我已经阅读了全文（HTML + PDF，包括附录）。现在我将整理评审报告。

Paper Review: Efficient Chain-of-Modality Reasoning via Progressive Compression for Spoken Language Models

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: 论文研究的对象真实且清晰。SLM 在口语数学推理任务上显著弱于文本 LLM，核心原因是口语化的数学表达式（如 “x plus five y equals zero”）比符号文本更难解析，这一现象已被前期工作（Hyeon et al. 2025; Xie et al. 2025c; Lin et al. 2025b）记录。CoM 架构中 text token 的推理效率问题也是真实的工程瓶颈——更长的推理 trace 直接增加推理成本和首语音延迟。核心概念（compressed reasoning representation、progressive compression）均可操作化定义，有明确的数学形式化（公式 1-11）。问题值得社区投入：SLM 是下一代交互界面的重要方向，推理效率是实时交互的关键约束。
• Wiki 证据: wiki_query 对 “spoken language model reasoning”、”chain of modality”、”efficient reasoning compression” 等查询均返回 “No wiki pages match”。paper-wiki 中未找到本文及相关 SLM reasoning 论文。paper-wiki 中仅有一篇不相关的语音论文（2603.16483，关于合成语音情感理解）。Wiki 无记录，依据论文全文及相关工作章节判断。

公理二：识别公理

• 判定: ⚠️
• 分数: 6
• 依据: 论文有较好的 baseline 覆盖和 ablation：(1) cascade system、standard CoM、CoM Reasoning、budget-constrained variants 作为主 baseline；(2) 附录 E 扩展对比了 LLMLingua-1、LongLLMLingua、Chain-of-Draft、Cold-Stop、Stepwise Internalisation、Heima 六种 efficient-reasoning 方法；(3) ablation 覆盖压缩比（Table 3）、训练策略（Table 5）、架构选择（§4.3.5）、assistant text 压缩（§4.3.4）。但存在以下缺口：
  1. “40% of text tokens” 声称与数据不符：摘要声称 “using only 40% of the text tokens”，但 Table 2 显示 CoM Reasoning 平均 96.56 tokens，ECoM 平均 30.21 tokens，实际比例为 31.3%，而非 40%。40% 是 R^t 的压缩比设定，不是总 text token 的实际比例。这是一个 misleading claim。
  2. 无统计显著性检验：+3% 提升（57.74→60.66）无 error bar 或 significance test。逐数据集看，ECoM 在 SVAMP 上实际下降（46.15→42.36, -3.8pp），提升主要集中在 MultiArith（+8.4pp）。
  3. X^t 移除 vs R^t 压缩的贡献未分离：ECoM 同时移除 X^t（sentence-level）和压缩 R^t（token-level），但未单独 ablate 这两个操作的各自贡献。论文承认移除 X^t 是 “aggressive” 操作，但没有隔离其效果。
• Wiki 证据: wiki_query 对 “ablation 消融”、”最简 baseline” 均无记录。paper-wiki 中无相关 baseline 论文。依据论文全文 Table 2-5 和附录 E 判断。

公理三：独立性公理

• 判定: ⚠️
• 分数: 6
• 依据: 评测流程为：Whisper-large-v3 转写生成语音 → GPT-mini 判定答案正确性（遵循 URO-Bench 协议）。训练数据中数学推理语音由 GPT-4o-mini-TTS 合成。存在两个闭环风险：(1) 评测依赖闭源 GPT-mini 作为 judge，虽然数学 QA 的答案正确性相对客观（数值答案），但闭源 judge 的判定标准不可审计；(2) 训练用 GPT-4o-mini-TTS 合成语音，评测用 Whisper 转写，两者无独立人类校验锚点。不过，论文也报告了 WER 和 UTMOS 作为语音质量指标（Table 10），且数学答案的客观性部分缓解了 judge 独立性顾虑。无独立人类评测。
• Wiki 证据: wiki_query 对 “judge 独立性 循环论证”、”synthetic 人类校验” 均无记录。paper-wiki 无相关评测方法论文。依据论文 §4.1 Evaluation Setting 和附录 C 判断。

公理四：压缩公理

• 判定: ⚠️
• 分数: 5
• 依据: 方法的各组件均可追溯到已有工作：
  • CoM 架构：Zhang et al. 2023, Arora et al. 2025
  • Token-level CoT 压缩：TokenSkip（Xia et al. 2025），LLMLingua-2（Pan et al. 2024）作为 importance scorer
  • Curriculum learning for reasoning compression：Hammoud et al. 2025（”Train long, think short”）在文本 LLM 上提出从 full reasoning 到 compressed reasoning 的课程学习
  • Progressive internalization：Deng et al. 2024

  论文的核心 reframing——”text in SLMs 可以同时作为 speech guidance 和 reasoning carrier”——是一个合理的视角转换，但不是深度新颖的机制创新。方法本质上是将文本 LLM 中已有的 reasoning compression 技术（TokenSkip + curriculum training）迁移到 SLM 的 CoM 架构上。三阶段训练 pipeline（Standard CoM → CoM Reasoning → ECoM）是 curriculum learning 的标准应用。方法简洁是优点，但压缩价值主要来自跨领域迁移而非新机制。

• Wiki 证据: wiki_query 对 “已有方法”、”标准做法 等价” 均无记录。paper-wiki 中无 TokenSkip、LLMLingua、Hammoud 等相关论文。依据论文 §2.2 Related Work 和 §3 Method 判断。

公理五：效用公理

• 判定: ⚠️
• 分数: 6
• 依据:
  • 绝对指标：平均 60.66% 准确率（4 个基准）。但这些是 AddSub、SingleEq、MultiArith、SVAMP——均为 2014-2021 年的小学级数学题，对 2026 年的模型而言难度偏低。Text-only Qwen2.5-1.5B 在这些基准上通常能达到 80%+，说明 SLM 与 text LLM 的 modality gap 仍然很大。
  • 相对提升：+21% over standard CoM（无推理）是预期的——加入推理本应提升。+3% over CoM Reasoning（57.74→60.66）是边际提升，且在 SVAMP 上下降。
  • 效率提升是真正贡献：text token 从 96.56 降至 30.21（3.2x 压缩），FST 从 4.90s 降至 1.60s（3.1x 加速）。这是实用的工程价值。
  • 泛化性不足：仅测试 1.5B 模型、仅英语、仅数学 QA。论文承认未验证 scalability（§5 Limitations）。未测试更难的推理任务（如 competition math、multi-step logical reasoning）。
  • Baseline 可靠性：未与 text-only LLM baseline 对比以量化 modality gap，未与同期 SLM reasoning 工作（STITCH、SHANKS、TARS）直接对比准确率。
• Wiki 证据: wiki_query 对 “SOTA 最新 最强 baseline”、”同类工作 已有方法” 均无记录。paper-wiki 中无 GSM8K 相关论文。依据论文 Table 2、Table 9、§4.2-4.3 判断。

公理六：新颖性公理

• 判定: ⚠️
• 分数: 5
• 依据: 论文声称 “to our knowledge, the first framework to introduce compressed reasoning into SLMs”。这一 “first” 声称在 SLM 领域内是可信的——前期 SLM reasoning 工作（STITCH、SHANKS、Audio-CoT、TARS 等）聚焦于使推理兼容实时交互，而非压缩推理本身。但新颖性受限：
  • 核心压缩机制（token importance scoring + selective retention）直接采用 TokenSkip + LLMLingua-2，非本文提出。
  • Curriculum training 从 full 到 compressed reasoning 的 idea 来自 Hammoud et al. 2025。
  • 贡献本质上是 A（CoM 架构）+ B（TokenSkip 压缩）+ C（curriculum training）的组合，每个组件都有明确的前身。
  • 论文未提出新的机制解释、新的问题重构（除 “dual-purpose text” 视角外）或新的经验规律。
  • 组件间 synergy 未被深入分析——为什么 LLMLingua-2 的 importance scoring 在 SLM 场景下仍然有效？是否有 SLM-specific 的 importance signal？
• Wiki 证据: wiki_query 对 “是否已有 first new unified”、”来源 已有工作 迁移” 均无记录。paper-wiki 中无相关论文。依据论文 §2 Related Work 和 §3 Method 判断。

公理七：可复现公理

• 判定: ⚠️
• 分数: 6
• 依据:
  • 正面：训练配置详细（Table 7, Appendix A），评测配置完整（Table 8, Appendix C），使用全开源组件（Whisper-Small、Qwen2.5-1.5B、CosyVoice 3、SLAM-LLM 框架），训练数据为公开数据集（GSM8K、NuminaMath、MathQA、MagpiePro、InfGen），有 project page（https://funaudiollm.github.io/FunResearch/ECoM-Reasoning）。
  • 负面：未明确声明代码开源（project page 提到 case studies 但未确认 code release）；评测依赖闭源 GPT-mini 作为 judge；训练数据语音合成依赖闭源 GPT-4o-mini-TTS——这两个闭源依赖影响结果的可独立复现性。如果 GPT-mini 的判定标准变化或 GPT-4o-mini-TTS 的语音特性不同，结果可能无法精确复现。
• Wiki 证据: wiki_query 无相关记录。依据论文 Appendix A-C 和 §4.1 判断。

总评

• 科学价值: 中 — 识别了 SLM reasoning efficiency 这一真实问题，但解决方案的各组件均有明确前身，未产生新的机制洞察。
• 方法价值: 中 — Token 压缩 3.2x、FST 延迟 3.1x 加速是实用工程贡献，但绝对准确率偏低且仅在简单基准上验证。
• 社区价值: 中 — 为 SLM reasoning efficiency 开辟了方向，但仅一个模型规模、仅英语、仅数学 QA 的验证范围限制了社区参考价值。

日报摘要

• Strength: ECoM Reasoning 在 CoM 架构上实现 text token 3.2x 压缩（96.56→30.21 tokens）和首语音延迟 3.1x 加速（4.90s→1.60s），同时平均准确率小幅提升（57.74%→60.66%），三阶段 progressive training 优于直接训练（Table 5）。
• Weakness: 摘要声称 “40% of text tokens” 与实际数据（31.3%）不符；+3% 准确率提升无显著性检验且在 SVAMP 上下降；仅验证 1.5B 模型和 4 个小学级数学基准，泛化性未验证。

打分

加权总分: 5.89/10（加权分之和 56 / 权重之和 9.5） 最终建议: Borderline