现在我已经掌握了所有事实锚点。让我根据全文撰写结构化的评审。

论文评审: faster-enhancer.c: A Dependency-Free int8 Runtime for Streaming Speech Enhancement on Commodity CPUs

论文类型: 系统型

本文是一个工程实现与测量研究，将已有模型 FastEnhancer-Medium 移植为 int8 C 运行时，并在真实硬件上测量吞吐、能耗和质量损失。核心产出是部署级工件，而非新模型、新数据或新训练方法。

公理审查结果

公理一：对象公理

• 判定: ✅
• 依据: 论文研究的对象——流式语音增强在商用 CPU 上的实时部署成本——是真实存在的问题。音频回调有 6.67 ms 硬死线，模型需长时间持有一个核心，RTF 是占空比而非延迟。论文明确区分了 racing benchmark 和 paced deployment 场景，指出 racing 低估了 4.2× 每帧成本，且最便宜的核心放置会错过 96% 的死线。这些场景是真实的部署约束，不是人造问题。模型规模（511K 参数）本身不大，但通用推理运行时（ONNX Runtime）在算子级记账开销很大，专门化运行时有真实必要性。论文不研究新模型，而是研究”现有模型如何高效部署”，这在语音增强领域有明确社区需求（RNNoise、DeepFilterNet、GTCRN 等均在解决类似问题）。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 返回一条 speech enhancement 相关记录（2303.13336），但与本文研究对象不直接重叠。free-search 确认 FastEnhancer (arXiv 2509.21867, ICASSP 2026) 是真实发表的模型，RNNoise、DeepFilterNet 等同类工作均指向同一部署问题，验证对象真实性。

公理二：识别公理

• 判定: ⚠️
• 依据: 论文提供了消融实验（Sec. 3.6），分别测量了 NEON floor（+138.5%）、DOTPROD vs I8MM on M2（-1.0%）、fast transcendentals vs accurate polynomial（+20.1%）、Winograd on/off（+30.1%）、LTO（-0.6%）。这些消融隔离了各个技术组件的贡献。但存在缺口：(1) 基线只比较了 fp32 ONNX Runtime，未比较其他 int8 量化方案在相同模型上的表现（如通用 PT8 工具 XNNPACK/KleidiAI），因此无法确认加速中有多少来自”专门化运行时”本身 vs “int8 量化”本身；(2) 融合 GRU 内核占 82.2 us 是最大桶，但没有”unfused GRU” 的单独消融来量化融合带来的收益；(3) per-frame 激活范围重计算 vs 校准集方案的质量/速度对比缺失。论文承认”some fusions rest on profile attribution rather than one-switch-off ablations”，这是诚实的，但也是识别公理的缺口。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 无相关消融信息。free-search 确认 XNNPACK、KleidiAI、gemmlowp 等通用 int8 推理库存在（论文引用 [9-11]），但论文未与之直接比较，这是识别缺口。

公理三：独立性公理

• 判定: ✅
• 依据: 评测独立性良好。质量评测使用 VoiceBank-DEMAND 公开测试集（824 条，48 kHz），其两个说话人和噪声条件被模型训练集排除，这是独立测试集。评测指标 PESQ、STOI、SNR、LSD、SIGMOS 均为标准客观指标，不依赖论文自身构造的评测闭环。fp32 参考波形在引擎自身因果分析网格上生成（而非默认居中 STFT），这是为了公平比较量化误差而非帧相位，论文明确说明了这一设计决策。无合成数据 pipeline，无自训练 judge，无循环论证风险。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 对 VoiceBank-DEMAND 数据集无记录。free-search 确认 VoiceBank-DEMAND (CC BY 4.0) 是语音增强领域的标准公开测试集，独立性可验证。

公理四：压缩公理

• 判定: ✅
• 依据: 论文的核心压缩价值在于”专门化”——围绕一个固定模型精简运行时，删除所有通用性开销。具体体现：(1) 固定形状编译期断言，删除所有标量余数路径；(2) 六层 int8 GEMM 按初始化时硬件能力选择一层；(3) 状态布局在单一 432KB 结构中一次性分配，帧内零分配；(4) 融合消除了图级往返：转置折叠进量化，残差进 GEMM epilogue，GRU 三门+隐状态+fp16 写回一个内核；(5) [-127,127] clamp 一个设计决策同时解决了 int16 累积安全性和 AVX2 vpsignb 可复现性——这是优雅的约束压缩。Winograd F(2,3) 带来 13% MAC 削减但 30% 延迟改善，因为真正的瓶颈是 im2col 流量和布局变换而非乘法数——这是一个反直觉但被数据支撑的经验发现。论文没有命名膨胀，没有把工程组合包装成新架构或新方法。四个贡献都是工程测量层面的，描述准确。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 Winograd F(2,3) 是已知算法（Lavin & Gray 2016，论文引用 [14]），int8 量化整数-only 公式来自 Jacob et al. 2018（论文引用 [13]），均为已有技术的合理应用而非换名。

公理五：效用公理

• 判定: ✅
• 依据: 绝对指标：M2 上 0.069 RTF（单核），S23+ 上 0.096 RTF，均远低于 1.0 实时阈值。质量：-0.006 PESQ、-0.08 dB SNR、-0.017 SIGMOS，量化损失是模型增益的 1.6%，远优于文献报告的 mixed FP16-INT8（-0.06 PESQ）和 uniform int8（-0.3 PESQ）。3.3× 加速（vs fp32 ONNX Runtime，同机）。能耗：paced P-core 198 mJ/audio-s，比 racing 省 49%。基准（baseline）是同机 fp32 ONNX Runtime——这是该模型部署的合理基准，虽然不是最快的 int8 推理引擎。论文诚实报告了部署限制：S23+ 在 adb shell 无 CAP_SYS_NICE 下是悲观上界；E-core 错过 96% 死线；30 分钟持续运行中手机越过预算（1.77% 死线错过）。指标覆盖全面：PESQ、STOI、SNR、LSD、SI-SDR、SIGMOS，且按频带分组分析每个指标能”看到”什么。跨设备、跨 ISA 层级的测量是真实的效用证据。论文未声称在所有场景下都可用——手机长跑有问题，E-core 不可部署——这些都是诚实的 trade-off 报告。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 FastEnhancer (2509.21867) 是最近发表的模型，RNNoise、DeepFilterNet/2、GTCRN、TinyLSTM 是同类工作，论文引用了全部这些。论文未遗漏明显的强 baseline——它是部署研究而非模型竞赛，合理的比较对象是通用推理运行时（ONNX Runtime），论文已包含。GTCRN 等更轻量模型是不同质量-成本权衡点，不是直接 baseline。

公理六：新颖性公理

• 判定: ⚠️
• 依据: 论文明确声明这是实现与测量研究，不提出新模型、新训练方法或新量化算法。各项技术组件均有明确来源：int8 量化公式来自 Jacob et al. 2018 [13]，Winograd F(2,3) 来自 Lavin & Gray 2016 [14]，GRU 融合和内核专门化是 llama.cpp [12] 等项目中的标准做法，模型本身来自 FastEnhancer [3]。真正的增量在于：(1) per-frame 激活范围重计算免校准集——这是一个有意义的设计选择，但并非全新概念，动态量化在硬件支持存在时是已知思路；(2) 专门化运行时的端到端集成——把所有技术组合成一个可部署的、零依赖库，并验证跨层位一致性——这是工程集成贡献；(3) deadline-paced benchmarking 协议和”racing 低估 4.2×”的发现——这是有价值的测量方法论贡献，可迁移到其他实时音频系统。但这些增量是工程集成和测量层面的，不是机制层面的创新。组件之间没有明显的 synergy 超越各部分之和——加速主要来自删除通用开销和 int8 量化，每个组件的贡献可独立测量。对于一个系统型论文，新颖性标准应侧重”是否解决了真实部署问题并产生可复用工件”，本文在这方面有一定贡献，但不是突破性的。
• Wiki 证据: OMC Wiki 无记录。free-search 确认所有组件技术均已有论文/开源实现，论文引用准确。未发现完全相同的专门化运行时工作（FastEnhancer 仓库本身只有 PyTorch/ONNX 导出），因此集成贡献有一定新颖性。

公理七：可复现公理

• 判定: ✅
• 依据: 代码开源：https://github.com/kdrkdrkdr/faster-enhancer.c (commit 7d78dab)，作为无依赖库发布。模型权重来自 FastEnhancer 公开仓库 [1]，未修改。测试集 VoiceBank-DEMAND 公开可获取 (CC BY 4.0)。评测协议详细描述：timing 用 3 条 RNNoise demo clips (5 dB, 5569 frames)，质量用 824 条 VoiceBank-DEMAND，能耗用 macmon 5 Hz 采样、3 次重复 180 s 音频取中位数。硬件明确：Apple M2、Galaxy S23+ (SM-S916N, Snapdragon 8 Gen 2)。SIMD 层级跨设备位一致性通过 hash 比较验证。论文承认了三个限制：(1) 质量数据集与上游验证集相同，测量的是端口忠实度而非模型质量；(2) x86 层级未计时（无 x86 主机）；(3) 部分融合基于 profiling 而非开关消融。这些限制是诚实的。无闭源 API 依赖，无闭源数据依赖。可复现性很高。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 GitHub 仓库存在，FastEnhancer 仓库 (MIT license) 公开可访问。

日报摘要

• Strength: 围绕单一固定模型专门化 int8 运行时，M2 单核 0.069 RTF（3.3× vs fp32 ONNX Runtime），质量损失仅 -0.006 PESQ / -0.08 dB SNR，跨 SIMD 层级位一致，代码零依赖开源。
• Weakness: 基线仅 fp32 ONNX Runtime，未对比通用 int8 推理库（XNNPACK/KleidiAI）；部分融合缺乏开关消融；手机端 30 分钟长跑越过预算（1.77% 死线错过），部署可用性受限。

总评

• 科学价值: 中 — deadline-paced benchmarking 协议和”racing 低估 4.2×”的发现有可迁移性；位一致性工程约束（[-127,127] clamp、双精度窗函数）有参考价值；但无新机制或新经验规律。
• 方法价值: 中 — 专门化运行时集成是扎实的工程工作，组件均有已知来源，集成贡献真实但非突破性。
• 社区价值: 高 — 开源零依赖库、跨硬件实测数据、诚实的部署限制报告，直接可用于流式语音增强部署场景。

打分

加权总分: 6.95/10（加权分之和 72.0 / 权重之和 9.5） 最终建议: Weak Accept