本文把 AI 生成音乐检测的负类从「干净原创歌曲」改为「同一锚点歌曲派生出的编辑/后期处理版本」，构造了一个以编辑音频为硬负类的二分类任务，并发布一个基于 YouTube 的 AI/编辑/原创三变体数据集。论文主体贡献在于数据集构造与按锚点歌曲分组的评测协议，检测器本身是现成的 PaSST 微调。方法强度有限，价值主要落在问题框架与数据资产上。
判定: ⚠️ 分数: 7/10
依据：任务对象是真实存在的线上场景——平台上大量上传为翻唱、remix、变速、重编码等编辑版本。数据集含 933 个视频、95 个锚点歌曲组（311 AI / 311 编辑 / 311 原创），按参考歌曲分组保证同源版本同分区。但「编辑」类别的标注基于上传者元数据与人工判断，论文自述无法确知某条上传是纯人工编辑、AI 辅助处理还是两者混合，类别定义存在固有模糊性；且经典音乐、纯器乐等风格在数据集中占比偏低。
Wiki 证据：OpenAlex 检索「edited audio + hard negative + AI music」仅命中本文一篇（count=4，其余三篇无关），对象定义在本领域内尚无先例性基准可对照；ASVspoof/ SingFake 等音频伪造基准均强调在野条件下负类污染的普遍性（论文引述 Liu et al. 2023、Zang et al. 2024）。
判定: ❌ 分数: 3/10
依据：基线只有两个轻量方案——Random Forest（0.520 acc / 0.520 F1）与 MobileNetV2 谱图分类（视频级 0.739 acc / 0.601 bal. acc / 0.598 macro F1）。论文在 Limitations 中自承未与 CLAP、PANNs、AST 家族、AudioMAE 等预训练音频模型对比，也未与 MusicDET、FakeMusicCaps 检测器、Afchar et al. 2025 等近期方法对比。缺少「PaSST 训练信号的必要性与不可替代性」对照，也没有对检测器做受控编辑操作（压缩、移调、变速、重编码）逐类消融。
Wiki 证据：GitHub 检索「AI-generated music detection」存在 Chaolei98/MusicDET（19 stars, ICML 2026）、lcrosvila/ai-music-detection（17 stars, “The AI Music Arms Race”）、Mippia/FST-AI-Music-Detection（13 stars）等公开实现，均可作为更强基线，论文未与之对比。
判定: ⚠️ 分数: 7/10
依据：评测协议设计用心——按锚点歌曲分组切分（65/15/15 组），保证测试集歌曲不参与训练，显著降低同曲泄漏；训练/验证/测试视频数 656/137/140。阈值与视频级聚合规则在验证集上选定后一次性报告测试集。独立性的残余问题在数据标注端：编辑/原创/AI 标签来自 YouTube 搜索元数据与人工判断，缺乏受控变换验证标签与声学特征的一致性，存在标注信号与评测目标耦合的风险。
Wiki 证据：视频级规则在验证集选定（33% 片段满足 p(ai)≥0.6 判为 AI），论文自述对 fraction 与概率阈值的敏感性分析留作未来工作，超参选择尚未独立复验。
判定: ✅ 分数: 8/10
依据：管线保持简约——预训练 PaSST（hear21passt, passt_s_swa_p16_128_ap476）+ 10 秒波形 clip 输入 + 二分类头，两阶段训练（冻结训练头→端到端微调），视频级用简单 fraction 聚合。没有引入额外模块、自监督分支或对比学习等无必要复杂度。随机种子固定 42，训练配置明确（batch 4、head LR 1e-3、微调 LR 8e-6、weight decay 8e-5、label smoothing 0.03、2 冻结轮 + 至多 6 微调轮、patience 3），RTX 3060 上约 18 小时可复跑。
Wiki 证据：PaSST（Koutini et al., Interspeech 2022）与 hear21passt 实现均为公开预训练模型，管线各环节复用现成组件，复杂度与任务规模相称。
判定: ⚠️ 分数: 5/10
依据：视频级系统在留出测试集上达 0.817 acc、0.811 balanced acc、0.813 macro F1（AI 类 F1 0.840），clip 级 AI F1 0.836、编辑类 F1 0.720。相对 Random Forest（0.52，近随机）与 MobileNetV2 有明显提升，证明预训练谱图 transformer 能部分分离 AI 与编辑证据。效用证据的主要缺口在于：没有与任何现役 AI 音乐检测器对比，无法说明该系统相对 PaSST/CLAP 直接微调的边际优势；编辑类 F1 0.720 说明硬负类混淆显著；Grad-CAM 仅展示 2 个样本的定性观察，没有量化「局部时频区域」假设的证据强度。
Wiki 证据：编辑类 clip F1 0.720 显著低于 AI 类 0.836（support 968 vs 1659），任务难度与混淆程度有数值支撑；论文自述评测限于两个轻量基线，效用主张的边界是自认的。
判定: ⚠️ 分数: 7/10
依据：把「编辑音频」作为 AI 生成音乐检测的硬负类、并按锚点歌曲分组评测这一框架在文献检索中无直接先例（OpenAlex 组合检索仅命中本文）。既有的 Ai-music arms race（Cros Vila 2025）、FakeMusicCaps（Comanducci 2025）、SONICS（Rahman 2024）、Afchar 2025 均以「AI vs 原创」或变换鲁棒性为研究对象，本文将其转化为同源编辑负类任务，框架层面有实质增量。方法层面创新有限，PaSST 微调与 Grad-CAM 均为现成工具，未引入新架构或新训练信号。
Wiki 证据：axs arXiv 检索「hard negative audio deepfake detection」返回的多语言/隐私/在野鲁棒性工作均未采用「同锚点歌曲编辑版本作为 AI 检测负类」的设置，框架新颖性可确认；github 检索亦无同名实现。
判定: ❌ 分数: 3/10
依据：全文未给出代码仓库、数据集 URL、预训练权重或评测脚本的任何公开链接；数据集基于 YouTube 搜索收集，视频 ID 列表、分组索引、标注文件均未提供可下载地址。训练细节（seed 42、超参、18 小时、RTX 3060）写得清楚，但缺数据与代码使他人无法重建评测或复现 0.811 balanced acc。
Wiki 证据：GitHub 检索不到该论文的官方实现；同领域论文（MusicDET、lcrosvila/ai-music-detection、FST-AI-Music-Detection）均提供公开仓库，形成明显对照。
本文贡献了有价值的评测设置：把真实平台常见的编辑版本提升为 AI 音乐检测的硬负类，并按锚点歌曲分组切分，有效控制同曲泄漏；数据集构造（933 视频 / 95 组）透明，视频级评测（0.811 balanced acc、0.813 macro F1）与 clip 级分曲线（AI 0.836 vs 编辑 0.720）清楚展示了硬负类混淆是真实存在的鲁棒性缺口；基线中 Random Forest 近随机（0.52）与 MobileNetV2 受限（0.601 bal. acc）反衬出预训练谱图 transformer 的增量；编辑音频比 AI 类更难分类这一量化结论对检测器在野部署具有警示意义。
主要问题在于：基线覆盖严重不足——论文自认未与 CLAP、PANNs、AST、AudioMAE 或任何现役 AI 音乐检测器对比，识别公理与可复现公理均判 ❌ 是总分被拖到 5.63/10 的主因；数据集与代码均未开放，评测协议（fraction 阈值 33%、p≥0.6、label smoothing 等）缺乏敏感性分析；「编辑」类标签依赖 YouTube 元数据与人工判断，缺少受控变换的标签校验；Grad-CAM 只给出 2 个样本的定性证据，无法支撑「局部时频区域」这一解释性主张。整体上问题框架与数据资产有价值，方法与证据链偏薄。
| 公理 | 权重 | 判定 | 分数 | |
|---|---|---|---|---|
| 一 对象公理 | ⚠️ | 7 | 1.0 | 7.0 |
| 二 识别公理 | ❌ | 3 | 1.5 | 4.5 |
| 三 独立性公理 | ⚠️ | 7 | 1.0 | 7.0 |
| 四 压缩公理 | ✅ | 8 | 1.0 | 8.0 |
| 五 效用公理 | ⚠️ | 5 | 2.0 | 10.0 |
| 六 新颖性公理 | ⚠️ | 7 | 2.0 | 14.0 |
| 七 可复现公理 | ❌ | 3 | 1.0 | 3.0 |
加权总分: 5.63/10
最终建议: Borderline