BigCodec 1.04 kbps · 可审计模型档案¶

当前结论：D0–D3 passed；下一步是 D4 · implement and freeze the portable RunPod runner, verify all dataset/checkpoint/evaluator hashes, pass a 16-item calibration within the budget stop lines, then execute and independently audit the complete 2,620-item source-blind paper-native run。 D0 只证明身份、来源和本地 artifact 一致；不表示算法已深读、官方结果已复现或公共 Benchmark 已完成。 D0 只证明身份、来源和本地 artifact 一致；后续 Gate 的通过不会反向扩大 D0 的证据边界。

Gate 状态¶

Gate	状态
D0	passed
D1	passed
D2	passed
D3	passed
D4	not_started
D5	not_started
D6	not_started
D7	not_started

D0 · 身份、标准与本地 artifact¶

项目	冻结身份
主论文/规范/资料	BigCodec: Pushing the Limits of Low-Bitrate Neural Speech Codec · `arXiv:2409.05377v1`
规范更新	—
官方实现	https://github.com/Aria-K-Alethia/BigCodec · `fixed main commit` / `09845ab1f5bc`
本地环境	Darwin 26.5 · arm64 · arm
学习参数/模型状态	159436290 / 637752072 bytes（official ungated hugging face checkpoint）
已冻结运行 artifact	6 个，共 638,336,234 bytes
当前公共点	1.04 kbps · application=planned public English/Mandarin speech; not executed at D0 · signal hint=16 kHz mono speech · one fixed official point; no synthetic rate sweep · 12.5 ms

冻结范围与明确排除¶

论文/规范家族：the single arXiv:2409.05377v1 BigCodec report and its official 159M-parameter checkpoint；
本地选择端点：the only released 16-kHz, one-codebook, nominal 1.04-kbps checkpoint；
不纳入当前身份：
- the unreleased BigCodec-base, BigCodec-300M, BigCodec-ll60k, small-enc and no-LSTM ablation checkpoints
- manufactured rate points obtained by dropping frames, pruning indices or changing the released codebook
- quality or paper-table conclusions from the earlier eight-utterance transport run
- an author-standardized file or network bitstream; the BGC13 payload is EvoSpeech-owned
- causal, streaming or real-time claims; the released architecture is full-utterance and non-causal

Primary-source manifest¶

ID	作用	bytes	SHA-256
BIGCODEC_V1_PDF	author architecture, training, evaluation and result source	375,037	`6fb5147dd1aa1f827fd069c60db5db7e74ac378023fcbeea4964b5d68736bc20`
BIGCODEC_SOURCE_ARCHIVE	release-exact implementation source	19,512	`8f8a86c2079d7a1b961684c5311f733987464e819e919b15a080544ae5155b82`
BIGCODEC_FIXED_README	official checkpoint, inference, training and release-boundary source	3,260	`6c0ef81f6484e3ab2c7d5844f99bcfbf3be4b7e8b63103fe3cdbaaf838148451`
BIGCODEC_FIXED_LICENSE	source-code license evidence	1,066	`67ffa779a98128ae58f20da6fad32874ffe5216ddf68615d369b80dc70daf7cb`
BIGCODEC_HF_MODEL_CARD	checkpoint license declaration	33	`f35ac7b30195da3b9b01d156fe7f0626e0ae4ac7f6d5757eb0b6ee3b8f31dcab`

Source releases and licenses¶

Artifact	revision	bytes	SHA-256	license
bigcodec-source-09845ab	`09845ab1f5bc7a3d1589c16de820ef15bc2afefe`	19,512	`8f8a86c2079d7a1b961684c5311f733987464e819e919b15a080544ae5155b82`	MIT
bigcodec.pt	`c6548832eda95a09dcc3485d9b8ef097ce15f387`	637,937,326	`1fba3806e87cc01c1a65bea22fa1becefbbf46881e4219593c4d9f3cf56206b9`	CC-BY-SA-4.0 model-card metadata

Installed encoder/decoder identity¶

Artifact	bytes	SHA-256	resolved path
`BIGCODEC_V1_PDF`	375,037	`6fb5147dd1aa1f827fd069c60db5db7e74ac378023fcbeea4964b5d68736bc20`	`.model-envs/bigcodec/primary-sources/bigcodec-2409.05377v1.pdf`
`BIGCODEC_SOURCE_ARCHIVE`	19,512	`8f8a86c2079d7a1b961684c5311f733987464e819e919b15a080544ae5155b82`	`.model-envs/bigcodec/primary-sources/BigCodec-09845ab.tar.gz`
`BIGCODEC_FIXED_README`	3,260	`6c0ef81f6484e3ab2c7d5844f99bcfbf3be4b7e8b63103fe3cdbaaf838148451`	`.model-envs/bigcodec/source/README.md`
`BIGCODEC_FIXED_LICENSE`	1,066	`67ffa779a98128ae58f20da6fad32874ffe5216ddf68615d369b80dc70daf7cb`	`.model-envs/bigcodec/source/LICENSE`
`BIGCODEC_HF_MODEL_CARD`	33	`f35ac7b30195da3b9b01d156fe7f0626e0ae4ac7f6d5757eb0b6ee3b8f31dcab`	`.model-envs/bigcodec/primary-sources/hf-model-card-c654883.md`
`BIGCODEC_CHECKPOINT`	637,937,326	`1fba3806e87cc01c1a65bea22fa1becefbbf46881e4219593c4d9f3cf56206b9`	`.model-envs/bigcodec/checkpoint/bigcodec.pt`

表示与计账边界¶

codec 表示：80 frames/s × one 8192-entry index × 13 bits = nominal 1,040 representation bit/s；
当前存储/传输 artifact：EvoSpeech BGC13 packs exact model identity, 13-bit indices, padding and original length; it is not an upstream format；
分账规则：representation bits, full serialized payload, model state, memory and compute must be reported separately；
source-blind decoder：true；
不能由 D0 推出的结论：deep paper or core-code understanding beyond identity fields；reproduction of any BigCodec objective, multilingual, ablation or MUSHRA table；quality superiority over Codec 2, EnCodec, DAC, TF-Codec or any current SOTA；generalization to untested languages, noise, music, long-form or private-critical speech；causal streaming, real-time operation or an upstream compressed file format；availability of the paper's ablation checkpoints。

BigCodec 论文深读与证据边界¶

本文只回答 D1：作者到底提出了什么、怎样训练与评测、公开结果能支持什么，以及当前 release 能否复现。它不运行模型，也不把 8 句 transport smoke 升格成质量证据。所有数字来自固定的 arXiv:2409.05377v1、固定 README、source archive 与 Hugging Face license metadata。

D1 · 论文深读与证据边界¶

一句话心智模型¶

BigCodec 的中心命题不是“发明一种神秘的 1 kbps 编码规则”，而是：在比特瓶颈已经固定为每 12.5 ms 一个 13-bit 离散符号时，扩大 encoder/decoder 容量、加入长程时序建模，并让 VQ 在低维球面上工作，能否把重建前沿显著向上推。这正好验证了本项目的 SOTA-first mindset：low-bit 是约束；大模型、强生成器、强训练目标与高利用率 quantizer 才是方法。

作者把 16 kHz 波形每 200 samples 压成一帧，即 80 frame/s；每帧只有一个 8192-entry code，所以理论表示率是 80 × log2(8192) = 80 × 13 = 1,040 bit/s。真正特别的不是这个乘法，而是瓶颈两侧有 159M 参数的 VQ-VAE、两层单向 LSTM，以及 quantization 前后的 8 维投影。BigCodec 因而是一个很强的“高容量固定低率教师”，不是一个天然轻量、流式或多码率系统。

论文身份与问题设定¶

固定论文是 2024-09-09 提交的 arXiv v1；arXiv 当前只列 v1，没有正式会议或期刊身份。论文认为主流 neural codec 往往在 6–12 kbps，而约 1 kbps 时质量显著下降。作者提出的研究问题是：除了低 bitrate 本身，模型容量是否也是性能上限。其论证路线包括三部分：与低率和高率 baseline 横比、对 model/data/LSTM 做 ablation、在七种未见语言上测试 generalization。

论文同时提到英语 lexical information rate 的 50–100 bps 估算，但这只是动机，不是 BigCodec 已接近理论极限的证明。1.04 kbps 仍包含音色、韵律、声学细节与生成先验之间复杂的权衡，不能由 lexical bitrate 直接推导。

本档案把证据分成四层。paper_method 只复述论文的方法、协议或设置；author_result 只记录作者报告的数值，不暗示我们已经复现；official_site_boundary 约束公开代码、权重和许可究竟提供了什么；reader_inference 是 EvoSpeech 根据前述证据作出的保守推论。四者不能互相偷换：例如论文表中的 1.03 kbps 属于作者的 entropy 近似结果，README 未发布 entropy coder 属于 release boundary，由此得出“不能当完整 wire rate”才是读者推论。这种分层会直接决定 D3 的复现标签和 D4 的 pass/fail 规则，避免把漂亮的论文数字自动升级为本地事实。

架构：大模型怎样包围一个极小瓶颈¶

BigCodec 采用 GAN 框架，generator 是 VQ-VAE。输入波形 x 经过 encoder f_e 得到时序 latent h。 Encoder 由多级 residual CNN block、Snake activation 和两层单向 LSTM 组成；每级 CNN 用不同 dilation 感受局部与多尺度模式，LSTM 负责跨帧依赖。Decoder 镜像 encoder：先处理量化 embedding，再通过 residual block 与 transposed convolution 恢复波形。

论文用 R = ∏ r_i 表示总下采样率，并固定 R=200。这给出 16 kHz / 200 = 80 Hz 的 token 时钟。论文把 LSTM 称为 unidirectional，但整套公开 endpoint 仍不能因此称为 streaming：卷积、padding、完整 utterance 推理入口和未声明的 lookahead 都必须在 D2/D6 单独审计。D1 只能确认“作者使用单向 LSTM”，不能推导端到端 causal。

最关键的 quantizer 设计是 factorized/low-dimensional VQ：高维 encoder output 先线性投影到 8 维；latent 与 codebook vector 都做 L2 normalization，然后用最小 L2 距离选最近 code。在单位球面上，这等价于最大 cosine similarity。量化结果再投影回 decoder 的高维输入。作者的解释是，高维空间稀疏，直接放 8192 个 code 容易造成低 utilization；在 8 维球面量化更容易让大量 code 被使用。

这与多层 RVQ 的路线不同。BigCodec 每帧只有一个 code，不需要逐层 residual refinement，也不能通过减少 RVQ 层数自然形成 rate curve。其优势是表示合同极简；代价是单个 index 一旦错失信息，没有 enhancement layer 补救，而且任何 lower-rate 变化都需要重新训练或由 upstream 明确发布，不能在评测时擅自 drop token。

Discriminator 与训练目标¶

作者讨论了 MSD、MPD、MS-STFT/MRD 三类 discriminator，最终采用 HiFi-GAN 的 multi-period discriminator 和 EnCodec 风格的 multi-scale STFT discriminator；预实验中 MSD 没带来额外收益。Generator loss 包括：

DAC 风格 multi-scale mel-spectrogram L1 reconstruction，权重 15；
least-squares GAN loss，权重 1；
HiFi-GAN feature matching L1，权重 1；
VQ codebook loss，直接通过 gradient descent 更新 codebook；
commitment loss，权重 0.25；
straight-through estimator 穿过 argmin。

作者明确说没有采用 waveform-domain L1，因为他们观察到它产生“blurry”结果；也没有用 EMA 更新 codebook，因为低维空间中直接梯度已经有效。这里的真正启发是：压缩系统的 loss 不能只围绕 sample error。高保真生成器需要把 perceptual spectrum、adversarial realism、feature structure 与 stable quantization 分开承担。

Scaling：159M 到底从哪里来¶

论文先定义约 17M 参数的 BigCodec-base：四个 CNN stage，起始 channel 32，逐级翻倍到 512。正式 BigCodec 保持总下采样率不变，把 stage 数增至五个，起始 channel 48，最后达到 1536；VQ-VAE 共有 159M 参数， discriminator 另有 22M。D0 对发布 checkpoint 的实际 strict-load 计数为 encoder 76,530,704 + decoder 82,905,586 = 159,436,290，和论文的 159M headline 一致，但 D0 计数不包括训练期 discriminator。

“scale up 有效”必须读得很精确。Table III 中 BigCodec-base 明显更差；BigCodec 的 MCD/PESQ/SIM 更好。但 300M 版本没有继续提升，60k-hour Libri-Light 版本也只与 960-hour BigCodec 接近。因此论文支持的是“从 17M 到 159M 在这套 architecture/training 上有显著收益”，不支持“参数越多永远越好”或“数据规模无价值”。它更像发现了当前 recipe 下的容量甜点，而非普适 scaling law。

w/o LSTM 也不是简单把两层 LSTM 删除后直接比较：直接删除会把模型降到约 84M，作者为公平把最后 encoder channel 增到 2048，使其达到 142M。它仍比 BigCodec 弱，说明 temporal module 有贡献；但这是一项 parameter-matched approximate ablation，不是完全相同 topology 只切一个开关。

数据、优化器与训练预算¶

正式 BigCodec 只用 960 小时 LibriSpeech full training set，16 kHz；训练 item 是随机裁剪的一秒 segment。作者报告 8 张 NVIDIA A100、batch size 8、AdamW、β1=0.8、β2=0.9，learning rate 经过 1k warmup 后从 1e-4 线性降到 1e-5，约 600k steps 收敛。论文没有明确 batch size 8 是 global 还是 per-device，没有给 A100 memory、训练 wall time、random seed、完整数据列表或 checkpoint step。

官方仓库包含训练入口与 LibriSpeech 示例配置，但 README 明确说适配其他数据需要自行修改；官方 checkpoint 的 inference.py 与训练 checkpoint 使用的 inference_train.py 也被作者标为“slightly different”。所以 “代码能训练一个 BigCodec”与“代码能严格重建发布 checkpoint”是两个不同复现等级，D3 必须分轨。

官方评测：同域主表¶

Table I 使用完整 LibriSpeech test-clean 2,620 条、16 kHz。作者比较 DAC-4k、EnCodec-6k、DAC-1k、 EnCodec-1.5k、LLM-Codec、TF-Codec 与 BigCodec；SRCodec、SuperCodec 和 LMCodec 因较弱或样本有限被省略。指标包括 MCD、PESQ-NB、PESQ-WB、STOI、WavLM-TDNN speaker cosine similarity、entropy 近似码率和 MUSHRA。

BigCodec 的主表值为：MCD 4.55、PESQ-NB 3.27、PESQ-WB 2.68、STOI 0.93、SIM 0.84、MUSHRA 92.33 ± 1.29；entropy 近似码率为 1.03 kbps。TF-Codec 在相近低率下是 MCD 5.16、PESQ-NB 3.11、 PESQ-WB 2.53、STOI 0.92、SIM 0.73、MUSHRA 74.67 ± 2.36。BigCodec 的 objective 数字也接近 4 kbps DAC 和 6 kbps EnCodec，但不是每格都更好：例如 DAC-4k SIM 0.87、EnCodec-6k STOI 0.94 与 SIM 0.89 都高于 BigCodec。

论文 caption 说 bold 相对“previous low-bitrate codecs”达到 p < 1e-3，却没有给检验类型、逐样本配对方式、多重比较修正或原始 metric rows。D4 可以在相同 LibriSpeech test-clean 上重算 current-release PESQ/STOI/SIM，并报告 delta/CI；它不能仅凭 aggregate 接近就称为 strict reproduction。

MUSHRA：为什么“超过 GT”必须谨慎¶

主观测试随机选 10 条 test-clean，招募 30 名 native speaker，每人 £2.25；剔除 reference mean <80 的参与者后剩 29 人，每个系统得到 290 个分数。协议使用 hidden reference，但不使用低通 anchor；界面基于 webMUSHRA。作者报告 ICC(2)=0.73，并称为 good agreement。

BigCodec 92.33±1.29，GT 91.84±1.31，点估计高 0.49。两者区间明显重叠；论文没有提供 BigCodec-vs-GT 配对检验或原始票。因此最稳健的解释是“在这 10 条、29 名有效听者的协议里，BigCodec 与 hidden reference 获得相近的高分，点估计略高”，而不是证明生成音频普遍优于真实录音。没有低通 anchor 也会削弱 MUSHRA 量表锚定，且样本只有 10 条。EvoSpeech 可以把这项结果当强主观信号，但不能把 headline 当宇宙结论。

七种未见语言¶

Table II 从 MLS 随机选择德语、荷兰语、西班牙语、法语、意大利语、葡萄牙语、波兰语各 100 条，共 700 条；没有 English。BigCodec 是表中唯一只用 English corpus 训练的模型。它得到 MCD 4.86、PESQ-NB 3.09、 PESQ-WB 2.47、STOI 0.92、SIM 0.86，优于列出的低率 DAC/EnCodec/LLM-Codec/TF-Codec，但与更高率 DAC-4k/EnCodec-6k 各有胜负。

这张表对我们的多语言路线很重要：模型容量与声学 inductive bias 确实可能形成跨语言迁移，不必把每种语言都塞进训练集才有基本 reconstruction。但严格复现缺少 MLS sample IDs、random seed、speaker 分布与 normalization。作者还指出多数系统在这 700 条上的 SIM 反而升高，可能因为 speaker 数较少；因此不能把 SIM 升高解释为真正的 OOD speaker generalization。

中文、日语、韩语不在论文 Table II 中。未来 D5 的 English/Mandarin 共同集是项目评测，不是 paper row；必须把“作者未见的 Mandarin evidence”与“七种欧洲语言作者结果”分开。

Ablation：哪些机制真有信号¶

Table III 的正式值是：BigCodec 4.55/3.27/2.68/0.93/0.84；base 4.87/3.03/2.46/0.92/0.74； 300M 4.58/3.24/2.68/0.93/0.84；60k-hour 4.59/3.24/2.67/0.93/0.84；small-enc 4.61/3.19/2.60/0.93/0.81；w/o LSTM 4.71/3.16/2.58/0.92/0.82。顺序均为 MCD/PESQ-NB/PESQ-WB/STOI/SIM。

可以得到四个有限结论：第一，17M→159M 改善最大，尤其 SIM；第二，159M→300M 没有进一步收益；第三，扩大训练数据但不改 recipe 没有自动改善；第四，encoder 容量和 LSTM 都不是可随意砍掉的冗余。不能得到的结论是每一项差异都由单一变量严格识别：完整 checkpoint、训练 seed、学习曲线与多次重复都未公开，且多个 ablation 伴随 channel/parameter matching 调整。

Efficiency 与“RTF”命名陷阱¶

作者在 Intel i9-7920X 2.90 GHz、完整 2,620 条 test-clean 上报告 BigCodec encoder 和 decoder 都为 1.1×，base 为 3.1×，并明确定义“大于 1 可实时”。这其实更像 inverse real-time factor 或 speed factor；传统 RTF 常定义为 wall/audio，数值小于 1 才实时。D4 必须同时写公式与单位，避免把作者 1.1× 和项目 inverse_rtf、rtf 颠倒比较。

本机历史 smoke 的 CPU 时间不能拿来反驳论文：Apple Silicon、wrapper、进程冷启动、implementation path 都不同。正式 cross-check 应在固定 Linux/CUDA 或明确 CPU host 上测 warm/cold 分离，并把速度视为 platform-conditioned，不是模型常数。

发布物与严格复现缺口¶

当前公开物足以做强 current-release cross-check：固定 source、官方 checkpoint、训练代码、真实 index transport、LibriSpeech test-clean 都可获得。但以下内容阻塞 strict paper reproduction：

没有 paper-time source tag、训练 random seed、checkpoint step 或完整训练日志；
没有 BigCodec-base/300M/ll60k/small-enc/w/o-LSTM checkpoint；
没有 MLS 700 条的 ID/seed，也没有 MUSHRA 10 条 ID、stimuli、raw votes 与 participant metadata；
MCD、PESQ、STOI 的具体包版本、resampling、level normalization 与 failure rule 不完整；
WavLM-TDNN 只给仓库路径，没有固定 revision、pooling 与 preprocessing hash；
official inference 与 training inference 被 README 明确区分；
论文只报告 entropy 近似 rate，没有发布 entropy coder 或文件 bitstream；
checkpoint model card 只有 license metadata，没有 architecture/config 数据卡。

因此 D3 应冻结两条轨：paper-native approximate track 在完整 LibriSpeech test-clean 上复算可落地指标； common D5 track 在同一 English/Mandarin 60 条上加入现代 ASR、speaker、ViSQOL 与真实 payload accounting。 MUSHRA 只能标为 author-reported，除非作者 stimuli/票或我们自己的预注册听测存在。

对 EvoSpeech 原创 baseline 的核心启发¶

第一，不要把 low-bit family 当作只能做小模型。 BigCodec 的最大贡献就是在固定 1.04 kbps 下，用 159M 容量把前沿抬高。我们的原创学生模型可以很小，但 teacher、search prior 与 distillation target 应积极吸收大模型。

第二，低维 VQ 比单纯扩大 codebook 更本质。 8192 code 只有在 8 维归一化空间中才容易得到高利用率。 Agent 搜索应把 projection dimension、normalization、commitment 与 entropy utilization 作为联合变量，而不是只搜 codebook size。

第三，时序预测能力和 encoder 容量都值得保留。 只做强 decoder、弱 encoder 未必能保存 identity； BigCodec 的 SIM ablation 表明 encoder 和 LSTM 对声学细节有独立价值。后续 seed 可以尝试小型 state-space/ causal recurrent module，但必须在相同参数、相同延迟下比较。

第四，model scaling 存在收益饱和。 17M→159M 有用，159M→300M 无明显增益。自动进化不能把参数量当免费轴；应将 quality、bitrate、state bytes、FLOPs、RTF 与 memory 放入 Pareto，而不是报一个总分。

第五，主观与代理必须分维度。 BigCodec 在 STOI、SIM、MUSHRA 上展示的关系并不一致。内容、speaker、自然度、表达和总体偏好必须分开校准；代理不能替代人耳，但可高效淘汰远离前沿的候选。

D1 形成的 D3/D4 入口¶

D1 给后续协议留下一个有限而明确的入口：只复现官方 1.04-kbps point；D4 paper-native 以 2,620 条 LibriSpeech test-clean 为主，优先复算 representation/entropy proxy、PESQ-NB/WB、STOI、speaker SIM、资源； MCD 如 evaluator identity 不能确定则标 approximate/blocked；MUSHRA author-only。七语 MLS 没有 sample ID，可以用公开可重建 selection 做 descriptive extension，但不能冒充 Table II strict row。D5 再用共同 30 English + 30 Mandarin，与其他模型逐 item 对齐。

所有 codec 和 learned evaluator 正式推理都进入 RunPod；Mac 只做 source/hash/JSON、文本、统计、页面与非神经审计。任何 D4/D5 outcome 出现前，dataset selection、metric revision、失败规则、payload interface 与 cost stop line 都必须冻结。

D1 允许与禁止的结论¶

D1 允许说：BigCodec 的论文方法是“大容量 VQ-VAE + recurrent temporal model + 低维归一化单码本 VQ”；作者在 LibriSpeech、七语 MLS、ablation 与小规模 MUSHRA 上报告了强结果；发布物足以做 current-release approximate cross-check；最值得迁移的机制是 capacity-under-fixed-rate、low-dimensional VQ 与 temporal modeling。

D1 禁止说：本地已复现 Table I/II/III；BigCodec 主观上普遍超过真实音频；159M 是普适最优规模；60k 小时数据没有价值；单向 LSTM 等于 causal streaming；1.03 kbps entropy estimate 等于真实 wire payload；没有公开第二 checkpoint 却存在合法 rate curve；或 8 句 transport 证明了质量 SOTA。

BigCodec 核心代码深读¶

D2 · 固定源码核心代码深读¶

这一阶段回答的是：固定 release 真正执行什么，论文名词怎样落到具体 class、tensor 与配置，token 是否真的能脱离原音独立解码，以及哪些“官方结果”无法由仓库本身重放。代码身份冻结为 Aria-K-Alethia/BigCodec@09845ab1f5bc7a3d1589c16de820ef15bc2afefe，checkpoint 冻结为 Alethia/BigCodec@c6548832eda95a09dcc3485d9b8ef097ce15f387。本章索引 21 个 source files、 23 组 paper-to-code mapping 和 16 个 release-surface gaps。

D2 没有在 Mac 加载 checkpoint、Torch model、语音或 learned evaluator，也没有运行 ASR。确定性探针只对固定源码做 SHA/commit 审计，并用合成整数 index 执行项目自有的 13-bit pack/parser。真实 encoder→index→fresh decoder 已由先前 8 条 transport evidence 证明，但那批证据仍然不是音质或论文表格复现。

一句话执行心智模型¶

BigCodec 是一个很大的、离线的、固定单码率 VQ-VAE/GAN：16 kHz waveform 经过五级 residual convolution 和两层 unidirectional LSTM，每 200 samples 形成一个 1024-D latent；它被线性压到 8-D，在归一化球面上从 8192 个 code 中选择一个 13-bit index，再投影回 1024-D。Decoder 先扩到 1536 channels，经过另一组两层 LSTM 与五级镜像上采样，最后用卷积和 tanh 合成波形。

这个 graph 的真正创新不是一种复杂比特语法，而是极窄表示与极强两侧网络的交换：80 token/s × 13 bit = 1040 bps 保持不变，159M generator 参数承担恢复细节的工作。它没有可合法改变的 RVQ depth、第二个 checkpoint、entropy coder、 packetizer 或 streaming state。因而 BigCodec 对我们的价值主要是低率强教师、低维 VQ 机制与容量上界，不是一个已经完成网络部署合同的 codec。

固定源码与真实 release surface¶

源码仓库非常小：正式推理由 inference.py 直接构造 CodecEncoder() 与 CodecDecoder()，分别 strict-load checkpoint 中的 CodecEnc 与 generator。训练则经 Hydra 用 CodecLightningModule 构造相同命名的 encoder/generator，再加入 MPD 与 MS-STFT discriminator。README 明确警告：训练 checkpoint 的 inference_train.py 与 official checkpoint 的 inference.py “slightly different”。这意味着 release 至少存在两个 checkpoint schema；不能随意用 training loader 解释 official weights，也不能用 official compact checkpoint 断言完整训练 state。

固定 checkpoint 只有两个 top-level keys。D0 已 strict-load 533 个 encoder/decoder state keys，零 missing/unexpected； encoder 76,530,704 parameters，decoder 加 quantizer 82,905,586，总计 159,436,290；state tensor bytes 637,752,072。D2 没有重新加载这些 tensors，而是引用已冻结的 D0 identity。这样既遵守“Mac 不跑神经模型”的规则，也防止把一次机制审计伪装成新模型实验。

release 没有 evaluation directory、PESQ/STOI/MCD/WavLM wrapper、LibriSpeech/MLS manifest、MUSHRA UI、投票导出、 ablation weights 或 entropy model。README 的强 headline 是作者主张，不是可执行测试。因此 D3 必须自己冻结 paper-native approximate protocol；不能写一个 python evaluate.py 命令，因为官方根本没有这个文件。

official inference：一个目录重建脚本，不是 codec transport¶

inference.py:22-48 把 sample rate 写死为 16 kHz，用 librosa.load(..., sr=16000) 读目录中所有 WAV；encoder 与 decoder 都直接 .cuda()。它先计算 pad=(200-(T%200))，再调用 encoder；decoder 的 forward(vq=True) 返回 vq_post_emb, vq_code, loss，脚本却直接把 vq_post_emb 交回 forward(vq=False)。vq_code 没有被写到文件，也没有被重新读取。

所以 official inference 验证的是 reconstruction demo，不是 encoder/bitstream/decoder 分离。幸运的是 upstream ResidualVQ.vq2emb() 与 CodecDecoder.vq2emb() 确实提供 index→embedding 路径。项目 adapter 利用它把真实 index 打包为 EVSBIG01，在 fresh decoder 进程中只从 index 恢复 embedding；先前 transport probe 观测 code-derived embedding 最大误差约 2.38e-7。这个事实证明 token 足以解码，但文件格式是 EvoSpeech 的，不是作者格式。

还有一个精确的 padding 陷阱：当 T % 200 == 0 时，公式不是补零，而是补整整 200 samples。官方输出也没有 trim 回原始长度。对 16,000-sample 输入，理论直觉会猜 80 frames，固定实现实际给 encoder 16,200 samples，即 81 frames。项目 payload 把 original_num_samples、official_padding_samples 和 frame_count 全写入 header，decoder 合成后再裁回原长。D2 的纯整数 probe 正是用这条 exact-hop case，防止未来 wrapper “顺手修正”后却继续冒充 bit-exact upstream。

encoder：48→1536 channels 的五级压缩¶

CodecEncoder 默认 ngf=48、up_ratios=(2,2,2,5,5)、out_channels=1024。开始是 mono→48 的 kernel-7 weight-normalized Conv1d。每个 EncoderBlock 输入在概念上是当前 channel 的一半：先做 dilation 1/3/9 的三个 ResidualUnit，再用 kernel 2×stride、stride=stride 的 convolution 下采样并把 channel 翻倍。五级之后 channel 是 96、192、384、768、1536，时间长度缩小 2×2×2×5×5=200。

每个 ResidualUnit 都是 SnakeBeta → kernel-7 dilated Conv1d → SnakeBeta → kernel-1 Conv1d 加 skip。这里的 Snake 不是普通 ReLU 的替换标签：项目引用的 alias-free activation wrapper 会先上采样、执行周期非线性、再下采样，以降低非线性造成的 aliasing。它增加计算，却给 decoder/encoder 更适合音频周期结构的 inductive bias。

下采样后是 ResLSTM(1536, num_layers=2, bidirectional=False)。实现把 [B,C,T] 转成 [B,T,C]，走 LSTM，再与输入残差相加。最后 SnakeBeta + kernel-3 Conv1d 输出 1024-D latent。按 16 kHz/200，它的稳态 frame clock 是 80 Hz。短音频与边界长度不能只用 duration×80 推断，因为 upstream padding 强制至少多一个边界 frame。

unidirectional LSTM 为什么仍不等于 causal¶

论文和代码都使用 unidirectional LSTM，这只说明 recurrent recurrence 不看未来 hidden state。完整 encoder 的 residual Conv1d 使用对称 padding；首尾 kernel-7 convolution 也对称 padding；alias-free activation filtering 同样有局部邻域。官方入口把整条 utterance 一次交给模型，没有 streaming buffer、lookahead 声明、chunk state 或 flush API。Decoder 也使用完整 utterance tensor。

因此“LSTM 单向”不能升级为“codec causal”。算法 latency 需要逐层 receptive field、filter delay、lookahead 与 packet flush 的完整审计；real-time factor 只描述算得快不快，也不能证明边输入边输出。BigCodec 可以在 CPU 上比实时快而仍是 offline 模型，也可能在某个平台慢于实时而不改变它的非因果 topology。

对原创 baseline 的启发是：可把 BigCodec 当 non-causal quality teacher，然后单独蒸馏到 causal student。若直接把当前 checkpoint 标为可通信，就会把 offline 上界和 deployable Pareto 混为一谈。

factorized VQ：1024-D 表示怎样压进 8-D 球面¶

FactorizedVectorQuantize 在 dim != codebook_dim 时建立两个 weight-normalized Linear：1024→8 与 8→1024，中间是 nn.Embedding(8192,8)。输入先从 [B,1024,T] 转为 [B,T,1024] 做投影，再转回 [B,8,T]。 nearest-neighbor search 把每个 encoding 与 codebook matrix 分别 F.normalize，按展开的 squared Euclidean distance 选择 index。在单位球面上，它等价于最大 cosine similarity。

一个容易被论文简图略过的细节是：归一化只用于选择距离。选出 index 后，decode_code() 从原始 self.codebook.weight 做 embedding lookup，返回的不是临时 normalized codebook；训练 loss 也作用于原始 z_e/z_q。所以“在单位球面量化”最精确的代码解释是“assignment 使用归一化方向”，而不是“decoder 永远收到单位范数向量”。这个区别会影响我们未来替换 codebook、做 entropy regularization 或分析 embedding norm。

训练态 commitment loss 是 MSE(z_e, stopgrad(z_q)) × 0.25，codebook loss 是 MSE(z_q, stopgrad(z_e)) × 1；随后用 z_e + stopgrad(z_q-z_e) 做 straight-through，再投回 1024-D。没有 EMA codebook update：embedding 是 Parameter，由 optimizer 的 gradient descent 更新。这与论文叙述一致。

“ResidualVQ”在当前 graph 中为什么只有一层¶

generic ResidualVQ 支持多个 stage：每层量化 residual，减去 quantized，再把各层 quantized 相加；codes stack 成 [num_quantizers,B,T]。但 config/model/default.yaml 与 CodecDecoder 默认都明确写 vq_num_quantizers: 1。因此当前 checkpoint 只有一层 FactorizedVectorQuantize；它没有 residual refinement，也不能通过 q1/q2/q4 形成 rate curve。

这里必须区分“源码类具有多层能力”和“发布 artifact 支持多码率”。把配置改成 2 层会改变 state-dict keys/shape，官方 checkpoint 无法 strict-load 新层；把同一层重复两次也不等价于训练好的第二 residual quantizer。D5 只能有一个 BigCodec point。要研究 0.5 或 2 kbps，必须重新训练并把它称为我们的 derivative baseline，而不是 BigCodec official。

vq2emb() 接受形状 [B,T,num_quantizers]，逐层 lookup 后相加。项目 adapter 把 official encoder 产生的 [1,B,T] code stack permute 成 [B,T,1]，再 transpose 回 decoder 所需 [B,1024,T]。source-blind contract 绑定 checkpoint SHA，因为相同整数在不同 codebook weights 中没有相同语义。

decoder：1536-channel recurrent generator¶

Decoder 先用 kernel-7 Conv1d 把 1024-D quantized embedding 映射到 1536 channels；然后是与 encoder 同结构的两层 unidirectional residual LSTM。五个 DecoderBlock 的 strides 是 (5,5,2,2,2)，乘积仍为 200。每块先经过 SnakeBeta 与 transposed convolution 把时间上采样、channel 减半，再加 dilation 1/3/9 的三个 residual units。 channel 依次为 768、384、192、96、48。末尾 SnakeBeta、kernel-7 Conv1d、tanh 输出 mono waveform。

这条路径解释了参数规模为什么主要在瓶颈附近：1536-channel LSTM 与卷积非常昂贵，而 token 表示本身每帧只有一个整数。它也说明模型 size 与 bitrate 必须分账。159M parameters 不进入每段音频 payload，却决定客户端部署内存、下载成本、 warm start 和训练预算；13-bit index 决定 representation rate。二者不能相除或相加成一个“总码率”。

官方 inference.py 从 quantized embedding 直接 decode；项目 fresh decoder 从 codebook lookup 重建同一 embedding。严格 transport 证据已经验证后者可用。D2 没有再跑 decoder，因为 Mac 只做非神经审计；未来 D4/D5 的正式解码全部进入 RunPod，并由 evaluator 只读取 payload/reconstruction，不访问原音路径。

训练数据与 source config 的真实边界¶

preprocess.py 枚举 train-clean-100、train-clean-360、train-other-500，合计对应 LibriSpeech 960 h；路径根目录却是作者本机 /home/xindetai/Downloads/LibriSpeech。FSDataset 用 librosa 重采样到 config 的 16 kHz；不足 min_audio_length 的文件补零，然后在完整 waveform 中用 Python random.randint 随机裁一段。固定 config 把 min_audio_length=16000，所以是 1 秒 crop。

batch size 配置为 8，DataLoader 有 8 workers、shuffle true、persistent workers true。train.py 在模块 import 时调用 seed_everything(1024)，用 Lightning DDPStrategy；但 checked-in trainer.devices=1。论文的八张 A100 必须通过 CLI override 或另一个未发布的 launch 配置实现。仓库没有容器、CUDA/cuDNN identity、worker seeding audit 或 dataset hash，因此不能从这份 config 得到 bit-exact training reproduction。

论文说约 600k steps；source default 写 min_steps=max_steps=1,200,000。scheduler 的 warmup 1k + down 500k 后保持 minimum LR，可能让 600k 附近成为作者实际停止点，但仓库没有 log/last checkpoint metadata 证明。D3 必须把这项标为 paper/source divergence，不应偷偷把 config 改成 600k 后宣称官方复现。

optimizer 与 scheduler：为什么 optimizer lr 写 1.0¶

configure_optimizers() 对 encoder+generator 建 AdamW，对两类 discriminator 建另一个 AdamW；betas 从 config 取 (0.8,0.9)。令人困惑的是两者 base lr=1.0。原因是 custom WarmupLR 由 LambdaLR 实现，但返回的 lambda 实际写成绝对目标学习率：从 1e-5 二次 warm 到 1e-4，再线性降到 1e-5。base lr 设 1.0 后，乘法结果恰好等于所需绝对 LR。

这个实现可工作，但非常脆弱：如果有人按常规把 optimizer lr 改成 1e-4，却不改 scheduler，实际 LR 会再缩小 1e-4 倍。 Agent 搜索优化器时不能只改 YAML 一格；必须把 base optimizer 与 lambda 定义视为一个耦合基因，并把实际 step-wise LR 写入实验 artifact。

训练每 batch 先更新 discriminator，再用同一 forward output 更新 generator；两侧都 clip norm 到 1.0。validation/test step 是 pass，checkpoint callback 却 monitor mel_loss 且 save_top_k=1。训练 step 确实 log 了 mel_loss，但没有独立 validation，所以所谓 best checkpoint 是训练 metric 条件下的选择，不是 held-out validation selection。

reconstruction、GAN 与 feature losses¶

MultiResolutionMelSpectrogramLoss 建七组 MelSpectrogram：FFT/window 32、64、128、256、512、1024、2048，hop 为 window/4，mel bins 分别 5 到 320，Slaney norm/scale，先 clamp 再 log10，最后逐尺度 L1 求和。Generator 再乘 lambda_mel_loss=15。代码构造了 waveform l1_loss/l2_loss criterion，但 active compute_gen_loss 从未使用它们；这与论文“移除 waveform L1”一致。

GAN criterion 是 least-squares：discriminator 让 real→1、fake→0；generator 让 fake→1。MPD 包含 periods 2/3/5/7/11，每个判别器先按 period reshape 波形，再经 2D conv。SpecDiscriminator 对五组 STFT（128 到 2048）分别生成 complex-like 两通道频谱输入其 2D conv stack。代码没有构造 MSD；与论文“预实验无收益后移除”一致。

Generator adversarial loss累加 MPD 与 MS-STFT 的末层；feature matching 对两者所有非末层 feature map 做 L1，权重各 1。 VQ loss 由 commitment×0.25 和 codebook×1 在 quantizer 内组成，再直接加入总 loss。论文公式与 active source 在这些主轴相符；但源码没有提供 paper ablation switch、多个训练 seed 或 loss trajectory，不能证明每项因果贡献。

EVSBIG01：13-bit representation 与文件 bytes 分账¶

upstream 只返回 integer tensor。EvoSpeech EVSBIG01 header 固定 source revision、checkpoint revision/SHA、sample rate、 hop、frame count、原始/补齐长度、token order 与非流式状态；随后将 0..8191 index 按 time-major 紧密打包为 13 bits。 parser 会验证 magic、header size、每个固定 identity、exact padding、frame count、representation bits、token byte count、 range 与尾部 padding bits。

D2 对 16,000-sample 合成长度构造 81 个确定性整数，不生成 waveform。representation 是 81×13=1053 bits，紧密存储 132 bytes；完整 self-describing audit payload 是 1,020 bytes。这个短样本的 representation-effective rate 是 1.053 kbps，高于稳态 1.04，只因为 upstream 多补一帧。文件 payload rate 更高则主要来自约 888 bytes 固定 header。长音频中 header 摊销会下降，但 representation 仍须独立报告。

重复写入 byte-exact 相同；parser 完整恢复全部 81 个 index。探针还把最后 byte 的三个未用 high bits 设为非零，parser 正确拒绝；把末 token 设成 8192，writer 也拒绝。它证明的是 serialization integrity，不是 upstream bitstream、entropy coding、语音质量或网络效率。正式 benchmark 仍会同时记录 exact representation、complete payload 与 duration。

无语音确定性机制探针¶

scripts/trace_bigcodec_code.py --check 会验证 fixed Git commit、21 个 source SHA、环境锁、payload adapter 和历史 transport JSON 的 SHA。它不会 import Torch，不会读取 checkpoint，不会产生波形，也不会调用 ASR/quality model。它只执行纯整数 13-bit packing/parser 和 upstream padding arithmetic，并引用 D0 的 parameter/state accounting。

这是刻意的设备分工：源码理解、hash、schema、安全 parser 与页面在 Mac；正式 codec neural inference 与 learned evaluator 在 RunPod；ASR 只允许 RunPod/API。D2 如果为了“看 shape”在 Mac 偷跑一次 checkpoint，就会破坏已经冻结的研究习惯，并且没有必要——D0 transport 已留下真实 token shape、strict-load 与 fresh decoder 证据。

历史 8 条 smoke 覆盖 English、Mandarin 与 critical transport，aggregate representation 约 1041.49 bps；每条 fresh decoder 命令都不含 source path。它证明 release 能跑、真实 index 可传输、长度可恢复；没有 ASR、speaker、ViSQOL 或论文 metric，因此不会在 D2 被升级成 quality evidence。

paper-code 一致与不一致¶

一致部分很强：16 kHz、hop 200、单 8192 code、8-D factorized VQ、两层单向 LSTM、48→1536 五级规模、MPD+ MS-STFT、multi-scale mel、LSGAN、feature matching、commitment 0.25、gradient codebook update 都有明确代码落点。这说明论文中心方法不是只存在于文字里。

不一致/缺口同样重要：论文约 600k steps 对 source 1.2M；论文八 GPU 对 default 一 GPU；paper Table I/II/III 与 MUSHRA 没有任何 executable manifest；WavLM-TDNN 没有 revision；official inference 与 train inference 明示略有不同；official padding 多补整帧；requirements 未完全固定且漏列 tqdm；official script hard-code CUDA；没有 entropy coder 或 bitstream。

这些缺口不等于 BigCodec 失效。它们决定复现等级：方法与 checkpoint identity 可以严格复现；current-release quality 可以独立评测；论文 aggregate 只能 approximate cross-check；随机 MLS/MUSHRA 与未发布 ablation checkpoint 则 blocked。把这四类压成“复现/未复现”二元标签会丢失真正的信息。

release-surface gap 与安全边界¶

当前 payload parser 比 upstream demo 更严格，但它仍是 trusted-baseline audit format，不应直接作为公开 untrusted candidate 接口。JSON header 虽有限制 65,536 bytes，未来 arena contract 仍应进一步限制字段集合、integer 上限、frame count 与总 payload bytes，并加入 checksum/version migration。decoder worker 必须只获得 payload 与固定 checkpoint；不能看到 original audio、transcript、manifest private fields 或 evaluator。

BigCodec 只有一个 fixed point，减少了 rate cheating，但仍要防 encoder 把 source path/metadata 写进 header。当前 baseline header 只含公开 identity 与长度；candidate contract 应改成 evaluator 分配的 opaque stream，独立计完整 bytes，再把 stream 交给 isolated decoder。Agent 不能自报 token count、entropy 或 nominal bitrate。

exact-hop padding 也属于安全/公平问题。如果不同 wrapper 有的补整帧、有的不补，短句的 token count 和 payload rate 会受益或受罚。D3/D5 必须冻结“忠实 upstream”路径，同时可以另报一个 corrected-padding derivative，但二者不能混在同一 official row。质量指标必须裁回相同原始 duration 后计算。

对原创 baseline 与 Agent 进化的启发¶

第一，BigCodec 证明在固定低率下扩大 encoder/decoder 有真实研究价值，但 159M 不应成为我们的默认部署目标。它更适合作为 non-causal teacher 与 upper bound：原创 student 可以蒸馏 code assignment、decoder features 或 perceptual targets，并将 active state、RTF、latency 一起纳入 Pareto。

第二，8-D normalized assignment 是比“8192 entries”更深的变量。Agent 应联合搜索 projection dimension、codebook size、 norm strategy、commitment、embedding norm、usage entropy 与 dead-code behavior；若只扩大 codebook，不监控 utilization，很容易得到空容量。代码显示 assignment norm 与 decoded raw embedding norm 是两个可分离设计点。

第三，temporal model 可作为明确的 gene，但必须带 latency constraint。可以比较 LSTM、causal convolution、state-space、 chunked attention；每个候选要报告 receptive field、lookahead、state bytes 和 quality，不能只在 offline test-clean 上追一个分。

第四，训练系统的第一个自动化任务应是消除复现歧义：实际 LR trace、global batch、seed、dataset manifest、checkpoint step、 loss curve。自动科研若没有这些 metadata，会把 source 1.2M 与论文 600k 的差异误判为“可以随意训练”，浪费昂贵 GPU。

第五，BigCodec 的 single-point constraint 很适合做初始 agent baseline：变量少、token contract 清楚、反馈可验证。我们可以从一个更小的透明 VQ-GAN seed 出发，用 BigCodec 机制作为 prior，而不是直接让 Agent 修改 159M 黑盒。每次实验只允许改白名单参数/模块，并用 frozen evaluator 与 hidden set 审计 reward hacking。

D3/D4/D5 的直接约束¶

D3 paper-native track 必须固定完整 LibriSpeech test-clean 2,620 条，明确 PESQ-NB/WB、STOI、speaker evaluator 的实现、 resampling、level normalization、失败规则与 CI。MCD 如果无法确定作者实现则标 approximate/blocked。paper Table I 的 BigCodec aggregate 可以做 delta reference，但没有 per-item author rows，不能做逐项 equality。

MLS track只能称公开可重建 extension，除非作者给出 700 item IDs/seed。MUSHRA 保持 author-only；未来我们自己的听测要预注册 stimuli、随机化、维度、tie、听者数量与导出格式，不能冒充作者协议。ablation checkpoints 不存在，因此 Table III 只做 knowledge evidence；真正验证机制需要我们重新训练 derivative。

D4/D5 所有 codec inference、ViSQOL/WavLM/Resemblyzer 与任何 ASR 都进 RunPod/API。BigCodec 只运行 1.04-kbps official point； payload 必须是 EVSBIG01 或后续冻结的等价 source-blind format；representation、serialized bytes、state、GPU seconds、peak memory 分账。exact-hop full-frame behavior保留并逐 item 记录。

D2 允许与禁止的结论¶

D2 允许说：固定 release 确实实现了五级 48→1536 residual CNN、两组两层单向 LSTM、1024→8→1024 factorized VQ、一个 8192-entry codebook、MPD+MS-STFT 与论文主损失；真实 index 有 upstream lookup path；项目 13-bit transport 是确定、严格、source-blind 的；official exact-hop padding 会额外产生一帧；source 与 paper 存在明确训练/evaluation 缺口。

D2 禁止说：本地已经重跑 BigCodec 模型或任何 ASR；D2 synthetic index 证明音质、utilization 或 token distribution； EVSBIG01 是作者 bitstream；unidirectional LSTM 证明 causal streaming；generic ResidualVQ class 证明 official checkpoint 有多档码率；论文 Table I/II/III 或 MUSHRA 已复现；600k/8-GPU training 可由当前 default config bit-exact replay；或者 159M 规模应直接成为我们的原创 baseline。

flowchart LR A["16 kHz mono waveform"] --> P["official full-hop padding"] P --> E0["kernel-7 Conv1d · 48 channels"] E0 --> E1["5 EncoderBlocks · strides 2×2×2×5×5"] E1 --> R1["2-layer unidirectional ResLSTM · 1536 channels"] R1 --> L["1024-D latent · 80 frames/s"] L --> IP["weight-normalized Linear · 1024→8"] IP --> N["L2-normalized nearest-neighbor search"] N --> C["one 8192-entry code index · 13 bits"] C --> B["project-owned EVSBIG01 payload"] B --> V["strict parser · source-blind decoder"] V --> CB["raw 8-D embedding lookup"] CB --> OP["weight-normalized Linear · 8→1024"] OP --> D0["kernel-7 Conv1d · 1024→1536"] D0 --> R2["2-layer unidirectional ResLSTM · 1536 channels"] R2 --> D1["5 DecoderBlocks · strides 5×5×2×2×2"] D1 --> W["kernel-7 Conv1d + tanh"] W --> O["reconstructed waveform · padded then project-trimmed"] L -. "training only" .-> MPD["multi-period discriminator"] L -. "training only" .-> MSTFT["multi-scale STFT discriminator"] MPD --> LOSS["LSGAN + feature matching"] MSTFT --> LOSS W --> MEL["7-scale log-mel L1 ×15"] MEL --> LOSS C --> VQLOSS["commitment 0.25 + codebook loss"] VQLOSS --> LOSS

BigCodec：论文原生复现协议¶

D3 · 论文原生复现协议¶

D3 在任何 BigCodec 正式 paper-native quality run 之前冻结。冻结前已存在的 8 条 smoke 只证明 transport、真实 index、 fresh decoder 与资源边界；它们没有 PESQ、STOI、MCD、SIM 或 entropy aggregate，因此不构成“提前看过最终指标”。本协议提交后才能在 RunPod 上 materialize 完整数据、运行 codec 与 learned evaluator。

一句话裁决¶

BigCodec 的最佳可执行交叉验证不是再抽 30 或 100 条，而是按论文使用完整 LibriSpeech test-clean 2,620 条，对唯一官方 1.04-kbps checkpoint 逐项运行 source-blind encoder→EVSBIG01→fresh decoder，然后复算 MCD、PESQ-NB/WB、 STOI、WavLM-TDNN SIM 与经验 token entropy。因为作者没有发布 evaluator lock、per-item rows、MUSHRA votes、随机 MLS IDs 或 ablation checkpoints，D4 的 quality 数字只能是 current-release approximate cross-check；checkpoint/hash、码率算术、 payload 与数据 archive identity 则可以严格判定。

数据：为什么坚持完整 2,620 条¶

论文明确写 LibriSpeech test-clean 全部 2,620 utterances，16 kHz。官方 SLR12 资源页将其标为 CC BY 4.0 clean test set； archive 固定为 346,663,984 bytes、MD5 32fa31d27d2e1cad72775fee3f4849a9。D4 下载到 persistent Network Volume 后先核对 bytes/MD5，再计算 SHA-256；解包后必须发现恰好 2,620 个非空 FLAC，路径、source bytes/SHA、speaker/chapter/utterance、 sample rate、duration 写入 manifest，之后才允许 codec execution。

这里不做 hash-ranked subset。完整集一方面与论文 population 相同，另一方面能够稳定估计 8192-code occupancy 与经验 entropy；也避免 100 条对 speaker distribution、短句 padding 和 metric failure 过于敏感。每个 selection row 都必须有 outcome：成功、 codec error、payload error、metric-specific error都保留，禁止删除难例后重算均值。

dataset population 相同仍不等于 strict table reproduction：作者没有发布每个 source file 的 hash manifest、预处理脚本或 per-item metric rows。D4 会把 archive identity 作为 strict primary artifact，把 aggregate quality 作为 approximate current release。

只运行官方 checkpoint c6548832eda95a09dcc3485d9b8ef097ce15f387、SHA-256 1fba3806e87cc01c1a65bea22fa1becefbbf46881e4219593c4d9f3cf56206b9。不改 codebook、不丢 frame、不重复 quantizer、不制造 0.5/2 kbps 点。Source commit 固定为 09845ab1f5bc7a3d1589c16de820ef15bc2afefe。

每条音频由 encoder worker 规范化为 16 kHz mono，忠实执行 upstream 200-(T%200) padding，输出真实 one-codebook indices； indices 以 13 bits 紧密写入 EVSBIG01。Evaluator 独立读取完整 file bytes、header 与 token；decoder worker 只获得 payload、 fixed source/checkpoint 和 output path，命令、环境与 mounted input 中都不得包含 original source path 或 transcript。解码后按 header 裁回原始 sample count，再与 reference 对齐评分。

每条保存 nominal representation bits、finite-duration representation bps、packed token bytes、complete EVSBIG01 bytes、token min/max/unique、padding、encode/decode seconds、peak memory 和 output hash。码率结果不允许从模型自报字段读取，必须由 evaluator 解析 payload 后独立计算。

author metrics 与当前可执行 metric contract¶

PESQ-WB 固定 16 kHz wide-band；PESQ-NB 固定作者所称 narrow-band 路线，在 frozen evaluator 中显式保存输入采样率与 mode，若当前 package 不接受声明组合则逐项 typed failure，不能换实现后覆盖。STOI 固定 16 kHz、extended=False。reference 与 reconstruction 都是 mono float waveform，先裁至共同原始长度；不做 result-dependent loudness normalization。

SIM 使用论文脚注所指的 WavLM-TDNN wavlm_large_finetune.pth 体系。当前可执行 surface 采用固定 OpenMOSS/MOSS-Audio-Tokenizer-Eval@b8e23bffad180116fb0c4ce0552a42690a69e603 的 sim path、 checkpoint 1,301,926,579 bytes / SHA-256 51f07e3b...fe7f94b，并固定 transitive WavLM base 1,261,965,425 bytes / SHA-256 6fb4b3c3...bf100f。这与作者链接的 family 相符，但论文没有冻结 stopes/s3prl/runtime，因此 eligible verdict 只能 approximate。

MCD 使用 pymcd==0.2.1 的 fixed distribution与显式 mode，逐项保存；作者只写 MCD 名称，没有 MFCC/world、order、DTW、silence、 frame shift 等实现细节，因此无论数值多接近，都不能 strict pass。D4 report 必须在表头写 current pymcd approximate，并同时给出作者 4.55 作为 descriptive reference。

经验 entropy rate 从完整 2,620 条实际 token 统计：汇总全局 code counts，计算 Shannon H=-Σp log2 p，再乘每秒 80 frames。同时报告 empirical bits/token、active codes、perplexity 与 theoretical 13 bits/token。作者只说“approximating information entropy”，未给平滑/分组公式，所以 1.03 kbps 对比是 approximate；theoretical 1.04 kbps 与实际 token count/payload arithmetic 则 strict。

统计、容差与 paper delta¶

每项 metric 保存，不只保存 mean。Aggregate 报 mean、median、standard deviation、有效/失败数；PESQ/STOI/MCD/SIM 的 95% CI 按 speaker cluster bootstrap，10,000 replicates、seed 3407。经验 entropy 通过 speaker-cluster bootstrap 重算 code counts；资源统计分 cold first item 与 steady state，并报告 total GPU seconds。

论文作者 aggregate 仅作为 descriptive reference：MCD 4.55、PESQ-NB 3.27、PESQ-WB 2.68、STOI 0.93、SIM 0.84、 approx entropy rate 1.03 kbps。协议不预设“必须接近多少才算通过”，因为 evaluator identity 不等价；D4 输出 delta 和 CI 后给 directionally_consistent、materially_different 或 incomparable_due_to_failures 描述，不把近似指标伪装成 strict pass/fail。

strict endpoint identity、archive identity、2,620 completeness、13-bit range、source-blind decode、exact duration、theoretical arithmetic 可以用零容差。任何 selected row 缺失、payload parser失败、decoder接触原音、checkpoint/hash 漂移都会使对应 strict claim failed。

预先 blocked 的作者主张¶

MUSHRA 缺少 10 条 IDs、所有 stimuli、randomization、participant metadata、29 人 raw votes 与具体 CI/test；D4 不做新听测替代。点估计 92.33 与 GT 91.84 保留 author-only，不能写“复现超过 GT”。

七语 MLS 缺少每语 100 条 IDs、seed、speaker distribution 与 normalization；可以在未来做 deterministic multilingual extension，但 Table II strict row预先 blocked。五个 ablation endpoint 没有 weights/logs，Table III blocked。CPU efficiency 没有 author harness，当前 GPU/CPU timing只能 platform-conditioned。完整 training regeneration 缺环境、global batch launch、600k checkpoint step、log、seed 和 8-GPU配置，也 blocked。

RunPod、缓存与成本停止线¶

Mac 不运行 codec checkpoint、ASR、speaker model 或 learned evaluator。正式 BigCodec decode 与 SIM 全部在 RunPod；PESQ/STOI/MCD 可在同一 allocation 执行以减少数据搬运。SLR12 archive、解包 FLAC、checkpoint、evaluator source/weights、runtime overlay与结果都存 Network Volume；Pod删除后保留。Pod启动后禁止临时探索式 pip install，依赖必须由 frozen overlay/container命中。

先运行 16 条 calibration（固定 path sort 的首 16 条，不看内容/时长/分数），要求所有 identity、payload、decode、metric schema通过，首个有效 batch不超过 180 秒。用 calibration wall time 保守外推 2,620 条；预计 lifecycle 超过 6 GPU-hours 或 $4.00 时自动停止并回传 projection，不擅自继续。steady-state 非推理/评分 overhead 目标≤10%；异常高则先修缓存。优先 RTX 4090 24 GB；若显存不足才同机房切 L40S 48 GB。每次退出无论成功失败都删除 Pod，保留 Network Volume，并记录真实 balance delta。

D4 required outputs 与禁止捷径¶

D4 必须输出 protocol/result/selection identity、2,620-row JSONL、aggregate JSON、中文报告、run log、endpoint/metric/runtime identity、 cost projection和 evidence archive hash。结果不允许只存在远端；回传后本地 fail-closed auditor逐项复核，并在 commit 前重放 aggregate。

禁止：用历史 8 条 smoke冒充 full result；在看到分数后换 dataset/metric；把 SOTA ASR API填入论文 metric；把 MOSS common benchmark 结果填到 Table I；用 nominal 1.04 替代真实 payload计账；把 project EVSBIG01称为作者 bitstream；为得到更好均值删除 failure；用新听测补作者 MUSHRA；用 current GPU timing判作者 i9 result失败；或在没有 checkpoint时模拟 ablation。

D3 允许与禁止的结论¶

D3 允许说：BigCodec D4 已冻结为完整 2,620-item current-release paper-family cross-check；strict 与 approximate/blocked claims已分开；唯一 endpoint、dataset、metric families、统计、RunPod边界、成本停止线与required outputs已在结果之前确定。

D3 禁止说：任何 author aggregate已复现；当前 evaluator与 paper-time binary等价；MCD/SIM/entropy delta 已经知道；MUSHRA/MLS/ablation 能够严格执行；Mac可以运行神经模型；或者 D3 protocol本身就是 evaluation complete。