我已经有了足够的证据。现在让我根据收集到的所有证据，产出最终的审稿意见。

Paper Review: Towards More Expressive Spoken LLMs: Fine-Grained Intent Benchmarking and Acoustic-Lexical Decoupled Policy Optimization

论文类型: Benchmark 型 + 方法型（双贡献）

本文同时提出 ParaIntent benchmark 和 ALPO 训练方法。审查按双贡献处理，benchmark 部分用 benchmark 型尺子，方法部分用方法型尺子。

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——spoken emotional dialogue 中 explicit/implicit intent 的区分——是真实存在的问题。prosody neutralization 实验（Table 4）提供因果证据：implicit 样本 IF 在去韵律后下降 39.52–41.08 分，explicit 仅下降 14.52–18.32 分，证实 implicit intent 确实依赖 paralinguistic cues。14 个 intent 类别 under 4 communicative goals 操作化定义清晰，每个类别有明确 response objective 和 target emotion。benchmark 的场景（adversarial interaction / distress support / functional assistance / social expression）覆盖真实对话需求，非边缘场景。claim 外延（single-turn Chinese）与实验范围一致。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 检索到 ParaS2S (2511.08723) 研究.paralinguistic-aware speech-to-speech，WavAlign (2604.14932) 研究 intelligence+expressiveness，URO-Bench (2502.17810) 覆盖 spoken dialogue 但”lacks implicit-intent scenarios”——本文明确指出此 gap 并填补，对象真实且有社区价值。

公理二：识别公理

• 判定: ⚠️
• 分数: 6
• 依据: 论文设置了合理的对比：GRPO（shared advantage, ParaS2S-style）、Hybrid SFT-GRPO（text-only RL, WavAlign-style）、DPO、SFT，且 GRPO 和 ALPO 使用 identical rewards，隔离了 policy optimization 策略这一关键变量。ablation（Table 5）分解了 independent normalization vs. token-specific routing，证明仅 independent normalization 不足，routing 是关键。但存在缺口：(1) 缺乏最简 baseline——未报告 plain SFT with reward-guided data filtering 或简单 reward weighting sweep 的完整 Pareto 前缘（Figure 3 right 只展示了 6 个 λ 点）；(2) 所有方法共享同一 backbone (Step-Audio-2-mini) 和同一数据，未验证 ALPO 是否跨架构有效（作者在 Limitations 中承认）；(3) 单次运行无 seed 重复，无法评估方差。
• Wiki 证据: paper-wiki 中 GDPO (2601.05242) 已证明”GRPO collapse”问题——直接对 combined reward 做 GRPO 会导致 advantage collapse。本文的 GRPO baseline 是否受此影响未讨论。paper-wiki 中 WavAlign 记录显示”gradient-energy imbalance”是已知问题，本文 ALPO 的 gradient norm ratio 改善（0.69→1.12）与 WavAlign 的发现方向一致但未引用对比。

公理三：独立性公理

• 判定: ⚠️
• 分数: 5
• 依据: 存在多层循环风险：(1) 数据生成与训练闭环——GLM-5 同时用于生成 ParaIntent 训练数据（user queries + response texts）和计算 textual reward R^txt 及 IF 评测。作者声明 DeepSeek-V4-Pro 用于 RQ 评测且”not involved in data construction, reward computation, or training”，这部分独立。但 R^txt（训练 reward）和 IF 都来自 GLM-5，而 GLM-5 也是数据生成器，构成训练-评测闭环。(2) ES 与 acoustic reward 对齐——作者明确承认”ES remains optimization-aligned with the acoustic reward”，即 ES 指标与训练 reward R^sp 直接对应。虽然作者用 Spearman ρ=0.681 的人类校验和 human ratings 补充，但核心自动指标中 ES 的提升不能作为独立证据。(3) 主观评测——Gemini-3.1-Pro pairwise 和 human ratings 提供了一定独立性，但 human rating 仅 50×2 样本，规模偏小。综合判断：RQ 和 human rating 是独立锚点，IF/ES 有循环风险，整体属于 major but not fatal。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 中 ParaS2S 也使用”pipeline-based automatic evaluator”做 RL 训练 judge，存在类似循环问题，本文至少引入了 held-out DeepSeek-V4-Pro 做部分独立评测，略优于 ParaS2S。

公理四：压缩公理

• 判定: ✅
• 分数: 8
• 依据: ALPO 的核心 idea 高度简洁——将 sequence-level shared advantage 分解为 per-reward-type advantage 并 route 到对应 token subset。公式 5-7 清晰，仅增加 normalization 和 routing 两个操作，无额外模块、无额外超参（相比 GRPO 不增加可调参数）。问题 reframing 有价值：将 GRPO 的 cross-type credit assignment 问题显式化（公式 4 的分解），并通过 token partition 消除。与 GDPO/DVAO 的区别清晰：GDPO 仅独立 normalization 但 advantage 仍 applied to all tokens，ALPO 进一步做 token-specific routing。ablation（Table 5）证明 routing 是必要组件。命名无膨胀——ALPO 准确描述了方法。
• Wiki 证据: paper-wiki 中 GDPO (2601.05242) 做了 independent normalization 但未做 token routing，本文在此基础上前进一步且验证了 routing 的必要性。WavAlign 做的是 hybrid SFT-GRPO（text RL + speech SFT），本质上回避了 speech RL 而非解决 credit assignment，ALPO 选择了更 principled 的路线。

公理五：效用公理

• 判定: ⚠️
• 分数: 6
• 依据: 绝对指标方面，SFT 后所有 fine-tuned variants 在 IF 上均达 87-94 分（synthetic），说明 task 已接近饱和，ALPO 的边际提升（92.28 vs GRPO 91.99）幅度小。ES 上 ALPO 从 49.37→51.92（+2.55），human-recorded 48.73→51.25（+2.52），相对提升约 5%，绝对值仍在 50/100 左右，距离”可用”尚远。主观评测中 human rating 4.78/5（synthetic）和 4.72/5（recorded）较高，但仅 50 样本 × 5 annotators，统计可信度有限。baseline 覆盖度方面：对比了 4 个 open-source models 和 5 个 fine-tuned variants，但未对比 ParaS2S 和 WavAlign 的原始模型/原始实现，仅在自有 backbone 上复现其策略——这种”策略复现”对比可能不公平。ALPO 声称”best subjective results among fine-tuned variants”但 Gemini win rate 61.13 vs GRPO 61.02（text）差异极小，可能在噪声范围内。作者诚实讨论了 ES 与 reward 对齐的限制。
• Wiki 证据: paper-wiki 中 ParaS2S 声称”state-of-the-art performance on ParaS2SBench”，WavAlign 声称”consistent gains in semantic quality and acoustic expressiveness”。本文未与这两个方法的原始 benchmark/原始模型直接对比，仅在自有 setup 上比较策略变体，削弱了效用证据的跨 setup 可比性。

公理六：新颖性公理

• 判定: ⚠️
• 分数: 5
• 依据: 两个贡献分别审查：(1) ParaIntent benchmark——14 类 intent + explicit/implicit 区分 + multidimensional eval，有一定新颖性。但 explicit/implicit intent 的概念在语用学中已有 long history，paper-wiki 显示 SD-Eval、EchoMind、CP-Bench、DeepDialogue、URO-Bench 已覆盖 paralinguistic/emotional spoken dialogue evaluation。ParaIntent 的增量在于 explicit/implicit 平衡设计和 14 类 fine-grained taxonomy，但缺乏证据表明该 taxonomy 比已有 benchmark（如 SD-Eval 的 emotion categories）带来本质不同的模型能力诊断。(2) ALPO 方法——token-specific advantage routing 是 GRPO 在 multi-modal token 场景的自然推广。GDPO (2601.05242) 已做 independent normalization，DVAO (2605.25604) 做 variance-adaptive weighting，ALPO 的增量仅在于”routing advantage to corresponding token subset”这一步。虽然 ablation 证明这一步有效，但该 idea 的技术含量不高——本质上是 per-token-type mask × per-reward advantage，属于工程层面的 credit assignment 细化，非机制创新。综合：benchmark 有中等新颖性，方法新颖性弱。
• Wiki 证据: paper-wiki 确认 GDPO 已发表 independent reward normalization（”resolves the GRPO collapse issue by decoupling the normalization”），ALPO 的 incremental 贡献仅限于 routing。ParaS2S 和 WavAlign 已分别探索了 shared-advantage GRPO 和 text-only RL for speech dialogue，ALPO 处于两者的中间地带。

公理七：可复现公理

• 判定: ⚠️
• 分数: 5
• 依据: 论文未提及代码开源、模型 checkpoint 发布或评测脚本公开。数据方面，ParaIntent 依赖 GLM-5（闭源？）生成文本和 IndexTTS2 合成语音，human-recorded test set 的采集协议有描述但数据是否发布未说明。训练细节方面，提到”identical rewards and training budgets”和”single run”但未给出 hyperparameter 完整配置（learning rate, batch size, G, ε, training steps 等）。评测依赖 GLM-5、DeepSeek-V4-Pro、Gemini-3.1-Pro、MiDashengLM——多个闭源/外部模型，独立复现成本高。reward 设计的 prompt 未公开。整体：关键资源是否开源不明确，评测依赖多个外部模型，复现难度较高。
• Wiki 证据: paper-wiki 中 ParaS2S 明确承诺”open-source the data, code, and models”，本文未做类似承诺，可复现性弱于同类工作。

总评

• 科学价值: 中 — explicit/implicit intent 区分有 prosody neutralization 实验支撑，ALPO 的 credit assignment 改进有 ablation 和 gradient analysis 支撑，但核心指标存在循环风险。
• 方法价值: 中 — ALPO 简洁且 ablation 清晰，但技术增量（token-type routing）是 GRPO 的自然推广，新颖性有限。
• 社区价值: 中 — ParaIntent 填补了 Chinese spoken emotional dialogue 的 explicit/implicit benchmark gap，但若不开源，社区价值大打折扣。

日报摘要

• Strength: ALPO 通过 token-specific advantage routing 使 GRPO 在 ES 上提升 +2.55（synthetic）/ +2.52（human-recorded），gradient norm ratio 从 0.69 平衡至 1.12，ablation 证明 routing 是关键组件。
• Weakness: GLM-5 同时用于数据生成、训练 reward（R^txt）和 IF 评测形成闭环，ES 与 acoustic reward 直接对齐，且未与 ParaS2S/WavAlign 原始实现直接对比，核心自动指标独立性不足。

打分

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 5-6.5