Strudel+LLM 的 GitHub forks 虽然存在，但均非学术基线。这证实了问题定义的新颖性，同时也表明该问题尚未被充分研究。

公理二：识别公理

• 判定: ⚠️
• 分数: 6
• 依据: 本文包含了一个 trivial baseline（启发式转换器，实现近乎完美的忠实度但可读性为 0.05）以及三个强大的 frontier LLM baselines（Claude-Opus-4.6, Gemini-3.5-Flash, GPT-5.5）。消融研究（第 3.3 节）隔离了两个关键变量：readability reward 权重 w2（图 4，展示了清晰的 tradeoff）和 SFT 初始化（图 5，没有 SFT 时 RL 会崩溃至退化解）。这提供了因果证据，表明 SFT 和 RL 对于最终性能都是必要的。然而，识别缺口依然存在：(1) 没有仅使用 SFT 且使用相同训练数据量的对照，因此我们无法区分 SFT 的贡献是来自数据还是来自方法——尽管图 5 通过比较有无 SFT 的 RL 部分解决了此问题；(2) 没有与使用 scalarized reward（先加权后归一化）的标准 GRPO 进行对比——论文使用 GDPO 并声称 per-component normalization 很重要，但没有提供 GDPO 与 GRPO 的消融对比；(3) LLM judge 的可读性 reward 与评估中使用的可读性指标（相同的 rubric, 相同的 Qwen3.6-35B-A3B judge）存在重叠，这意味着模型的优化目标与其评估方式相同，这在一定程度上构成了循环。
• Wiki 证据: OMC Wiki 对 “GRPO GDPO” 和 “ablation” 查询无记录。free-search 确认 GDPO (Liu et al., 2026) 是近期工作，但论文未将其与标准 GRPO 在本任务上进行消融对比。

公理三：独立性公理

• 判定: ⚠️
• 分数: 5
• 依据: 这是本文最显著的隐患。可读性 reward R_read 使用相同的 12 项 rubric，由相同的 LLM judge (Qwen3.6-35B-A3B) 评分，并使用相同的指标（Rubric score）进行评估。这造成了直接重叠：模型在训练过程中优化由特定 judge 使用特定 rubric 评分的可读性，然后又由同一个 judge 使用同一个 rubric 评估。本文承认这一点（第 2.2 节指出 rubric 为 “fixed”），但未提供独立的人类可读性评估或不同的 judge 作为交叉验证。Rank 指标（listwise reranker）使用了与 judge 相同的 LLM，尽管采用了不同的评分方法（pairwise ranking 与 binary checklist）。忠实度指标是独立的（基于 MIDI 的客观 onset F1，使用标准 mir_eval），这对核心科学主张是有利的。合成训练数据（STRUDEL-SYNTH）由 Claude-Opus-4.6 生成，模型为 Qwen3 系列——不同的模型家族，因此 SFT 数据生成与模型训练之间不存在家族内污染。然而，可读性奖励/评估重叠构成了“主要”循环问题：关于可读性的主张（“Decomposer 产生比启发式更可读的代码”）部分由模型训练优化的同一指标支撑。
• Wiki 证据: OMC Wiki 对 “judge independence” 和 “synthetic human validation” 查询无记录。free-search 未发现针对此 pipeline 的独立人类评估。论文在主要评估中未包含人类研究（仅在附录中提到了 genre-wise 分析，同样使用自动指标）。

公理四：压缩公理

• 判定: ⚠️
• 分数: 6
• 依据: 该方法相当简洁：两阶段 SFT→RL，包含两个 reward components（忠实度 + 可读性），并带有 compilation gating。每个组件都有明确的目的：SFT 用于热启动（图 5 证明了必要性），RL 用于在没有 reference code 的情况下直接优化 decompilation 目标，忠实度 reward 防止语义漂移，可读性 reward 防止退化为逐音符转录。数据 pipeline（生成 → 清理 → 渲染）包含必要的步骤（去除 dead voices, AST parsing），且非装饰性。然而，该方法是对现有范式的改编，而非压缩：SFT+execution-RL 框架与 Rodriguez et al. 2025 (SVG) 和 Kolodiazhnyi et al. 2026 (CAD) 的范式相同。创新在于将其适配到音乐领域，涉及新的领域特定 reward 设计（onset F1, Strudel rubric）和新的数据生成 pipeline，但在架构上并未对现有方法进行压缩。GDPO 被直接使用而未修改。MIDI 文本表示设计（cycle-based onsets, instrument-grouped）是一种合理的领域适配。没有命名膨胀或对简单 pipeline 进行过度包装。该方法可以说与相关工作的复杂度相当，增加了必要的领域特定组件，但未引入概念上的简化。
• Wiki 证据: OMC Wiki 对 “decompilation standard approach” 查询无记录。free-search 确认 StarVector (NeurIPS 2025), CAD-Recode (ICCV 2025), CADRille (2026) 使用相同的 SFT+execution-RL 范式。Decomposer 的架构与 CADRille 极为相似（均为 Qwen base, SFT warm start, execution-based RL, 两阶段 pipeline）。压缩价值有限：并非新的统一或简化，而是向新领域的迁移。

公理五：效用公理

• 判定: ✅
• 分数: 8
• 依据: 主要结果（表 2）令人信服，且核心指标广泛适用。在 STRUDEL-SYNTH 上，Decomposer (8B) 实现了 0.99 compile rate, 0.73 Onset F1, 0.74 Rubric —— 大幅超过最佳 frontier LLM (GPT-5.5: 0.57 Onset, 0.39 Rubric) 并在可读性上远超启发式 (0.05 Rubric)。在 LMD（真实世界 MIDI）上，Decomposer 达到 0.60 Onset F1, 0.61 Rubric，而 GPT-5.5 为 0.27/0.29。在所有指标中，Decomposer 实现了最佳的忠实度-可读性 tradeoff，而非仅在单一指标上取胜。泛化研究（表 3, 表 6）测试了 4 个 held-out 数据集（长 LMD, GigaMIDI, NES-MDB, Nottingham）——Decomposer 在所有数据集上的 Onset F1 和 Rubric 均优于 GPT-5.5，表明改进不局限于某一数据集。论文诚实地报告了局限性：在长 LMD (0.35 Onset) 和 NES-MDB (0.43 Onset) 上绝对值较低，承认对更长/更陌生输入的稳健性有限。Tradeoff 消融（图 4）诚实地展示了忠实度-可读性权衡。Baseline 覆盖充分：trivial baseline (启发式), 三个强大的 frontier LLMs, 以及 SFT-only 和 SFT+RL 的消融对比。8B open-weight 模型优于 closed-weight frontier LLMs 是一个有意义的效用声明，在多个数据集上得到了验证。然而，绝对忠实度仍有提升空间（在真实世界 MIDI 上 Onset F1 为 0.60 意味着 40% 的音符未被正确还原），且可读性指标存在 judge overlap 的隐患。
• Wiki 证据: OMC Wiki 对 “SOTA music decompilation” 查询无记录。free-search 确认不存在先前的学术 baseline；这是该任务的首次工作，因此 baseline 选择是尽力而为。Frontier LLMs 是合理的强 baseline，因为它们代表了当前代码生成的 SOTA。启发式转换器是正确的 trivial baseline。没有遗漏已发表的 baseline（该任务此前不存在）。

公理六：新颖性公理

• 判定: ⚠️
• 分数: 6
• 依据: 新颖性主要体现在问题定义层：将符号音乐反编译作为任务，并将其具体化为 MIDI-to-Strudel，属于真正的首创（free-search 确认此前无先前工作）。方法层面的新颖性有限：SFT+execution-RL 范式直接改编自 Rodriguez et al. 2025 (SVG) 和 Kolodiazhnyi et al. 2026 (CAD)，论文对此也进行了诚实的讨论（第 4 节）。适配过程中领域特定的贡献包括：(1) STRUDEL-SYNTH 数据生成 pipeline（带有 dead-voice pruning 的新清洗流程）——此为新颖且非简单的；(2) 结合通用代码和 Strudel 特定项的可读性 rubric reward 设计；(3) 基于 cycle 的 MIDI 文本表示。然而，各个独立组件（GRPO-style RL, LoRA SFT, LLM-as-judge rubric rewards, synthetic data distillation）均为现有技术。组合方式虽为 A+B+C，但每一项对于新领域都有非平凡的适配。没有新的机制解释说明该方法为何有效（论文经验性地显示 SFT 防止了 RL 崩溃，但未分析为何特定 rubric items 或 reward weights 能产生观察到的 tradeoff）。跨领域迁移是真实的，且解决了音乐领域的问题，符合“迁移必须解决真实问题”的标准。关键问题是这是否属于“带有非平凡适配的跨领域迁移”（创新 6-7 分）还是“现有范式的直接应用”（创新 4-5 分）——鉴于数据 pipeline 和 reward 设计中的重大领域特定工程，这倾向于前者。
• Wiki 证据: OMC Wiki 对 “novelty” 和 “component sources” 查询无记录。free-search 确认：(1) 该任务确实是全新的——无先前工作；(2) 方法范式与 StarVector (NeurIPS 2025), CADRille (2026), Rodriguez et al. 2025 相同；(3) Rubric-as-rewards (Gunjal et al., 2026; Viswanathan et al., 2025) 是已有范式。任务定义的新颖性很高，方法的新颖性中等。

公理七：可复现公理

• 判定: ⚠️
• 分数: 6
• 依据: 论文提供了详细的可复现性信息：模型架构（Qwen3-4B/8B），LoRA 超参数（rank 64, α=128），学习率，batch sizes，RL 超参数（group size 16, KL 0.05, clipping 0.4），以及计算需求（8×H100, SFT 1.5h, RL 8 天）。完整 prompt 在附录 B 和 D 中展示。MIDI 表示格式有详细说明（附录 B）。数据生成 pipeline 条件输入在附录 E 中描述。然而，存在关键缺口：(1) 论文提到项目页面 (yewon-kim.com/decomposer)，但在撰写本文时未提供代码仓库 URL，仅有一个 project page 链接——代码发布状态未验证；(2) STRUDEL-SYNTH 数据集是否公开发布尚不确定（论文称 “we release” 但未提供 URL）；(3) RL 评估依赖 Qwen3.6-35B-A3B 作为 judge——这是一个 open-weight 模型，因此原则上可复现，但特定的 judge 配置（temperature 0.7, thinking disabled）仅提及一次；(4) 8 天的 RL 训练和 frontier LLM API 调用（Claude-Opus-4.6 用于数据生成）代表了显著的计算和 API 成本。核心结果（8B 模型优于 frontier LLMs）依赖于开放权重模型，且可使用公开数据（LMD）和开源 Strudel 运行时进行复现，这对可复现性是积极的。Frontier LLM baseline 依赖于可能随时间变化的闭源 API。
• Wiki 证据: OMC Wiki 对可复现性查询无记录。free-search 在 HuggingFace papers 页面找到该论文，但截至评审时未找到已发布的代码/数据仓库链接。

日报摘要

• Strength: 本文首次定义了符号音乐反编译任务，并通过两阶段 SFT+RL 框架，使 8B 开源模型在忠实度（Onset F1 提升 +0.16 到 +0.32）和可读性（Rubric 0.61-0.74 vs 启发式 0.05-0.09）上均显著超越 frontier LLMs，并在 4 个 held-out 数据集上保持泛化优势。
• Weakness: 可读性 reward 与评估指标使用相同的 LLM judge 和相同的 12 项 rubric，构成训练-评测循环依赖；方法框架（SFT+execution-RL）直接改编自 SVG/CAD 反编译工作，方法层新颖性有限；缺少 GDPO vs GRPO 消融和独立人类可读性验证。

总评

• 科学价值: 中 — 真实的新问题定义，但方法层面是已有范式的跨领域迁移，缺乏新的机制解释。
• 方法价值: 中 — 两阶段 pipeline 设计合理且工程适配非平凡，但核心组件（SFT, GRPO-style RL, rubric-as-reward, synthetic distillation）均为现有技术，缺少关键消融（GDPO vs GRPO）。
• 社区价值: 高 — 首个音乐反编译工作，释放了 21K 对的 STRUDEL-SYNTH 数据集，为音乐编程和 live coding 社区提供了新的研究方向，具有明确的下游应用路径（音乐编辑、教育、理解）。

打分

加权总分: 6.6/10（加权分之和 62.0 / 权重之和 9.5） 最终建议: Weak Accept 6.5-8