我现在已经从论文全文、paper-wiki 以及 free-search 结果中获取了足够的信息，可以产出一份详尽的审稿意见。请允许我整理这份结构化的 Markdown 审稿报告。
论文核心是一个新架构（Lychee-FD）解决全双工 SLM 中的模态干扰问题，同时包含梯度冲突的实证分析作为动机。主要贡献落在方法型，但有分析型的支撑。
依据: 论文的识别能力较强。核心因果链清晰：(1) 通过 layer-wise gradient cosine similarity 发现浅层协同、深层冲突（Fig 2a），(2) 通过 gradient magnitude ratio 发现 padding 导致语义梯度被压制（Fig 2b），(3) 据此设计两个针对性组件：hierarchical parameter separation 和 semantic alignment channel。ablation 实验完整：w/o Sem-Channel 导致 S→T 下降 5.6%、S→S 下降 5.4%，w/o Param-Sep 导致 S→S 灾难性下降至 27.6%。两个 ablation 分别支持两个设计决策。此外，Section 5 在 Moshi 架构上复现了梯度冲突模式（Fig 5），Appendix 9 提供了 global gradient influence score 分析，从因果角度验证了 parameter separation 不仅消除破坏性干扰（-0.129→0.205），还放大了建设性协同（0.312→0.773）。
不足之处：论文同时改变了架构（hierarchical separation）和训练策略（semantic alignment channel 用 dense text 而非 padded text），虽然分别做了 ablation，但没有交叉 ablation（例如只用 param-sep + dense alignment，或只用 sem-channel + shared params）来验证两个组件是否有交互效应。此外，训练数据是合成的 140K 对话，没有与真实数据的对比。
依据: 存在两个独立性隐患：
(1) 训练数据与评测数据的同源性：训练数据通过多 agent 合成 + CosyVoice2 TTS 生成 140K 全双工对话，而评测中 S→S 设置使用 Whisper-large-v3 做 ASR 转写。CosyVoice2 和 Whisper 是不同模型家族，这一环独立性尚可。但 FullDuplexBench 1.5 使用 GPT-4o-1124 作为 judge 分类模型响应，训练数据虽然不直接来自 GPT-4o，但 agent 架构的 prompt 模板可能隐含了 GPT 系列的风格偏好——论文未说明 agent 使用的是什么 LLM。
(2) 评测 judge 的独立性：FullDuplexBench 1.5 的 IRR/BRR 指标完全依赖 GPT-4o judge，论文没有提供独立的人类评估锚点。虽然 FullDuplexBench 1.5 是第三方 benchmark (2503.04721)，其 judge 设计不在本文控制范围内，但论文的核心 full-duplex 结论（+28.5%）高度依赖这一 GPT-4o 评测，构成 major 级别的独立性隐患。如果 GPT-4o 对某些交互模式有系统性偏好，论文的相对提升可能被高估。
Spoken QA benchmark 的独立性较好：LlamaQ、WebQ、TriviaQA 是标准文本 QA benchmark 的语音版本，accuracy 是客观指标。
依据: 论文的方法设计有一定的压缩价值，但也存在工程组合的成分。
压缩价值：(1) 梯度冲突分析将 “模态干扰” 这个模糊概念压缩为两个可量化的现象（optimization divergence + semantic dilution），这是真正的经验压缩。(2) 层 ablation（Appendix 7, Fig 6）显示 4 层分离即达到性能饱和，没有过度设计。(3) DAG-PP 推理算法使得多 head 架构不增加推理延迟，是合理的工程压缩。
不足：(1) Hierarchical parameter separation 本质上是 multi-head architecture + shared backbone，这在多任务学习和多模态学习中是标准做法（multi-task learning 中 task-specific heads 共享 backbone 是 common pattern）。论文将其包装为 “hierarchical parameter separation strategy”，存在一定的命名膨胀。(2) Semantic alignment channel 本质上是 Moshi 的 Inner Monologue 的变体——都是生成时间对齐的 text token 作为语义锚点，区别在于本文用 dense text 而非 padded text。这是一个增量改进，不是全新机制。(3) Control head 用特殊 token 管理 start/stop 是标准做法。三个 head 的设计虽然有 ablation 支持，但 control head 没有单独消融。
总体来看，论文的方法是两个已知策略（shared backbone + task-specific heads; inner monologue with dense supervision）的组合，但组合的动机有梯度分析支撑，不是随意拼装。
依据: 论文的效用证据在绝对值和相对提升上都比较强。
Spoken QA（Table 1）：Lychee-FD 在 3 个 benchmark 的 S→T 和 S→S 设置下平均准确率均为最优。S→S 平均 51.5%（vs Moshi 35.5%, Fun-Audio-Chat 42.7%, VITA-1.5 50.8%），S→T 平均 46.2%（vs Moshi 30.5%, Fun-Audio-Chat 38.8%, VITA-1.5 35.4%）。绝对值在 spoken QA 场景可用。关键：Lychee-FD 不仅超过 native full-duplex 模型，还超过了其 half-duplex backbone StepAudio-2-mini（S→T +0.2%, S→S +5.3%），证明没有知识退化。
Full-duplex interaction（Table 2）：在 11 个交互指标中 10 个达到最优。FDBench SRR 86.3%（vs Moshi 41.4%），FullDuplexBench 1.5 IRR 78.0%、BRR 69.0%（vs Freeze-Omni 27.0%/63.0%, VITA 6.0%/38.0%）。延迟方面也达到最低（FDBench FSED 637ms, FullDuplexBench 1.5 Stop 570ms）。
Speech quality（Fig 4）：UTMOS 4.50，超过所有 baseline 和 backbone。
Baseline 覆盖：覆盖了 system-level（Freeze-Omni, VITA-1.5）和 native（dGSLM, FLM-audio, Moshi, Fun-Audio-Chat）两大类 6 个 baseline，以及 half-duplex backbone 对比，覆盖度充分。
不足：(1) 所有 baseline 中没有 BayLing-Duplex (2606.14528)，这是一个 2026 年 6 月的同期工作，可视为 concurrent work 不强扣分。(2) Spoken QA 的提升主要来自与 native full-duplex baseline 的对比——与 system-level VITA-1.5 的差距较小（S→S +0.7%），说明 thinker-talker 架构仍有一定竞争力。(3) 训练数据是合成的 140K 对话，规模相对小，在更复杂场景下的泛化能力需要进一步验证（论文自己也承认了 side-talk 的局限性）。
依据: 论文声称两个 “first”：(1) 首次揭示全双工 SLM 模态干扰的根因，(2) 首个 native intelligent full-duplex framework。
关于 first claim (gradient conflict analysis)：层-wise gradient cosine similarity 分析本身不是新方法——多任务学习中分析 gradient conflict 有大量先前工作（Recon, PCGrad, Gradient Surgery 等）。论文的新颖性在于将这一分析应用到全双工 SLM 场景，并发现了浅层协同/深层冲突的 layer-wise pattern。这在 SLM 领域确实可能是首次，但 “root cause” 的声称有些强——gradient conflict 是 multi-task/multi-modal learning 中的已知现象，论文更多是在 SLM 场景验证了这一现象，而非发现了全新的机制。
关于 second claim (first native intelligent full-duplex framework)：Moshi 已经是 native full-duplex SLM，论文的 “first” 应限定为 “first to resolve modality interference via hierarchical parameter separation in full-duplex SLMs”。即便如此，shared backbone + task-specific heads 是标准架构，semantic alignment channel 是 Inner Monologue 的变体。真正的增量在于将两者结合并用于解决全双工 SLM 的特定问题。
组件必要性：ablation 支持了两个组件的必要性（w/o Param-Sep: S→S 27.6%, w/o Sem-Channel: S→S 下降 5.4%），但两个组件之间是否有 synergy 没有验证。HASRD (2506.00843) 在 codec 层面做了 acoustic-semantic disentanglement，虽然不在模型架构层面，但 “hierarchical acoustic-semantic” 这个概念名称高度相似，存在概念先占风险。
跨领域迁移价值：从 multi-task learning 的 gradient conflict 解决方案迁移到 SLM，是合理的跨领域迁移，且证明了迁移后解决了 SLM 的真实问题。
不足：(1) 训练数据是合成的，虽然管线描述详细，但 140K 数据本身未公开（只公开了模型和代码）。(2) Backbone StepAudio-2-mini 的公开可用性需要确认——如果该 backbone 不完全开源，会影响完整复现。
| Axiom | 判定 | 分数 | 权重 | 加权分 |
|---|---|---|---|---|
| 一 对象公理 | ✅ | 8 | 1.0 | 8.0 |
| 二 识别公理 | ✅ | 8 | 1.5 | 12.0 |
| 三 独立性公理 | ⚠️ | 5 | 1.0 | 5.0 |
| 四 压缩公理 | ⚠️ | 6 | 1.0 | 6.0 |
| 五 效用公理 | ✅ | 8 | 2.0 | 16.0 |
| 六 新颖性公理 | ⚠️ | 6 | 2.0 | 12.0 |
| 七 可复现公理 | ✅ | 8 | 1.0 | 8.0 |
加权总分: 6.95/10（加权分之和 67.0 / 权重之和 9.5） 最终建议: Weak Accept