未找到代码或 GitHub 仓库。现在我有足够的信息来撰写审稿了。让我整理一下我从论文全文中收集到的所有关键发现：

论文中的关键发现：

1. 任务：多模态时序伪造定位 (TFL) — 在长视频中定位稀疏的伪造片段
2. 方法：EVAS = MAVS (多阶段音视频协同) + BAR (边界感知精修) + HourglassFFN
3. 数据集：LAV-DF, AV-Deepfake1M, TVIL
4. 主要基线模型：UMMAFormer (ACM MM’23), ActionFormer (ECCV’22), DiMoDif, MFMS, TriDet
5. LAV-DF 结果：mAP 94.55 (vs UMMAFormer 77.33), AP@0.95 为 88.63 (vs 37.61) — 巨大提升
6. AV-Deepfake1M：mAP 70.20 (vs DiMoDif 56.10, UMMAFormer 27.10)
7. TVIL：mAP 83.54 (vs UMMAFormer 78.60)
8. 效率：57ms vs UMMAFormer 29850ms — 效率提升 500 倍
9. 消融实验 (表 5)：A+V 基线 → +BAR → +MAVS。但关键点：+BAR 将 mAP 从 92.52 提升至 94.63，+MAVS 实际上将 mAP 从 94.63 降至 94.55，同时提升了 AP@0.95 (88.25→88.63)
10. 解耦训练：训练时使用 3 个检测头，推理时仅使用检测头 1
11. 未提及代码发布
12. MAVS 层数消融实验 (表 6)：0 层 (无 MAVS) 优于 1 层和 3 层，与 2 层相当 — 但 0 层的 mAP (94.63) 高于 2 层 (94.55)！
13. 同期工作：UniSkip-Mamba (2607.04498), AuViRe (WACV 2026), X-AVDT (CVPR 2026)

现在让我输出完整的审稿意见。

Paper Review: EVAS: Efficient Multimodal Temporal Forgery Localization via Audio-Visual Synergy and Steered Boundary Calibration

论文类型: 方法型

公理审查结果

公理一：对象公理

• 判定: ✅
• 分数: 8
• 依据: Temporal Forgery Localization (TFL) — 在长视频中精确定位稀疏分布的伪造片段 — 是一个真实且日益紧迫的问题。随着 AIGC 的泛滥，从视频级二分类转向时间级精确定位是取证领域的自然演进。LAV-DF、AV-Deepfake1M、TVIL 三个基准数据集均为社区公认数据集，任务定义清晰：输出 (start, end, confidence) 元组集合，用 IoU 阈值评测 AP 和 AR。问题真实存在，定义可操作化，有社区投入价值。论文未夸大问题外延，实验范围与 claim 一致。
• Wiki 证据: OMC Wiki 无相关记录。free-search 确认 TFL 是活跃研究方向，近期有 UMMAFormer (ACM MM’23, 78 引用)、DiMoDif、MFMS、CLFormer、UniSkip-Mamba 等多篇同期工作，表明该问题是社区公认的真实研究方向。paper-wiki 无记录。

公理二：识别公理

• 判定: ⚠️
• 分数: 5
• 依据: 存在多个严重问题。(1) 消融实验自相矛盾：Table 5 显示加入 MAVS 后 mAP 从 94.63 降至 94.55（而非提升），AP@0.95 从 88.25 升至 88.63 仅有微小提升。MAVS 的核心贡献在 mAP 上为负贡献。Table 6 更直接：L=0（无 MAVS）的 mAP=94.63 优于 L=2 的 mAP=94.55。这意味着 MAVS 模块在主要指标上没有效果，论文却将其列为核心贡献。(2) BAR 的归因不清晰：BAR 带来 mAP 从 92.52 到 94.63 的提升，但 BAR 包含多个子组件（无效帧掩蔽、解耦训练推理、级联检测头），缺少各子组件的独立消融。(3) 训练设置不公平嫌疑：EVAS 是唯一的端到端 (E2E) 方法，而所有 baseline 标记为非 E2E，但论文未充分解释 E2E 带来的优势有多少来自联合训练 vs 提出的模块。(4) 没有最简 baseline（如简单 concatenation + ActionFormer）的对比。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 ActionFormer 是标准 anchor-free TAL baseline，UMMAFormer 是 TFL 领域最强 baseline。paper-wiki 无记录。

公理三：独立性公理

• 判定: ✅
• 分数: 8
• 依据: 评测使用三个公开基准数据集 (LAV-DF, AV-Deepfake1M, TVIL) 的官方评测协议和 split，IoU 阈值 (0.5/0.75/0.95) 为标准指标。训练和评测数据无重叠循环。不依赖闭源模型或 API 作为 judge。特征提取器 (VideoMAE-S, BYOL-a) 均为公开预训练模型。评测独立性基本满足。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 LAV-DF 和 AV-Deepfake1M 是 TFL 领域标准公开基准，被多篇论文使用。

公理四：压缩公理

• 判定: ⚠️
• 分数: 5
• 依据: 存在命名膨胀和模块拼装问题。(1) MAVS 本质是标准 cross-attention 的多层堆叠：公式 (2)-(4) 显示 MAVS 就是 Probe/Basis/Message 三矩阵的 cross-attention (Q/K/V 换名)，加残差连接。这与标准 Transformer cross-attention 无本质区别，但被命名为 “Hierarchical State Synchronization” 并使用 Probe/Basis/Message 等非标准术语。(2) BAR 是 Cascade R-CNN 思想在时序检测上的迁移：级联检测头 + 训练时 teacher forcing + 推理时仅用第一阶段 = Cascade R-CNN 的 decoupled variant，论文引用了 Cascade R-CNN 但未明确承认这一等价性。(3) HourglassFFN 是标准瓶颈 FFN + 自定义激活：降维-激活-升维结构是成熟技术，SSLReLU 是 LeakyReLU² 的归一化变体。(4) 三个组件均为已有技术的重新组合或命名，缺少真正的机制创新。但”解耦训练-推理”策略（训练用级联，推理用单阶段）是一个有价值的问题重构。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 Cascade R-CNN (Cai & Vasconcelos, 2018) 已被论文引用；cross-attention (Vaswani et al., 2017) 是标准技术；PBR-Net、CBR-Net 等级联边界精修方法在 TAL 领域已有多年研究。

公理五：效用公理

• 判定: ⚠️
• 分数: 6
• 依据: 结果呈现存在严重的 cherry-picking 嫌疑。(1) LAV-DF 上的巨大提升需要审视：AP@0.95 从 37.61 (UMMAFormer) 到 88.63 是 2.36 倍提升，这在已高度饱和的 LAV-DF 上（UMMAFormer 的 AP@0.5 已达 98.83%）极为异常。论文未讨论为何 AP@0.5 几乎饱和 (98.41 vs 98.83) 而 AP@0.95 能翻倍。(2) AV-Deepfake1M 上缺少关键 baseline：Table 2 缺少 MFMS、TriDet 的对比，仅有 DiMoDif 和 UMMAFormer。(3) TVIL 上仅与 UMMAFormer 对比：Table 4 仅有 4 个 baseline，缺少 DiMoDif、MFMS 等。(4) 效率对比有误导性：Table 3 显示 UMMAFormer 29850ms vs EVAS 57ms，但 UMMAFormer 的 29850ms 包含特征提取，而 EVAS 的 57ms 可能不包含——论文未明确说明对比口径。(5) 鲁棒性分析 (Figure 6) 仅与自己的 A+V baseline 对比，未与 UMMAFormer 等外部 baseline 在噪声条件下对比。(6) 绝对指标在 LAV-DF 上已达很高水平，但 AV-Deepfake1M 上 mAP 70.20 仍有较大提升空间。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 UMMAFormer、DiMoDif、MFMS 为主要 baseline，AuViRe (WACV 2026)、X-AVDT (CVPR 2026)、UniSkip-Mamba 为近期同期工作，论文未与这些最新工作对比（可视为 concurrent work，不完全扣分）。

公理六：新颖性公理

• 判定: ⚠️
• 分数: 4
• 依据: 核心新颖性薄弱。(1) MAVS = 多层 cross-attention：将 Q/K/V 重命名为 Probe/Basis/Message 并加残差求和，不构成机制创新。论文声称 “dense mutual queries” 和 “deep multimodal forensic representations”，但公式本质就是 cross-attention 的 L 层堆叠。(2) BAR = 级联检测 + 解耦推理：级联多阶段检测是成熟技术 (Cascade R-CNN, 2018)，训练-推理解耦是合理的工程策略但非新机制。无效帧掩蔽本质是 attention mask 的变体。(3) HourglassFFN = 瓶颈结构 + 自定义激活：降维-非线性-升维是标准压缩 FFN，SSLReLU 是 LeakyReLU² 加归一化常数，理论推导基于高斯假设（实际特征分布未必满足）。(4) 三个组件均为已有技术的重新组合或换名，缺少 “1+1>2” 的 synergy 证明——实际上消融实验显示 MAVS 在 mAP 上有负贡献。论文的贡献主要是工程集成和问题 reframing，而非真正的机制创新。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 cross-attention (2017)、Cascade R-CNN (2018)、瓶颈 FFN 均为成熟技术。同期工作 UniSkip-Mamba (2607.04498) 使用频率感知状态空间模型，AuViRe (WACV 2026) 使用音频-视觉语音表征重构，显示该领域有更多样化的方法创新。

公理七：可复现公理

• 判定: ⚠️
• 分数: 5
• 依据: (1) 无代码发布声明：论文未提及代码将开源，未提供 GitHub 链接。(2) 训练设置描述相对充分：AdamW, lr=1e-3/1e-4, cosine annealing, 12 epochs, batch=16, 4×V100, 采样窗口 768。(3) 超参数细节较好：L=2, N=3, γ=0.2，有参数敏感性分析。(4) 使用公开数据集和公开预训练模型 (VideoMAE-S, BYOL-a)。(5) 但关键实现细节缺失：MAVS 中维度对齐的具体方式、BAR 中 mask 的具体实现、HourglassFFN 中 d→h 的具体维度比、SSLReLU 中 α 的取值均未给出。缺乏代码会显著影响复现。
• Wiki 证据: OMC Wiki 无记录。free-search 未找到 EVAS 的公开代码仓库。

日报摘要

• Strength: 在 LAV-DF 上 AP@0.95 达到 88.63%（远超 UMMAFormer 的 37.61%），推理延迟 57ms（vs UMMAFormer 29850ms），解耦训练-推理策略有效避免了级联误差传播。
• Weakness: MAVS 模块在主要指标 mAP 上消融实验显示负贡献（94.63→94.55），核心模块被命名为非标准术语掩盖了其 cross-attention 本质，且无代码开源声明。

总评

• 科学价值: 低 — 消融实验未能证明核心模块 MAVS 的必要性，MAVS 在 mAP 上有负贡献。归因不清晰，无法确认性能提升的真正来源。
• 方法价值: 中 — 解耦训练-推理策略是一个有实用价值的工程设计；效率提升（57ms 推理）对实际部署有意义。但各组件均为已有技术的重新组合。
• 社区价值: 中 — 在三个标准基准上取得 SOTA，效率优势显著，为后续工作提供了强 baseline。但缺乏代码开源限制了可复现性和社区采纳。

打分

加权总分: 5.3/10（加权分之和 53.5 / 权重之和 9.5） 最终建议: Borderline 5-6.5