我已获取所有所需的研究数据。以下是我收集到的关键事实：

1. 论文全文: 15 页，已完整阅读。这是一篇方法型论文，提出了一个用于多方言 ASR 的三阶段框架（CPT → SFT → OPSD），并基于 Qwen3-ASR-1.7B 构建。
2. OPSD 来源: [37] = “Self-Distilled Reasoner: On-Policy Self-Distillation for Large Language Models” (Zhao et al., arXiv 2601.18734, 2026 年 1 月)。此外 [1] = Agarwal et al. 的 “On-Policy Distillation of Language Models” (ICLR 2024)。OPSD 是从 LLM 领域向 ASR 的跨领域迁移。
3. 基模型: Qwen3-ASR-1.7B (arXiv 2601.21337)，已在 paper-wiki 中记录，具备强大的普通话能力和部分方言能力。
4. 基线: GLM-ASR-Nano-2512, Fun-ASR-Nano-2512, Qwen3-ASR-1.7B — 均为开源。消融实验：包含/不包含 CPT，对比 OPSD 与 Continued SFT（数据/调度相同）。
5. 数据集: ~100k 小时训练数据，13 个公开/共享测试集 + 18 个内部方言测试集。
6. 关键结果: OPSD 将普通话平均 CER 从 3.40→3.27，方言平均 CER 从 13.16→12.79，内部平均 CER 从 13.30→12.42。而 Continued SFT 会增加普通话 CER (3.40→4.43)。
7. OMC Wiki: 无相关记录（所有查询均返回空）。
8. paper-wiki: 仅找到 Qwen3-ASR (2601.21337)。没有其他相关工作。

现在我将撰写完整的审稿报告。

论文审稿：On-Policy Self-Distillation for Multi-Dialect ASR: Mastering Dialects, Retaining Mandarin

论文类型: 方法型

本文提出一种三阶段框架（CPT → 方言 SFT → OPSD 精炼），用于在保持普通话能力的前提下改进中文多方言 ASR。核心方法贡献是将 on-policy self-distillation 从 LLM 领域迁移到自回归 ASR 精炼，使用 reference transcript 作为 teacher 的 privileged context。

公理审查结果

公理一：对象公理

• 判定: ✅
• 分数: 8
• 依据: 论文研究的对象是真实存在的工程问题：大规模 ASR 模型在普通话上已达到高精度，但方言识别精度仍有限（Qwen3-ASR 方言平均 CER 15.37%，内部方言平均 CER 21.01%），且直接方言 SFT 会显著提升普通话 CER（3.46% → 5.16%）。该 trade-off 在 continual learning 文献中有充分记录，在中文 ASR 场景中有真实应用需求（中国方言区域广泛，real-world speech 中方言普遍存在）。论文操作化定义清晰：CER 作为唯一指标，四个宏平均（Mandarin/Dialect/Internal/Overall Avg.）分别报告，便于检查普通话-方言 trade-off。claim 的外延与实验验证范围一致——论文明确指出 SpeechIO-1 在 OPSD 下仍不如 CPT（0.86% vs 0.71%），未掩盖个别失败。问题涵盖 18 种内部方言 + 5 个公开方言测试集，范围充分。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 找到 Qwen3-ASR (2601.21337) 确认基础模型方言能力有限。free-search 找到 Dolphin-CN-Dialect (2605.08961)、WenetSpeech-Wu 等同期工作确认中文方言 ASR 是活跃研究方向，问题真实。

公理二：识别公理

• 判定: ✅
• 分数: 8
• 依据: 论文做了两个关键消融来隔离变量：(1) Table 7 对比有无 CPT 的方言 SFT，证明 CPT 是稳定普通话-方言 trade-off 的必要前置步骤（无 CPT 时普通话平均 CER 飙升至 5.16%，有 CPT 时为 3.40%）；(2) Table 8 对比 OPSD vs Continued SFT，两者使用相同的 Dref（~5k hours）、相同学习率（1×10⁻⁴）、相同 batch size（512）、相同起始 checkpoint（SFT checkpoint）、相同训练轮数（1 epoch），唯一区别是监督信号（KL distillation vs teacher-forced cross-entropy）。这是一个干净的对照实验，证明 OPSD 的优势来自训练目标而非额外数据或计算。论文还报告所有评测使用相同 greedy decoding 配置，排除了搜索策略差异。三个开源 baseline（GLM-ASR, Fun-ASR, Qwen3-ASR）提供了外部参照。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 确认 Qwen3-ASR 是已知的强 baseline。free-search 找到 HDMoLE (2409.19878) 等使用 LoRA MoE 做方言 ASR 适配的工作，论文未将其作为 baseline，但这些方法解决的是参数效率问题而非训练目标问题，不构成关键遗漏。

公理三：独立性公理

• 判定: ⚠️
• 分数: 6
• 依据: 评测使用 CER 作为唯一指标，基于人工标注的 reference transcript，评测流程标准化（统一全角/半角、去标点、去空格、口语变体归一化），没有使用模型作为 judge，没有 reward-evaluation 重叠。这是独立性方面的正面因素。但存在两个关注点：(1) teacher 和 student 初始化自同一 SFT checkpoint，teacher 使用 reference transcript 作为 privileged context 来生成 soft target——这意味着 teacher 的指导质量直接依赖于 reference transcript 的质量，而 reference transcript 同时也是评测 ground truth 的来源。虽然这不是典型的 reward-evaluation 循环（因为训练 reference 和 test set 是分开的，且有 speaker-level hold-out 和 utterance-level 去重），但 soft target 的质量上限受限于同一标注体系的 transcription 质量。(2) 18 个内部方言测试集的标注来源未详细说明，无法完全排除标注一致性带来的偏差。总体而言，这不是 fatal 循环论证，但 teacher-student 同源 + reference transcript 双重用途值得标注。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 无相关评测方法记录。free-search 未找到独立的关于该评测方法独立性的讨论。

公理四：压缩公理

• 判定: ⚠️
• 分数: 5
• 依据: 三阶段 pipeline（CPT → SFT → OPSD）中，CPT 和 SFT 都是标准做法（continual pre-training 和 supervised fine-tuning），论文未对这两个阶段提出新的方法贡献。核心创新在第三阶段 OPSD。OPSD 本身是从 LLM 领域的 on-policy distillation [1, 37] 迁移而来，论文的主要改动是：(1) 将 teacher 和 student 分离为两个模型副本（原始 OPSD 是单模型双上下文），(2) 使用 reference transcript 作为 teacher 的 privileged context。这两个改动是合理的工程适配，但并未引入新的机制解释或理论压缩。论文没有解释为什么 privileged context 形式（delimiter 分隔的 prompt field）比其他可能的 teacher guidance 方式更好，也没有对比 alternative distillation 目标（如仅使用 soft target 而无 privileged context）。方法整体是 A（on-policy distillation）+ B（privileged context）+ C（CPT/SFT pipeline）的组合，每个组件单独看都是已有技术。论文的压缩价值主要在于经验发现：OPSD 能在不损害普通话的情况下改进方言，而 Continued SFT 不能——这是一个有价值的经验规律，但论文未深入解释为什么 soft target 比 hard CE 更好地保护了普通话能力（仅推测 “soft targets retain more of a capable teacher’s knowledge”）。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 找到 Qwen3-ASR 技术报告，未找到 on-policy distillation 相关记录。free-search 确认 on-policy distillation 源自 Agarwal et al. ICLR 2024 和 Zhao et al. 2601.18734 (Self-Distilled Reasoner, 2026-01)，两者均为 LLM 领域工作。论文 [37] 引用 Zhao et al. 为 OPSD 来源，属同期工作（2026-01 vs 2026-08，差距 7 个月，不算 concurrent）。

公理五：效用公理

• 判定: ✅
• 分数: 8
• 依据: 绝对指标：最终 OPSD 模型在普通话平均 CER 3.27%、方言平均 CER 12.79%、内部方言平均 CER 12.42%——对于中文多方言 ASR 来说，这是一个可用的水平（北方/官话区方言 <6% CER，最难方言 Kejia 28.60%、Chaoshan 25.21% 仍有较大改进空间但已从 60.47%/45.59% 大幅下降）。相对提升：相比基座 Qwen3-ASR，整体平均 CER 从 15.57% → 10.12%（相对降低 35%），内部方言平均从 21.01% → 12.42%（相对降低 41%）。提升广泛存在：OPSD 相比 SFT 在全部 8 个普通话测试集和全部 5 个公开方言测试集上均有改进，18 个内部方言中大部分改进。核心 trade-off 验证成功：OPSD 是唯一在所有四个宏平均上同时降低 CER 的方法，而 Continued SFT 虽然降低方言 CER 但显著提升普通话 CER（3.40% → 4.43%）。baseline 覆盖：三个开源 baseline 提供外部参照，Qwen3-ASR 本身已是开源 SOTA 级别。论文诚实讨论了不足：SpeechIO-1 仍不如 CPT，Shanghai 和 Sichuan 在 SFT 下略优于 OPSD。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 确认 Qwen3-ASR (2601.21337) 是 “state-of-the-art multilingual and dialectal speech recognition” 模型，作为 baseline 合适。free-search 找到 Dolphin-CN-Dialect (2605.08961) 专注于中文方言 ASR，但论文已在 Related Work 中讨论，且 Dolphin 的模型规模和评测范围不同，不构成直接可比 baseline 遗漏。

公理六：新颖性公理

• 判定: ⚠️
• 分数: 5
• 依据: 论文的核心方法 OPSD 是从 LLM 领域迁移而来，论文在 Section 3.4 明确说明 “In the original formulation, a single model acts as both teacher and student with different contexts” 并引用 [37]。论文的改动是：(1) 分离 teacher/student 为两个模型副本，(2) 引入 reference transcript 作为 privileged context。改动 (1) 是工程适配（ASR 序列长，需稳定 teacher），改动 (2) 是利用 ASR 任务有 reference transcript 这一特性——但使用 reference 作为辅助信号在 ASR distillation 文献中并不新颖（teacher-forced training 本就用 reference prefix）。真正的新颖点在于将 on-policy distillation 的思想首次应用于 ASR 的 train-test mismatch 问题，这是一个有意义的跨领域迁移。但论文缺少以下关键论证：(1) 没有对比 OPSD 与 scheduled sampling [6]（论文自己提到的经典方法）在 ASR 上的效果；(2) 没有对比有/无 privileged context 的 OPSD 消融，无法证明 privileged context 的必要性；(3) 没有对比其他 distillation 变体（如 teacher 不加 privileged context 仅用 student prefix 的标准 on-policy KD）。因此，虽然迁移本身有价值，但组件必要性和 synergy 未充分证明。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 找到 on-policy distillation 相关论文 ID 列表 (2605.11739 等) 但未获取详情。free-search 确认 On-Policy Distillation (Agarwal et al. ICLR 2024) 和 Self-Distilled Reasoner (Zhao et al. 2601.18734) 是 LLM 领域的来源工作。论文未对比 scheduled sampling (Bengio et al. NeurIPS 2015) 在同一设置下的效果，这是一个方法论缺口。

公理七：可复现公理

• 判定: ✅
• 分数: 8
• 依据: 论文承诺释放模型权重和评测脚本（GitHub: ASLP-lab/CN-MultiDialect-ASR）。训练细节充分：数据来源和小时数列表（Table 1）、学习率、batch size、GPU 配置（8× NVIDIA RTX A6000, DeepSpeed ZeRO-2, FlashAttention-2）、训练轮数、温度参数（τ=0.8）、refinement 数据选择策略（高 CER 优先、方言小时上限）均有记录。评测流程公开：13 个评测集均为公开或共享数据集，文本归一化流程描述清晰。解码配置统一（greedy decoding）且明确说明。所有 baseline 均为开源模型。唯一不足：内部数据（~34.1k hours）不可公开获取，但论文使用公开测试集验证主要结论，内部数据仅用于补充验证。无闭源 API 依赖。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 确认 Qwen3-ASR 在 Apache 2.0 下开源，作为基础模型可复现。

总评

• 科学价值: 中 — 论文提供了一个干净的经验对比（OPSD vs Continued SFT under matched settings），证明了在 ASR refinement 中 soft distillation 比 hard CE 更好地保护已有能力。但缺乏对 privileged context 必要性的消融和对 scheduled sampling 等替代方案的比较，限制了因果识别的完整性。
• 方法价值: 中 — 将 on-policy distillation 从 LLM 迁移到 ASR 是合理的，reference transcript 作为 privileged teacher context 是一个有意义的适配。但方法整体是已有技术的组合（CPT + SFT + on-policy KD），每个组件的非替代性未完全证明。
• 社区价值: 中高 — 中文多方言 ASR 是活跃且有价值的研究方向，论文覆盖 18 种内部方言 + 5 个公开方言测试集，如果模型权重和评测脚本如约释放，将为社区提供有价值的基线和评测框架。OPSD 作为 refinement 技术可迁移到其他 ASR 适配场景。

日报摘要

• Strength: 在匹配数据与训练计划的控制实验中，OPSD 将普通话平均 CER 从 3.40% 降至 3.27%、方言平均 CER 从 13.16% 降至 12.79%，而 Continued SFT 反使普通话 CER 升至 4.43%，干净地验证了 distillation 在保护已有能力方面的优势。
• Weakness: OPSD 本质是 LLM 领域 on-policy distillation 向 ASR 的跨领域迁移，但论文缺少 privileged context 消融、scheduled sampling 对比及 teacher guidance 方式的 ablation，组件必要性与方法新颖性论证不足。

打分

加权总分: 6.95/10（加权分之和 65.0 / 权重之和 9.5） 最终建议: Weak Accept 6.5-8