本文提出一种参数受限的模块化网络扩展方法（modular expansion），用于嵌入式 KWS 模型在部署后添加新关键词。核心方法是冻结整个 base 网络（含 BN 统计量和 core classifier），附加一个 ≤10k 参数的轻量扩展分支和独立的新关键词分类头，通过 core-first 推理规则保证旧关键词行为零回归。
但问题外延有限：(1) 只在 GSC v2 的 10 个命令词上验证，5 个 held-out pair，每对 2 个新词，场景规模小；(2) “class-incremental keyword expansion” 这一任务在 KWS 社区已有明确定义（AnalyticKWS [Xiao et al., ACL Findings 2025]、Kim et al. [Interspeech 2024] 均研究同一任务），论文未充分讨论其问题定义与这些先前工作的区别，也未论证该问题在当前模型中广泛存在的程度。问题本身真实但不算新定义。
但存在缺口：(1) 缺最简 baseline 的明确定义——Ensemble（独立 10k 模型）是最强的公平 baseline，但它不利用 base model 的中间特征，而 proposed 方法利用了，这一关键差异未被明确隔离为单一变量。proposed = Ensemble + base feature reuse + sequential expansion blocks，三个变量同时改变。(2) Ablation 不足——Figure 3 只消融了 expansion depth $L$，但没有消融 “是否使用 base feature reuse” vs “独立模型”、”是否使用 sequential expanded blocks” vs “直接从最后一层 tap”。(3) LoRA 和 Adapters 的推理 MACs 更高（18.45M/20.52M vs 16.34M），但论文没有在 MACs-matched 条件下比较，只在 parameter-matched 条件下比较。如果 LoRA 被允许更多 MACs 预算，差距可能缩小。
轻微不足：评测仅在一个数据集（GSC v2）上进行，且负样本来源虽然独立于训练，但 CV v17 本身也可能有领域偏差。不过这属于常见限制，不构成循环论证。
但方法的压缩价值有限：(1) 没有发现新的经验规律或 trade-off——除了 Figure 3 的 depth ablation（4 block 最优，之后 plateau），这个结论本身不反直觉也不意外；(2) Expanded Block 的设计（Conv1D + BN + hard-swish）是标准组件拼装，没有新的机制解释为什么这种特定结构 work；(3) core-first decision rule 是 trivial 的级联设计，被包装为”inference rule”；(4) 论文标题 “Scalable” 暗示多阶段扩展能力，但论文只做了单次扩展（2 个新词），多阶段扩展被留给 future work，标题外延与验证范围不一致。
但效用受限：(1) 只在 GSC v2 上验证，GSC v2 是一个相对简单的 10-word 命令词数据集，录音频谱干净，不代表真实部署条件（噪声、远场、口音多样性）。论文自己用 CV 做负样本校准但未在 CV 上测试正样本 FRR。(2) 只测试了 5 个 pair，每个 pair 2 个新词，总共 10 个新词覆盖范围极小。(3) 与最直接的竞争方法未比较——AnalyticKWS (Xiao et al., 2025) 和 Kim et al. (Interspeech 2024) 解决同一任务，但论文未引用也未比较。如果这些方法在同一设置下表现更好或相当，本文的效用主张将被削弱。(4) Adapters (8.05%) 和 LoRA (6.41%) 在某些 pair 上接近 proposed 方法（如 {up,down} 上 LoRA 5.12% vs proposed 4.57%），优势不是全面的。
新颖性的真实增量有限：(1) 从 task-incremental 到 class-incremental 的迁移是真实问题，但核心机制没有改变——仍然是 freeze+expand。(2) core-first decision rule 是级联分类器，标准做法。(3) BN statistics 冻结 是一个工程细节，不是机制创新。(4) 与 AnalyticKWS (2025-05) 的关系：AnalyticKWS 用闭式解析解做 exemplar-free class-incremental KWS，与本文的 modular expansion 是完全不同的技术路线。AnalyticKWS 发表于 2025-05，本文 2026-07，相隔 14 个月，不属于 concurrent work——论文应该引用并讨论这一替代方案。Kim et al. (Interspeech 2024) 做 few-shot keyword-incremental learning with calibration，也是同年工作。
论文的真实贡献是：在 KWS 领域，首次将 modular freeze-expand 范式与严格的 ≤10k 参数预算和 MACs 约束结合，并在嵌入式部署约束下给出非回归保证。这是一个工程贡献，不是机制创新。
但关键缺失：(1) 代码未开源——论文未提供代码链接或 repository。(2) 模型 checkpoint 不可获取。(3) 架构细节不够精确——Figure 1/2 是示意图，没有给出 SVDF 的具体 kernel size、rank、channel 数、expansion branch 的 Conv1D kernel size 和 channel 配置等，无法从论文中精确重建模型。(4) 阈值校准的精确过程未详述——如何在 CV test 上匹配 1% FAR，是 per-keyword 还是 global？per-keyword threshold 的搜索空间和精度？(5) Generative AI Use Disclosure 声明用了 ChatGPT (GPT-5.2) 做英文编辑，这是透明做法，不影响复现。
| Axiom | 判定 | 分数 | 权重 | 加权分 |
|---|---|---|---|---|
| 一 对象公理 | ⚠️ | 7 | 1.0 | 7.0 |
| 二 识别公理 | ⚠️ | 6 | 1.5 | 9.0 |
| 三 独立性公理 | ✅ | 8 | 1.0 | 8.0 |
| 四 压缩公理 | ⚠️ | 5 | 1.0 | 5.0 |
| 五 效用公理 | ⚠️ | 6 | 2.0 | 12.0 |
| 六 新颖性公理 | ⚠️ | 5 | 2.0 | 10.0 |
| 七 可复现公理 | ⚠️ | 6 | 1.0 | 6.0 |
加权总分: 5.7/10（加权分之和 57.0 / 权重之和 9.5） 最终建议: Borderline
核心理由： 方法在工程约束下有效（非回归保证 + 低 MACs + 参数预算内优于 PEFT），但 novelty 是 PNN 的特化应用而非新机制，且遗漏两篇直接同任务竞争工作（AnalyticKWS, Kim et al. Interspeech 2024）构成 baseline 覆盖缺口，仅在 GSC v2 上验证且未开源代码限制了社区价值和可复现性。建议作者补充与 AnalyticKWS/Kim et al. 的比较、开源代码、并在更多数据集和真实噪声条件下验证。