我已从 arXiv HTML 读取了完整论文，并对现有的基线进行了 Wiki/论文库/自由搜索的事实锚定。现在输出完整的评审意见。

Paper Review: Agogic: Performance-Timed Music Tokens for LLM-Native Text-to-Symbolic-Music Generation

论文类型: 分析型（兼 benchmark 型与数据型）

论文核心是一个受控表示交换实验（固定 backbone/数据/budget/decoding，仅替换 tokenization），得出”表示 > 模型规模”这一可迁移经验规律，同时附带一个评测 harness、两个数据集和一个 imprinting 诊断。主轴是分析型；次要轴是 benchmark/数据。审稿按分析型 + benchmark 型标准施加。

公理审查结果

公理一：对象公理 — 论文研究的对象是否真实

• 判定: ✅
• 依据: 对象是”music tokenization 对生成分布保真度的影响”。这是真实且长期被忽略的变量：现有工作（REMI/TSD/ABC/MIDI-Like）各选一种表示但从未在受控条件下隔离比较。问题定义清楚：(c, y, R) 三元组与 R⁻¹ 可操作化定义（公式 1-3）。指标 FMD（CLaMP-2）是领域已有 metric（Retkowski et al. 2024, arXiv:2412.07948），不是论文自己发明的 proxy。外延与验证范围一致：作者明确声明效应是”distributional”而非”audible”，且预注册人类实验尚未完成——claim 边界诚实。社区价值高：表示选择是任何”LLM 扩展到新模态”必须做的决策，论文给出的经验规律对音乐之外的向量路径/角色 rig/4D 场景等有迁移意义。
• Wiki 证据: OMC wiki 无记录。paper-wiki 无 music 相关条目。free-search 找到 FMD 原论文 (arXiv:2412.07948)、Fradet et al. 2023 ISMIR（within-family tokenization 对比）、以及 FMD-sensitivity GitHub 仓库确认 REMI/TSD/MIDI-Like 四种 tokenization + 六种 embedding 的系统研究存在，但都是 within-family 或非 text-conditioned，论文的 cross-family + text-conditioned + ceiling-anchored 位置确实空白。

公理二：识别公理 — 是否识别了真正有效的原因

• 判定: ✅
• 依据: 这是我见过的识别控制最严密的音乐生成论文之一。固定变量：backbone（Qwen3.5 全家族 0.8B-27B）、数据（86.6k 四模态对齐集，frozen splits, seed 42）、budget（10k steps, batch 16, lr 8e-5, bf16, block 1024）、decoding（temp 0.95, top-k 60, music-range constrained）。唯一变化：R。八个 controls 逐步定位效应：(a) 26M from-scratch on MAESTRO 排除 web pretraining prior（PMT 125.1 vs REMI 344.4）；(b) 第二个 performance-resolution tokenizer (PerTok) 复现排序，证明是 class 不是 one vocabulary；(c) coarse-quantization 控制显示 FMD gap 在 snapping 到共同 60ms grid 后仍存 ≈67 分（n=500），排除 finer-lattice artifact；(d) velocity 在所有 arm 都 held at 32 levels，隔离 timing quantization；(e) dropping velocity ablation 显示 FMD 106.1→697，证明 performance fields load-bearing；(f) recipe ablation（unmasked caption loss / unconstrained decoding）不变排序，排除 recipe 驱动。最简 baseline 存在：ABC-as-text 是文本 LLM 最自然的表示。公平比较：所有表示通过 MidiTok 同一 base configuration，32-level velocity。这是教科书级的因果识别设计。
• Wiki 证据: OMC wiki 无 tokenization ablation 经验记录。free-search 确认 Fradet et al. 2023 ISMIR 做 within-family swap（TSD vs REMI vs Octuple）但未跨 family 且非 text-conditioned；FMD-sensitivity repo 研究 FMD 对 tokenization 的敏感性但非生成质量。论文的 controlled swap 是这一线的 first cross-family extension，识别强度超过 prior work。

公理三：独立性公理 — 证据是否独立于结论构造过程

• 判定: ⚠️
• 依据: 主要弱点在评测闭环。FMD 用 CLaMP-2 计算，CLaMP-2 是一个预训练音乐 embedding 模型 (Retkowski et al. 2024)，论文未训练它，这部分独立。但 ceiling anchoring 的 ceiling 用 R⁻¹∘R round-trip 定义，而 R 是论文自己设计的 PMT——PMT 的 ceiling 自然更高（39.1% vs 35.5%），因为 PMT 保留了更多信息。作者用 attainment = m(Ŷ)/ceil_R(m) 来”normalize”，但这只 normalize 了 format expressiveness，不 normalize “PMT 的设计者也是实验的设计者”这一结构性偏向。更重要：caption 由 Qwen3-Omni-30B 生成（论文明确说”machine-generated by a single captioner”），而 backbone 也是 Qwen3.5 家族——虽然不是同一模型，但同家族训练数据可能有重叠。imprinting diagnostic 的”72% vs 71%”发现本身是独立的（用 disjoint domains 测），但 PMT 在 MidiCaps 上 zero-shot 表现好（FMD 196）可能部分因为 Qwen 对 Qwen 生成 caption 的隐含熟悉。人类实验 pre-registered 但未完成，当前无独立人类锚点。auto listener (Qwen3-Omni-30B) 作为 judge 又是 Qwen 家族，且作者自己说”weak proxy, p=0.07”，不构成强独立证据。
• Wiki 证据: OMC wiki 无 judge 独立性经验。free-search 确认 CLaMP-2 是第三方发布 (arXiv:2412.07948)，不是论文自训，这是正面信号。但 captioner + backbone + listener 同家族（Qwen3）这一闭环论文未充分讨论。

公理四：压缩公理 — 是否用更少任意性换来更多解释力

• 判定: ✅
• 依据: 论文的核心贡献是一个可压缩的经验规律：”representation Pareto-dominates model scale for distributional fidelity”。这个规律将一个高维设计空间（backbone × data × recipe × representation）压缩为一个 ranking：representation > scale，且 34× 参数增加不逆转排序。PMT 本身简洁：609 symbols，≈4 tokens/note，单一 flat stream，无需 multi-head 架构，recipe 是 single-stage SFT 无 RL/auxiliary loss。没有命名膨胀——”Agogic”是项目名，”PMT”是 tokenizer 名，二者分明。论文没有堆叠模块（不像 MuseTok 用 RQ-VAE，不像 Pianoroll-Event 混合 frame + event）。一个反直觉的可靠规律 + 极简实现 + 跨 backbone 转移 = 高压缩价值。次要贡献（imprinting diagnostic）也是压缩：把”text-to-MIDI 系统的 caption adherence 评测”压缩为”两个 disjoint domain 上的 chord-time 差是否 <1pp”这一个诊断指标。
• Wiki 证据: OMC wiki 无相关压缩经验。free-search 确认现有 tokenization 论文（Fradet 2023, BPE 2023）聚焦 within-family encoding 效率，未提升到”representation vs scale”这一压缩层级。

公理五：效用公理 — 效果是否在绝对值/相对提升/指标覆盖/baseline 可靠性上同时站得住

• 判定: ⚠️
• 依据: 分维度看：
  • 分布保真度（FMD）：PMT 0.8B = 159，beat grids 272-286，提升 1.7-1.8×，绝对值远低于 real-vs-real floor (43)。这是强结果。0.8B PMT beats 27B beat grid (159 vs 272) 是 headline claim，数据支持。
  • Caption adherence：PMT 弱。CK .10 vs MIDI-LLM .32，IF1 .46 vs MIDI-LLM .63。decode-time constraint 可提升到 .35/.60 但仍未领先 Amadeus (.57/.62) 或 MIDILM (.39/.54)。论文诚实承认”trails dedicated systems”。
  • Public benchmark (Table 2)：PMT 在 MidiCaps FMD 196-211 领先所有 published systems (314-460)，1.5-2.3× 更近。但这是 zero-shot transfer 到别人的训练域，方向有利（PMT 在自己域 FMD 159，到 MidiCaps 196，仅 +37；MIDI-LLM 在自己域 314，到 MidiCaps 也是 314——MIDI-LLM 印迹其训练分布所以两个数字一样，这恰恰是 imprinting diagnostic 的证据）。双向评测是正确的。
  • Audibility：未验证。auto listener p=0.07 不显著。人类实验未完成。这是分布指标 vs 感知指标的 gap，论文诚实标注但确实限制了”效用”的完整判断。
  • Baseline 覆盖：对比了 7 种 tokenization + 6 个 published systems。但未对比 MuseTok (RQ-VAE, Huang et al. 2026) 和 Pianoroll-Event (Qian et al. 2026a) 这两个 very recent learned-code 方法——论文提到它们但未纳入 controlled swap。也未对比 AudioLDM 类 audio 生成器的 symbolic 评测（但作者论证了 audio ≠ symbolic music，合理）。
  • 统计严谨：bootstrap CI 用于 FMD，non-overlapping。但 27B 只有 2 seeds，35B 单 seed。作者标注了 coverage 薄弱。无 per-comparison significance test（作者承认”run no per-comparison significance tests”），靠 large gaps 作为 claim。
• Wiki 证据: OMC wiki 无 SOTA 记录。free-search 确认 Amadeus (ACL 2026, arXiv:2508.20665)、MIDILM (Li et al. 2026)、MIDI-LLM (NeurIPS 2025 workshop, arXiv:2511.03942)、text2midi (AAAI 2025)、ChatMusician、NotaGen (IJCAI 2025) 均为真实 published systems，论文 Table 2 覆盖了主要竞争者。MuseTok/Pianoroll-Event 缺席是 gap 但二者发布时间与本文接近（2026），可视为 concurrent work。

公理六：新颖性公理 — 创新是否真实增量

• 判定: ✅
• 依据: 三个增量各自的真实性：
  • PMT tokenizer：performance-event lineage (Oore et al. 2020) 的扩展，加入 per-note velocity + multi-track + 10ms timing。MIDI-LLM 已有 10ms arrival time 但缺 per-note velocity 和 multi-track。PerTok 有 performance resolution 但 single-track 且 6.8 tokens/note。PMT 的 609-symbol / 4 tokens/note / multi-track / 32-velocity 组合在已 published tokenizer 中无完全重叠。作者明确说”We claim the controlled swap as novel, not the encoding”——这是准确的自定位。tokenizer 本身新颖性中等（增量式），但论文不依赖 tokenizer 新颖性。
  • Controlled cross-family swap + ceiling anchoring：这是核心新颖性。Fradet et al. 2023 做 within-family swap，本文是 first cross-family (performance vs beat-grid vs grouped vs text) + text-conditioned + ceiling-anchored。ceiling anchoring（公式 7）把 format expressiveness 和 model learnability 分离，是评测方法论的真实创新。imprinting diagnostic（72% vs 71% on disjoint domains）是一个可迁移的诊断模式，novel。
  • 数据集：86.6k 四模态对齐集（caption/MIDI/ABC/audio per case）是 first 4-modality aligned corpus；6.25M captioned corpus 是 largest captioned symbolic dataset (37× MidiCaps)。数据规模和模态对齐均为真实增量。
  • 是否只是 A+B+C：不是。PMT 是 A（performance events），但 controlled swap + ceiling anchoring + imprinting diagnostic 是新的实验设计，不是组件拼装。
• Wiki 证据: OMC wiki 无”controlled representation swap”经验记录。free-search 确认：(1) FMD 原论文 (arXiv:2412.07948) 未做 tokenization 对比；(2) Fradet 2023 ISMIR 做 within-family only；(3) FMD-sensitivity repo 研究 FMD 对 tokenization 敏感性但是 analysis 不是 generation quality；(4) 无 prior work 做 cross-family + text-conditioned + ceiling-anchored swap。新颖性真实。

公理七：可复现公理 — 别人能否独立验证

• 判定: ✅
• 依据: 论文承诺释放：(1) harness（训练+评测代码），(2) 25+ checkpoints，(3) PMT tokenizer，(4) 两个数据集（86.6k aligned + 6.25M captioned），(5) 实验配置全公开（frozen splits, seed 42, 10k steps, batch 16, lr 8e-5, bf16, block 1024, temp 0.95, top-k 60）。训练细节充分到可复现：vocabulary extension 用 mean-initialized embeddings，caption-masked loss 公式 5，music-constrained decoding 公式 6。依赖：Qwen3.5 backbone（公开可下载），CLaMP-2（公开），MidiTok（开源）。数据来源：The Session (folk), GiantMIDI, Lakh, jazz——均为公开数据集。caption pipeline 用 Qwen3-Omni（公开模型）。license: CC BY-NC-SA 4.0。不依赖闭源 API。唯一风险：6.25M corpus 的 deduplication against test split 需要验证论文的 dedup 策略是否可独立执行，但论文说”deduplicated against the frozen test split”且提供了 pipeline。人类实验 pre-registered 但未完成——这影响 audibility claim 的可复现性，但论文已声明”report no perceptual result until target sample”，不构成 false claim。
• Wiki 证据: OMC wiki 无可复现性经验。free-search 确认 Qwen3.5、CLaMP-2、MidiTok、MAESTRO、POP909、MidiCaps 均为公开可用资源。论文的复现承诺覆盖代码+数据+checkpoint 三件套，是领域内最高标准。

总评

• 科学价值: 高 — 首次在受控条件下隔离了 music tokenization 对生成分布保真度的影响，得出”representation > model scale”这一可靠、可迁移、反直觉的经验规律，因果识别设计严密。
• 方法价值: 高 — ceiling-anchored evaluation protocol 把 format expressiveness 与 model learnability 分离，imprinting diagnostic 暴露 published systems 的 caption-invariance 问题，二者均为可迁移的方法论贡献。
• 社区价值: 高 — 释放 harness + 25+ checkpoints + 两个数据集（含 largest captioned symbolic corpus）+ PMT tokenizer，为后续 representation claim 提供了可测量的基础设施。CC BY-NC-SA 4.0 许可。

主要缺陷（不致命但限制结论强度）：

1. Audibility 未验证：分布优势是否感知可辨尚无人类证据，auto listener p=0.07 不显著。论文诚实标注，但”representation matters”的最终实用价值仍悬而未决。
2. Captioner-backbone-listener 同家族：Qwen3-Omni 生成 caption + Qwen3.5 backbone + Qwen3-Omni 作为 listener，三者同家族可能构成隐含闭环，论文未讨论这一潜在偏差。
3. Caption adherence 弱：PMT 在 key/tempo/instrument 遵循上落后于 dedicated systems，decode-time constraint 只部分弥合。这意味着 PMT 当前更适合无条件/弱条件生成，text-conditioned 生成仍需后续工作。
4. 统计覆盖：27B 仅 2 seeds，35B 单 seed，无 per-comparison significance test。大 gap 支持主结论但 finer orderings 只是 trends。

日报摘要

• Strength: 受控跨家族表示交换实验证明表示 Pareto-支配模型规模——0.8B PMT (FMD 159) 超过 27B beat grid (FMD 272)，在 26M from-scratch + 第二 tokenizer 上复现，因果识别严密（8 controls），释放 harness/25+ checkpoints/6.25M captioned corpus。
• Weakness: audibility 未验证（人类实验未完成，auto listener p=0.07），caption adherence 弱（CK .10 vs MIDI-LLM .32），captioner-backbone-listener 同为 Qwen 家族构成潜在评测闭环。

打分

加权总分: 7.6/10（加权分之和 75.5 / 权重之和 9.5） 最终建议: Weak Accept