checkpoint8000 Instruction 合并（1.1）
EmphAssess generation · Qwen3-8B · 2026-10-26

checkpoint8000 Instruction 合并（1.1）

全量结果

失败样本卡在哪里

失败指 1000 个新 token 用完时音频段还没有采样出 [SEP_2]。评测在这一步报错，不生成 WAV，也不参与 micro 评分。

    运行设置

    模型权重
    Qwen3-8B Instruct + 1.1 × (asr32-20261020T154649Z/checkpoint-8000 − Qwen3-8B-Base)。checkpoint-8000 的增量来自 RSLoRA；新增语音 token 的 embedding 和输出头行直接保留 checkpoint 训练值。
    推理模式
    不开 thinking：prompt 以 <|im_start|>assistant\n 结束，没有任何前缀。910 条都确认没有思考段。
    解码规则
    原版 EmphAssess 流程：采样到 <|im_end|> 后强制接 [SEP_1]；音频段只允许 CV3 码和 [SEP_2]，至少 1 个码；遇到第一个 [SEP_2] 停止。每轮 1000 个新 token，本次所有样本都只用了 1 轮。
    采样参数
    文字温度 0.1，音频温度 0.7，top-p 0.9，top-k 150，每条 seed 0。
    成功与失败
    成功：音频段以 [SEP_2] 结束并生成 WAV。失败：预算内没有 [SEP_2]，评测报 “Generated audio is missing [SEP_2]”。
    评分
    WhisperX 转写并对齐 → wav2vec2 重读分类器 → 与目标重读词比较。成功样本再按结果分为重读完全正确、部分正确、不正确，以及对齐后没有目标重读词。
    样例抽取
    每个类别内随机抽取（seed 0），各类条数不按全量比例。成功样本的语音就是评测生成的文件；失败样本的音频段评测时没有解码，这里单独解码出来供试听。

    样例

    黄底 目标重读词蓝底下划线 评分器在生成语音里检测到的重读词黄底下划线 两者重合（命中）