重要发现：arXiv:2607.26874 (Rigaud et al., 2026-07-29) ——《Detection of AI-generated stems within hybrid human-AI music》——这是一篇并发工作（于 2026 年 7 月 29 日发布，而本论文发表于 2026 年 8 月 7 日——仅相隔 9 天）。根据该技能的 2 个月并发工作规则，这不应被视为新颖性扣分。

现在我已经掌握了所需的所有事实依据。让我来汇总最终的审稿意见。我已完整阅读论文全文（HTML 版本：从摘要到参考文献的所有章节），并进行了以下查询：

• OMC Wiki：6 次查询，全部返回无结果
• paper-wiki：4 次查询，全部返回无结果
• free-search：4 次查询，获得了相关结果

现在我将输出最终的结构化审稿意见。

Paper Review: How Much AI Is in This Track? Quantifying the Proportion of AI-Generated Stems in Hybrid Music Mixtures

论文类型: 问题定义型 + 数据型

本论文同时提出一个新任务定义（AI 音乐检测的回归重构）和一个构造受控混合数据集的方法论。核心贡献在于问题重构和方法论设计，而非提出新架构。

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：现实音乐生产中，AI 生成的 stem（鼓、贝斯、人声等）与人类演奏的 stem 混合在同一 track 中，而当前检测系统只能做二元分类（全 AI 或全人类），无法量化混合内容中 AI 的比例。这一问题有明确的现实驱动力：(1) Deezer 报告 AI 音乐已占日上传量 50% 以上 [ref 24]；(2) 97% 的听众无法区分 AI 与人类音乐 [ref 23]；(3) EU AI Act Article 50 要求 AI 生成内容披露 [ref 22]。论文提出了可操作化的定义——AI energy ratio α = Σ RMS(s_i∈A)² / Σ RMS(s_i)² ∈ [0,1]，将 AI 比例定义为 AI stem 能量占总能量的比例。这个定义清晰、可计算、可验证。论文明确声明研究对象是 codec reconstruction artifact（非 generator output），并在 Section 6 诚实地讨论了这一限制。问题外延与实验验证范围基本一致：论文不声称解决商业生成器（Suno、Udio）的检测问题，而是建立受控基础。
• Wiki 证据: OMC Wiki 无记录（6 次查询均返回空）。free-search 确认无先前工作研究 AI 音乐混合内容的比例量化问题。在语音 deepfake 领域有 “partially spoofed audio’ 检测（定位篡改区域），但那是定位问题而非连续比例回归，属于不同任务。ArtifactNet (arXiv:2604.16254, 2026-04) 做的仍是二分类检测。并发工作 Rigaud et al. (arXiv:2607.26874, 2026-07-29) 也研究 hybrid human-AI music 中的 stem 检测，但时间差仅 9 天，视为 concurrent work，不扣分。

公理二：识别公理

• 判定: ⚠️
• 分数: 6
• 依据: 论文在变量隔离方面做得较好：(1) 二分类器和回归模型使用相同 CNN backbone，仅输出层和损失函数不同（sigmoid+BCE vs sigmoid+MSE），公平对比；(2) 训练/验证/测试按 track 级别分割，防止内容泄漏；(3) fakeprint 分析直接从 stem 计算频谱伪影，独立于模型，验证了乐器级灵敏度的因果来源是 codec artifact 的频率分布而非模型因素。但存在缺口：(1) 缺少最简 baseline——未尝试简单的能量加权频谱特征回归（如直接在 fakeprint 频谱峰值强度上做线性回归），只比较了 CNN 二分类器（隐式估计）和 CNN 回归器，无法判断 CNN 架构本身是否必要，还是简单频谱特征已足够；(2) 仅使用 EnCodec 3kbps 一种 codec、一种 bitrate，无法隔离 codec 架构变量对结论的影响；(3) 240 tracks / 24 test tracks 的规模较小，结论的统计可靠性未讨论。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 无记录。free-search 确认 Afchar et al. [1,2] 是当前 SOTA 二分类检测器，论文正确复现并作为 baseline 使用。SpecTTTra (Rahman et al., ICLR 2025) 是另一个强 baseline 但论文未与之比较——不过 SpecTTTra 也是二分类器，与回归任务不直接可比。

公理三：独立性公理

• 判定: ⚠️
• 分数: 5
• 依据: 这是本文最需要关注的问题。训练数据和评测数据来自同一 pipeline：AI stems 通过 EnCodec 编码-解码人类 stems 产生，训练混合物和测试混合物都来自 MoisesDB 的 240 tracks 的同一组合生成流程。虽然 track-level 分割防止了内容泄漏（同一 track 的所有 mixtures 在同一分区），但评测仍存在以下循环风险：(1) AI stems 是 codec 重建而非真实生成器输出，artifact 类型单一（transposed convolution 频谱峰值），训练和测试的 artifact 来源完全相同——模型可能只是在学习 EnCodec 特定 stride 产生的固定频率峰值，而非可泛化的 AI 音乐特征；(2) 作者在 Section 6 承认这一点，但这是核心结论的局限：MAE=0.076 和 R²=0.85 仅在同 pipeline 的 held-out mixtures 上验证，未跨 codec、跨生成器、跨数据集验证。论文缺乏任何独立评测锚点——没有人类标注的混合比例 ground truth，没有使用不同 codec 的交叉验证，没有在真实 AI 生成 stem（如 Diff-A-Riff 输出）上的测试。这属于 major 级别的循环论证风险：核心训练目标和评测来自同一 artifact 来源，主结论（回归优于二分类）依赖这个闭环。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 Cros Vila et al. [5] 已证明二分类器在不同生成平台间无法泛化（platform-specific bias），这进一步强化了对本文结论泛化性的担忧。论文未引用或讨论这一泛化性证据对回归设置的影响。

公理四：压缩公理

• 判定: ✅
• 分数: 8
• 依据: 论文在方法简洁性上表现良好：(1) 回归模型仅将二分类器的输出层从 sigmoid+BCE 改为 sigmoid+MSE，其余架构完全相同，这是最小改动；(2) 问题重构本身是核心压缩价值——从二分类到连续回归，一行公式（Eq. 1）定义了新目标，不需要额外模块或复杂管道；(3) 组合 mix 生成方法论（2^n 个配置）简洁且覆盖密集；(4) fakeprint 分析复用已有方法（Afchar et al. [1]）而非提出新工具。没有命名膨胀——”AI energy ratio α” 是清晰可操作的术语，不是模糊概念包装。论文没有添加不必要的模块或装饰。
• Wiki 证据: OMC Wiki 无记录。free-search 确认论文各组件（EnCodec、CNN backbone、fakeprint 分析）均来自已有工作，论文的创新在于重构和组合方式，而非发明新模块。

公理五：效用公理

• 判定: ⚠️
• 分数: 6
• 依据: 绝对指标方面：MAE=0.076、R²=0.85、Pearson r=0.93 在 α∈[0,1] 尺度上是合理的初步结果——平均误差约 7.6% 的 AI 比例估计。但关键问题在于：(1) 评测仅在 held-out mixtures from the same pipeline 上进行，没有跨 codec、跨数据集、跨生成器的外部验证。二分类检测领域已证明跨平台泛化是核心挑战 [5]，论文未验证回归设置是否同样面临此问题；(2) 二分类器作为隐式 α 估计器表现极差（R²=-0.85），这一结果虽然支持回归训练的必要性，但也表明二分类器在混合内容上的输出基本无信息——这个结论的实用价值有限，因为没有人会真的用二分类器做比例估计；(3) 24 个 test tracks 的规模偏小，MAE 和 R² 的置信区间未给出；(4) 边界压缩问题（预测在 α≈0 时 floor 至 0.05-0.10，α≈1 时 ceiling 至 0.85-0.95）虽然论文诚实讨论，但对于实际部署（如判定是否超过某个 AI 比例阈值），这种系统性偏差是实际问题。对于问题定义型论文，效用标准侧重问题广泛性和社区价值——问题确实广泛存在（50%+ 的上传量涉及 AI），但论文仅展示了 controlled setting 下的初步可行性，距离可用工具还有显著差距。
• Wiki 证据: OMC Wiki 无记录。free-search 确认当前 AI 音乐检测 SOTA（Afchar et al. >99% 二分类准确率、SpecTTTra 97% F1）均为二分类，无回归基线可比。论文的回归 baseline 是该任务的首个结果，因此无可比 SOTA，但这也意味着效用判定只能基于绝对值和内部一致性，而内部验证的闭环问题是主要隐患。

公理六：新颖性公理

• 判定: ✅
• 分数: 8
• 依据: 新颖性是真实的增量贡献：(1) 将 AI 音乐检测从二分类重构为连续比例回归——free-search 确认这在 AI 音乐检测领域是首次。语音 deepfake 领域有 partial manipulation detection（定位篡改区域），但那是离散定位任务而非连续比例回归，属于跨任务类比而非直接迁移；(2) 组合 mix 生成方法论（2^n 配置、energy-weighted α）是新的数据构造方式，且 codec-agnostic 和 corpus-agnostic 的设计增加了方法论的可迁移性；(3) 乐器级检测灵敏度分析（drums/guitar vs vocals/bass）和 fakeprint 频率解释是新的经验发现，可迁移到其他 codec。论文不是简单组合已有模块——核心创新是问题重构（从 binary 到 regression），这改变了任务的输出空间和评测方式。并发工作 Rigaud et al. (arXiv:2607.26874, 2026-07-29) 也研究 hybrid music 中的 AI stem 检测，但时间差仅 9 天，视为 concurrent work，不影响新颖性判定。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 无记录。free-search 确认无先前工作将 AI 音乐检测重构为连续比例回归。ArtifactNet (arXiv:2604.16254) 做的是二分类检测。Rigaud et al. (arXiv:2607.26874) 是 concurrent work。论文声称的 ‘first’ 成立。

公理七：可复现公理

• 判定: ✅
• 分数: 8
• 依据: 论文在可复现性方面表现良好：(1) 发布了公开 Python 库 ARIA (https://github.com/fergarciadlc/aria)，可从 MoisesDB 构造混合数据；(2) 使用公开数据集 MoisesDB [17] 和 FMA-Medium [6]；(3) 使用公开 codec EnCodec [7]；(4) 训练细节充分：STFT 参数（2048 窗口、512 hop）、5 秒窗口、track-level 80/10/10 分割、sigmoid+MSE 损失均明确说明；(5) 二分类器复现 Afchar et al. [2] 的方法并验证准确率（99.97%），确认复现质量；(6) 不依赖闭源 API 或模型。主要限制：MoisesDB 需要许可（非完全公开），EnCodec 特定 stride 参数未在论文中列出（需查阅 EnCodec 原始论文），但这些不影响核心可复现性。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 EnCodec、MoisesDB、FMA 均为公开资源。代码库 ARIA 在 GitHub 公开。

总评

• 科学价值: 中 — 问题重构真实且有意义，但核心结论（回归优于二分类的比例估计）仅在单一 codec、单一 bitrate、同 pipeline 的 held-out 数据上验证，缺乏独立评测锚点和跨条件泛化证据，限制了结论的科学可靠性。
• 方法价值: 高 — 组合 mix 生成方法论简洁、可迁移（codec-agnostic、corpus-agnostic），配套代码库降低了社区跟进门槛。问题重构（binary → regression）是方向性贡献。
• 社区价值: 高 — 首次将 AI 音乐检测从二分类推向连续比例量化，回应了真实生产场景（stem 级 AI 集成）和监管需求（EU AI Act）。方法论和代码库为后续研究提供了可扩展的基础设施。

日报摘要

• Strength: 首次将 AI 音乐检测从二分类重构为连续比例回归（α∈[0,1]），提出 codec-agnostic 的组合混合生成方法论，在同 pipeline held-out 测试中达到 MAE=0.076、R²=0.85，并发现乐器级检测灵敏度差异源于 codec artifact 的频率分布。
• Weakness: 核心结论仅在单一 codec（EnCodec 3kbps）、同 pipeline 的 24 个 held-out tracks 上验证，无跨 codec/生成器/数据集的独立评测锚点，而二分类检测领域已证明跨平台泛化是核心挑战。

打分

加权总分: 6.6/10（加权分之和 66.0 / 权重之和 9.5） 最终建议: Weak Accept