I have sufficient evidence from the full paper text and external searches. Key facts gathered:

• HyPoradise (NeurIPS 2023) is the established benchmark this paper builds on
• RobustGER (ICLR 2024, ref [18]) is the key training-based baseline for noise-robust correction
• Speech-Hands (ref [54]) and Speech-Mind (ref [55]) are the closest “agentic ASR” works but use fine-tuning
• TextGrad (ref [62]), SkillOpt (ref [59]), OPRO (ref [58]) are the text-optimization precursors
• Free search confirmed “Evolutionary Prompt Design for LLM-Based Post-ASR Error Correction” exists (OpenReview, by same first author) — a concurrent/related prior work on prompt design for ASR correction

Now outputting the final review.

Paper Review: Voice Memory for Agentic Speech Recognition

论文类型: 方法型（含分析型成分）

论文提出 Voice Memory 方法（inference-only text memory for ASR error correction），并提出 listener-thinker 架构形式化和两个诊断指标（ρ, HER）。核心是方法贡献，附带分析价值。

公理审查结果

公理一：对象公理

• 判定: ✅
• 分数: 8
• 依据: 论文指向的真实问题是：在低 WER regime 下，LLM-based GER 会 over-correct 已经正确的 token，反而抬高 WER。这一问题在全文 Table 3 和 Figure 2 中有量化证据（ls_clean 1-best 1.8% → GER 2.4%，wsj HER=0.64）。问题定义清晰：correction 应该是一个 per-utterance act/abstain 决策，而非无条件 rewrite。”agentic speech recognition” 三条件（decision, persistent state, self-improvement）可操作化定义清楚（Definition 1）。claim 外延（10 个 HyPoradise domain + 4 个 noise corpus + 翻译 mini-study）与实验范围基本一致。问题值得社区投入：ASR-LLM cascade 是主流部署形态，inference-only adaptation 有实际工程价值。
• Wiki 证据: OMC wiki 无记录。free-search 找到 HyPoradise (arXiv 2309.15701, NeurIPS 2023) 为该领域公认 benchmark；”Evolutionary Prompt Design for LLM-Based Post-ASR Error Correction” (OpenReview, 同一作者群) 确认 prompt-based ASR correction 是活跃研究方向，问题真实存在。

公理二：识别公理

• 判定: ⚠️
• 分数: 6
• 依据: 论文隔离了关键变量：Voice Memory vs. zero-shot GER vs. 5-shot GER，在同一 frozen corrector 上比较（Table 3, Table 9）。Appendix B 的 component ablation（negative rules / filtered memory / domain prompts / oracle gating）隔离了各组件贡献，发现 negative rules 是 load-bearing component（7.66→7.52），这是好的因果识别。但存在缺口：(1) 最简 baseline 缺失——没有与简单的 confidence-threshold abstain（如只在 GER 输出与 1-best 差异大时 act）比较，这是最自然的 abstain policy；(2) Table 5 的跨模型实验仅 50-100 utterances，样本量偏小，ρ=1.28 的”超越 oracle”结论需要更大样本验证；(3) semantic gate vs. WER gate 的比较（Table 7）只覆盖 2 domain × 2 seed，margin ~0.2 点，虽方向一致但证据偏薄。
• Wiki 证据: OMC wiki 无记录。free-search 确认 RobustGER [18] 是训练-based 强 baseline，论文确实与之比较（Table 4, VoiceBank-DEMAND 1-best 对齐到 0.1 point）。但未找到简单的 confidence-based abstain baseline 已被比较的记录。

公理三：独立性公理

• 判定: ✅
• 分数: 8
• 依据: 三split 严格分离（train 供 rollout evidence，selection gate acceptance，test 只报一次）。评测使用 WER（参考 transcript 独立于优化过程）。semantic gate 使用独立 sentence encoder (all-MiniLM-L6-v2)，与 corrector (MiniMax-M3 / Qwen3 / Claude) 不同模型家族。无循环论证迹象。Table 7 的 gate 比较中，WER gate 和 semantic gate 看相同 rollout、相同 candidate edits、相同 acceptance rule，只隔离 objective scalar——这是干净的变量控制。翻译实验（Table 6）使用 BLEU 独立评分。
• Wiki 证据: OMC wiki 无记录。论文自述 semantic scoring 用 on-device 独立模型，free-search 未发现评测污染迹象。

公理四：压缩公理

• 判定: ✅
• 分数: 8
• 依据: 方法极其简洁：一个 <10KB 的 Markdown 文件，forward-pass-only 优化，zero parameters added to inference path。与 FT/LoRA/soft prompt 对比（Table 2）清晰展示了用更少任意性换来更多解释力。核心洞察”restraint is the operative skill”是一个可迁移的反直觉经验规律：corrector 最该学的是何时不改。listener-thinker 格式将 ASR-LM cascade 和 SpeechLM 统一为一个 type（Table 1），有 problem reframing 价值。ρ 和 HER 两个指标压缩了”correction 质量”这一此前模糊的概念。命名无膨胀：”Voice Memory” 准确描述了对象，”listener-thinker” 虽类比前沿 interaction model 但有明确数学定义。
• Wiki 证据: OMC wiki 无记录。free-search 确认 TextGrad [62]、OPRO [58]、SkillOpt [59] 是 text-space optimization 先驱，Voice Memory 将其应用于 ASR correction 这一新对象，是合理的领域迁移而非简单换名。

公理五：效用公理

• 判定: ⚠️
• 分数: 6
• 依据: 绝对指标：weighted WER 8.36%→7.52%（MiniMax-M3, Table 3）/ 8.36%→7.47%（Qwen3-30B + few-shot, Table 9），在 ASR 领域是可用水平的改善。相对提升：ATIS 8.40→3.40（Table 9）/ 7.9→4.9（Table 3）是大幅提升；CHiME-4 12.69→10.46 也是显著改善。无 dataset 回归到 1-best baseline 以下——这是重要正面信号。但缺口在于：(1) 比较对象主要是 GER / few-shot GER，未与 contextual biasing 方法（CLAS [39], trie-based deep biasing [29]）在相同 ATIS 等domain 上直接比较 WER，这些是经典强 baseline；(2) Table 3 中 VM 在 ls_clean (1.8→1.9)、td3 (4.1→4.2) 仍轻微回退，虽 ϋ 制标为负但绝对值小；(3) 翻译实验仅 40 utterance × 4 direction，证据强度不足以支撑”general recipe”的 claim；(4) 与 RobustGER 的比较（§6）基于 1-best WER 对齐 0.1 point 声称”comparable”，但未直接比较 RobustGER 的 correction 后 WER，只比较了 VM 自己的数字。
• Wiki 证据: OMC wiki 无记录。free-search 确认 HyPoradise 和 RobustGER 为该领域标准 benchmark。paper-wiki 无收录。free-search 找到 “Failing Forward: Improving GER for ASR with Synthetic Data and Retrieval Augmentation” 和 “Lexical Error Guard” 等近期工作未在论文中作为 baseline 比较。

公理六：新颖性公理

• 判定: ⚠️
• 分数: 5
• 依据: 核心机制是已有方法的组合：(A) text/prompt optimization（TextGrad [62], OPRO [58], SkillOpt [59]）+ (B) ASR-LM GER framework（HyPoradise [6], GER [57]）+ (C) act/abstain decision（agentic AI 通用模式）。每个组件单独看都不新。组合后的真实增量在于：将 text-space optimization 应用于 ASR correction 这一新对象，并发现”restraint”是 emergent policy——这个经验发现是新的。但问题在于：(1) “Evolutionary Prompt Design for LLM-Based Post-ASR Error Correction”（OpenReview, 同一作者 Rithik Sachdev + Chao-Han Huck Yang）已经做了 prompt design for ASR correction，本文的 text memory optimization 与之高度重叠，论文未引用或区分这项工作；(2) listener-thinker 架构本质上是 ASR-LM cascade + 外部 text prompt + async optimizer，与标准 prompt engineering + validation-gated selection 相比，架构层面的新颖性有限，主要是叙事层面的 reframing；(3) “memory.md” 本质是 prompt，”thinker” 本质是 prompt optimizer，命名虽然类比 frontier interaction model 但未引入新机制。
• Wiki 证据: OMC wiki 无记录。free-search 发现同一作者群的 “Evolutionary Prompt Design for LLM-Based Post-ASR Error Correction” (OpenReview zgxrEl5nKU) 是高度相关 prior work，论文未引用。TextGrad/OPRO/SkillOpt 作为 text optimization 先驱已在论文 ref 中但作为组件来源而非 novelty 来源讨论。

公理七：可复现公理

• 判定: ✅
• 分数: 8
• 依据: 论文提供了开源 agwer 包 (PyPI, MIT license) 用于 WER/HER 计算。corrector 使用 open-weight 模型（MiniMax-M3 on HuggingFace, Qwen3-30B-A3B open）。Algorithm 1 给出完整优化伪代码。Appendix A 给出超参数（4 epochs, batch 24, selection 80, lr 4, cosine decay floor 2）。HyPoradise 数据集公开。memory.md 内容有示例（§3.2）。Appendix B 用第二个 open corrector (Qwen3) 复现了核心效果。demo 和 example code 声称提供。缺口：MiniMax-M3 需要较大推理资源（428B params），Claude-4.6-Sonnet 为闭源 API（Table 5），但 Claude 实验为辅助性 cross-corrector 验证而非核心结果。
• Wiki 证据: OMC wiki 无记录。论文自述代码和 demo 已提供，agwer 已发布 PyPI。

日报摘要

• Strength: Voice Memory 用 <10KB 文本记忆实现 inference-only ASR correction，在 HyPoradise 10 域上将 weighted WER 从 8.36% 降至 7.52%，ATIS 从 8.40% 降至 3.40%，且无任何数据集回归低于 1-best baseline；核心发现”restraint is the operative skill”由 HER 从 0.64 降至 0.35 量化支撑。
• Weakness: 核心机制是 text-prompt optimization + GER cascade 的组合，与同一作者群的 “Evolutionary Prompt Design for Post-ASR Error Correction” 高度重叠且未引用；缺少 confidence-threshold abstain 最简 baseline 和 contextual biasing 强 baseline 的直接比较；翻译实验仅 40 utterance，不足以支撑 “general recipe” claim。

总评

• 科学价值: 中 — “restraint as emergent policy” 是可靠且可迁移的经验发现，ρ/HER 指标有诊断价值；但因果识别缺少最简 abstain baseline，跨模型实验样本量不足。
• 方法价值: 中 — 方法极其简洁（<10KB, zero param, forward-only），工程实用性强；但组件均为已有方法迁移组合，架构新颖性有限。
• 社区价值: 中 — ASR-LLM cascade 的 inference-only adaptation 路径对部署有实际价值，agwer 工具开源；但未与 contextual biasing 主线 baseline 直接比较，社区采纳需更多 head-to-head 证据。

打分

加权总分: 6.32/10（加权分之和 63.0 / 权重之和 9.5） 最终建议: Borderline 5-6.5

审查说明：

• OMC wiki_query 四次查询全部返回空结果（wiki 无该领域记录）。
• paper-wiki search 四次（concept + dataset）全部返回空（无输出）。
• free-search 五次查询成功，返回 HyPoradise 原始论文、RobustGER、”Evolutionary Prompt Design for Post-ASR Error Correction”、”Failing Forward” 等相关工作。
• 论文全文通过 curl 下载 arXiv PDF (819KB, 17 pages) 后 pdftotext 转文本读取，非摘要截断。
• WebFetch 对 arxiv.org 失败（域名安全验证失败），改用 curl+pdftotext 成功获取全文。
• 未执行 wiki_ingest 写回（按要求跳过 Step 5）。