已收集所有研究资料。现在输出最终的结构化审查报告。

论文审查：通过音频感知大型语言模型的细粒度反馈改进文本到音频指令遵循能力

论文类型: 方法型 + 部分 benchmark 型

论文核心贡献是 AJPO（ALLM-Judged Preference Optimization）训练框架，同时附带 S3Bench 评测基准。主轴是方法型论文。

公理审查结果

公理一：对象公理

• 判定: ✅
• 分数: 8
• 依据: 论文研究的对象——TTA 模型在多声音事件和时间顺序上的 instruction following 缺陷——是真实存在的。作者在 Table 3 和 Table 4 中用数据证明：即使强 baseline（TangoFlux-CRPO）在 AudioCaps-test 上 Event Existence EM 仅 87.4%，在 MultiEvent-Temporal-4 上 Joint Accuracy 仅 11.6%，在 S3Bench 上 Joint Accuracy 仅 45.4%。问题定义清晰可操作化：sound event existence（binary per-event judgment → averaged score）和 temporal ordering（Kendall’s τ）。核心概念不是模糊概念包装。问题具有社区价值：多事件时序生成是 TTA 系统走向实用的必要能力。
• Wiki 证据: paper-wiki 中找到同作者前作 AQAScore (2601.14728)，已证明 CLAP-style metrics 在 fine-grained semantic alignment 上有缺陷，与本文动机一致。OMC Wiki 无直接记录，但 paper-wiki 事实锚点确认问题真实性。

公理二：识别公理

• 判定: ⚠️
• 分数: 6
• 依据: 论文进行了较系统的消融实验（Table 5, Table 6）：ALLM-DPO vs. CLAP-DPO（验证 fine-grained feedback 必要性）、ALLM-CAP（验证 decomposed verification vs. caption matching）、ALLM-SFT vs. ALLM-DPO（验证 DPO 优于 SFT）、Online DPO vs. Static DPO（验证动态 preference 重构必要）。这些消融基本隔离了关键变量。但存在缺口：(1) 所有实验基于同一 backbone（TangoFlux-base），未验证方法对其他 TTA 架构（如 AudioLDM2、EzAudio）的迁移性，无法排除”方法只对 TangoFlux 有效”的解释；(2) 使用 Qwen2.5-Omni-3B 作为 reward model 而 Qwen2.5-Omni-7B 作为 evaluator——虽然作者声称避免 referee-as-player 问题，但两者同属 Qwen2.5-Omni 家族，共享训练数据和表示，独立性有限。未实验验证换用不同家族 ALLM（如 Audio Flamingo 3）作为 reward model 的效果。
• Wiki 证据: OMC Wiki 无 “ablation” 相关记录。paper-wiki 无同类消融实验记录。从全文 Table 5/6 事实锚点判断。

公理三：独立性公理

• 判定: ⚠️
• 分数: 5
• 依据: 存在两层循环风险：(1) 训练-评测循环：Qwen2.5-Omni-3B 用于构造 preference pairs（训练信号），Qwen2.5-Omni-7B 用于最终评测。两者同模型家族、同训练数据来源，评测指标（event existence EM, temporal order τ, Joint Accuracy）的计算方式与训练 preference 的 scoring 方式完全相同（都是 ALLM 判断 event presence + temporal order）。主结论（Table 3-4 中 “Ours” 的优势）依赖这个闭环。(2) 人类验证缓解：作者做了 human verification（Table 2, 150 samples，agreement 89.8% for existence, 93.5% for temporal order）和 human evaluation（Table 5, 50 samples, REL 4.28 vs. 3.55）。这些独立锚点部分缓解了循环论证风险，但人类验证样本量小（150+50），且 human evaluation 只比较了 3 个系统。核心训练目标和最终评测仍来自同一 ALLM 家族和同一评判协议，属 major 级别循环风险。
• Wiki 证据: OMC Wiki 无 “judge 独立性 循环论证” 记录。论文 Table 2 的人类验证数据是关键独立锚点，但规模不足以完全解除循环风险。

公理四：压缩公理

• 判定: ⚠️
• 分数: 6
• 依据: 方法框架 AJPO 本身较为简洁：ALLM 判断 → preference pairs → DPO。没有过度复杂的模块堆叠。S3Bench 的构造也直接（LLM 生成 narrative instructions）。但方法本质是 “LLM-as-judge” + “DPO” 两个已有范式的组合应用到 TTA 领域。论文没有提供新的机制解释或问题重构——sound event existence 和 temporal ordering 作为 evaluation criteria 并非本文首次提出（CompA、AudioTime 已有相关 benchmark）。论文的压缩价值主要体现在经验发现：”global similarity insufficient for fine-grained preference construction” 这一结论有可迁移性，但该结论与作者前作 AQAScore 的发现高度重叠。命名方面，”AJPO” 是合理的方法命名，无明显命名膨胀。
• Wiki 证据: OMC Wiki 无 “ALLM DPO 已有方法” 记录。paper-wiki 中 AQAScore (2601.14728) 已记录 “CLAP 在 fine-grained semantic alignment 上有缺陷” 的结论，本文在此基础上推进但经验压缩增量有限。

公理五：效用公理

• 判定: ✅
• 分数: 8
• 依据: 绝对指标和相对提升均显著：(1) 在 MultiEvent-Temporal-3 上 Joint Accuracy 从 baseline TangoFlux-base 32.8% → 本文 55.0%（+22.2pp），远超 TangoFlux-CRPO 的 40.0%。(2) 在 MultiEvent-Temporal-4 上 Joint Accuracy 从 7.6% → 18.4%（+10.8pp），超 CRPO 的 11.6%。(3) S3Bench 上 Joint Accuracy 49.9% vs. CRPO 45.4% vs. base 35.3%。提升在多个 benchmark 上广泛存在，非 cherry-picking。标准音频质量指标（FAD, FD, KL, IS, CLAPScore）未显著退化，说明 instruction following 提升未以牺牲音频质量为代价。Baseline 覆盖充分：AudioLDM2, EzAudio, Stable-Audio, Tango2, TangoFlux-base, TangoFlux-CRPO，涵盖 diffusion 和 flow-based 架构。绝对值在 4-event 场景仍很低（18.4%），说明问题远未解决，但相对提升清晰。
• Wiki 证据: paper-wiki 无 TTA SOTA 记录。论文 Table 3-4 事实锚点确认 baseline 覆盖度。OMC Wiki 无 TTA 同类工作记录。

公理六：新颖性公理

• 判定: ⚠️
• 分数: 5
• 依据: 核心创新点是”用 ALLM 作为 fine-grained judge 来构造 TTA preference data”。但各组件均有明确已有来源：(1) LLM-as-judge for evaluation：已有 AudioJudge、AudioEval 等前作（论文 Section 2.2 自己引用）；(2) DPO for TTA：Tango2 (Audio-Alpaca) 和 TangoFlux-CRPO 已用 preference training；(3) Fine-grained audio evaluation：T2A-Feedback 已做 event-wise CLAP decomposition，Baton 已做 human preference on event completeness + temporal relations；(4) CLAP insufficient for temporal reasoning：作者自己前作 AQAScore + CompA 已证明。本文的真实增量是：用 ALLM（而非 CLAP 或 human）作为 judge 来做 event-level verification + temporal order verification → preference pairs → DPO。这个增量是真实的但偏增量式——它是”把已有的 LLM-as-judge 范式从评测延伸到训练”的自然推进，而非新机制或新问题定义。S3Bench 有一定新颖性（narrative-style multi-event temporal benchmark），但构造方法（LLM 生成 instructions）较标准。
• Wiki 证据: OMC Wiki 无 “ALLM judge TTA training” 记录。paper-wiki 中 AQAScore (2601.14728) 已建立”CLAP 在 fine-grained alignment 不足”的前提，本文方法可视为该前提的自然推论。

公理七：可复现公理

• 判定: ⚠️
• 分数: 6
• 依据: 论文提供了训练细节（8×A100, lr=1e-4, batch size 128, 500 warm-up steps, 60k training samples）。提到有 project page 提供额外 qualitative examples。但：(1) 未明确提及代码开源（正文提到 project page 但未提及 GitHub repo 或 code release）；(2) S3Bench 的构造依赖 LLM 生成 instructions + manually designed in-context examples，具体 prompt 和 ICL examples 未在正文中完整给出；(3) ALLM judging 的 prompt template 未在正文中完整展示；(4) 依赖 Qwen2.5-Omni 模型（开源，可获取）和 TangoFlux-base（开源），这两个核心组件可复现。整体可复现性中等：核心模型开源，但关键 prompt 和数据构造细节可能需要参考 project page。
• Wiki 证据: OMC Wiki 无可复现性相关记录。从正文事实判断。

日报摘要

• Strength: AJPO 框架在 MultiEvent-Temporal-3 上将 Joint Accuracy 从 baseline 32.8% 提升至 55.0%（+22.2pp），在 S3Bench 上达到 49.9%（vs. CRPO 45.4%），且标准音频质量指标未退化，消融实验系统验证了 fine-grained ALLM feedback 相对 CLAP-based similarity 的必要性。
• Weakness: 训练信号（Qwen2.5-Omni-3B 构造 preference）与评测指标（Qwen2.5-Omni-7B 计算）来自同一模型家族且使用相同评判协议，存在 major 级别循环论证风险；方法仅在一个 backbone（TangoFlux）上验证，未排除方法对特定架构的依赖性。

总评

• 科学价值: 中 — 验证了 ALLM-based fine-grained feedback 可作为有效 TTA 训练信号，但核心发现（CLAP 不足、fine-grained supervision 有效）与前作 AQAScore 高度重叠，增量有限。
• 方法价值: 中 — AJPO 框架简洁可用，消融设计合理，但未验证跨 backbone 迁移性，且 reward model 与 evaluator 同族问题未充分隔离。
• 社区价值: 中 — S3Bench 填补了 narrative multi-event temporal benchmark 的空白，但构造方法标准；方法若开源可被社区采用，但依赖特定 ALLM 家族限制了通用性。

打分

加权总分: 6.3/10（加权分之和 60.0 / 权重之和 9.5） 最终建议: Borderline 5-6.5