MiMo-4K无字幕第1018自大狂到1022更开心一点标准API声画音频复核-2026-06-23

MiMo-4K无字幕第1018自大狂到1022更开心一点标准API声画音频复核-2026-06-23

运行材料

本页汇总 inspool-wiki-zh/raw/assets/4k-nosub-restart-20260623/1018-self-label-megalomaniac-nooffset/mimo-run 下四次 MiMo 标准 API 成功报告：

video-1018-to-1022-chain/01-34-30.866-01-34-50.233/mimo-report.md
audio-1018-exact/01-34-30.866-01-34-32.266/mimo-audio-report.md
audio-1018-to-1022-chain/01-34-30.866-01-34-50.233/mimo-audio-report.md
audio-1018-to-1022-counter-music/01-34-30.866-01-34-50.233/mimo-audio-report.md

用量：

video total_tokens=57469, prompt=53254, completion=4215, elapsed=69.966s
audio_exact total_tokens=1243, prompt=341, completion=902, elapsed=18.368s
audio_chain total_tokens=1919, prompt=505, completion=1414, elapsed=26.912s
audio_counter_music total_tokens=1638, prompt=491, completion=1147, elapsed=24.278s
total_tokens=62269

可保留为 T2 的方向

MiMo 视频报告可保留以下方向：

• 1018-#1020 由近脸在半透明膜面下连续承载，身体状态相对平直，不出现能坐实 自大 或 焦躁 的对应情绪表演；

• 1018 我是自大狂 可读为对 #1017 上传命令的口述执行，而不是可见设备上的上传动作；

• 1021 然后呢 具有继续索取/要求清单继续的功能；

• 1022 你应该更开心一点 从信息追问转向纠正式关怀或情绪管理；

• 片段未见报告 UI、屏幕、控制台、手机、键盘、耳机、对讲机、无线电或明确上传设备。

MiMo #1018 精确音频报告可保留以下方向：

• 单独听 #1018，可清楚听到 我是自大狂；
• 声音干净、直接、平稳，更接近标签式第一人称陈述；
• 不能确认音乐、节拍、旋律、和声、乐器、合成器、设备提示音、无线电/对讲机空间或声道空间打开；
• 从时序和形式上看，它可以作为 #1017 之后“提交第一条标签”的响应模式，但不能写成真实报告已经上传。

MiMo #1018 到 #1022 音频链可保留以下方向：

• 1018-#1020 形成列点式自我标签/自我分类；

• 1020 因句式变长，和前两句短标签不同，开始带有半解释/项目说明的形状；

• 1021 是低位追问，不是强打断；

• 1022 将对话从自我标签转向情绪建议/纠正。

反读音频报告对音乐边界很重要，可保留：

• 除人声外，只能确认持续低频声响或环境底噪；
• 不能确认旋律、节拍、和声进行、乐器、合成器序列或可重复音乐结构；
• 不能确认设备提示音、无线电/对讲机声像或声道空间打开。

必须降级的内容

以下内容不能从 MiMo 升级为事实：

• MiMo 视频对人物性别、可见人物身份、口型同步、可见人物即声源的判断，不能覆盖 T0 台词账。
• 自大狂 / 焦躁症 / 不擅长团队协作 不能写成现实心理诊断、人格事实或临床报告内容。
• MiMo 视频说“口述上传”“数据流”等可以保留为形式比喻，但不能写成真实上传动作或真实数字系统显影。
• MiMo 第一条音频链曾说存在稳定电子背景音乐、合成器低音和电子鼓点；该说法被反读报告和 T1 指标降级。最终只能写低频声床/环境底噪/材料声候选，不能写可确认音乐。

• 1022 的“开心一点”不能证明子丑现实情绪状态，只能说明话语方向转向外部纠正或情绪管理。

与 T1 的对照

T1 本地复核对 MiMo 作如下校正：

• 1018 RMS=-12.0748dBFS，Peak=0.0000dBFS，只比 #1017 低 0.5425dB，只比 #1022 高 0.3253dB；它被夹在上传命令和纠正式关怀两个强声之间。

• 1018 比 #1019 高 5.0700dB，比 #1020 高 6.9870dB，是自我标签链的强入口。

• 1018 后半 RMS=-11.3812dBFS，强于前半 -12.9006dBFS；它不是尾部塌落的低声自白。

• 1018 精确窗 voice_250_4000_ratio=0.903998，自我标签链 voice_250_4000_ratio=0.910702；声音主要是清楚人声，不是音乐本体。

• 1018 精确窗、#1018 到 #1020、#1018 到 #1022 链条左右声道均 corr=1.000000。

• 所有精确句、间隙和长链均无 silencedetect -45dB:d=0.3 silence event，但“不是静音”不等于“有配乐”。

• 1018 精确窗 scene>0.04 无命中；低阈值命中只能写作近脸/光线/运动变化，不是硬切或新空间。

综合使用口径

本轮 MiMo 的价值，是帮助确认 #1018-#1020 确实像一套近脸口述自我标签，且没有可见报告设备；同时通过反读把音乐误判降级。最终写法仍以 T0/T1 为准：#1018 不是现实诊断，而是 #1017 上传命令后的第一条自我分类输出；#1021 说明输出还不够，#1022 则把主体重新推入“应该更开心”的纠正式关怀。