技术摘要：基于验证器引导的十二音作曲法

问题陈述

大语言模型（LLMs）在生成有效的十二音（序列）音乐方面表现困难。虽然它们可以生成在表面上符合规则的乐谱，但经常会陷入“退化纹理”（degenerate textures）——即产生音乐性空洞的输出，例如仅有几个持续的和弦、塌陷的声部或近乎空白的小节。这种行为代表了一种“规范博弈”（specification gaming）：模型满足了基于规则的代理指标（例如“无重复音级”），却背离了预期的音乐目标（连贯且非退化的序列实现）。

现有的约束生成方法（如语法约束解码或自我修正）往往无法解决十二音作曲中特有的张力：合法性是一个清晰的局部布尔属性，而音乐质量则是全局性的。一个严格优化局部合法性的模型往往会牺牲全局连贯性。此外，标准的自我修正依赖于模型自身的声明而非可执行的验证，这使其容易受到相同失效模式的影响。

方法论

作者提出了一种神经符号框架（neuro-symbolic harness），该框架通过一个生成–验证–修复–追踪（Generate–Verify–Repair–Trace）循环来封装 LLM 提议者。该系统将高层规划和音符级提议（由 LLM 处理）与硬性约束检查及音高类分配（由确定性符号层处理）分离。

核心组件

1. 符号表示： 作曲作品被表示为带有 MIDI 音高、声部标签、序列形式标签和序列索引的有时间属性的事件多重集。系统运行在十二音变换群 $D_{12} \times C_2$（阶数为 48）之上。
2. 硬约束： 系统强制执行一组谓词 ($H$)，包括：
   • 序列一致性 ($H_{row}$)： 音高类必须与标记的序列形式切片相匹配。
   • 无过早重复 ($H_{agg}$)： 在游标推进之前，序列周期内不得出现重复的音高类。
   • 垂直非碰撞 ($H_{\perp}$)： 不同声部中同时发生的事件不得共享音高类。
   • 八度等价 ($H_{8}$)： 追踪的音高类必须与 MIDI 音高模 12 同余。
   • 纹理边界 ($H_{tex}$)： 对全局休止符和音区反转的约束。
3. 修复阶梯 ($\rho$)： 当候选事件违反约束时，确定性修复算子尝试在不改变音高类内容（保留序列）的情况下修复它。阶梯按如下方式升级：
   • 第 1–3 阶（确定性）： 通过调整时值（修剪尾部、产生重叠音符、在自由窗口内重新计时）来解决垂直碰撞。
   • 第 4–5 阶（LLM 补丁）： 如果时值调整失败，则调用 LLM 来编辑事件或重写序列片段。
   • 丢弃： 如果所有修复均失败，则丢弃该事件，并将该部分标记为需重新规划。
4. 追踪与不变性： 系统维护一种“步调一致的不变性”（lockstep invariant），确保验证器的序列游标不会滞后于生成器的游标，即使在事件被丢弃时也是如此。每个被接受的事件都携带一个追踪证书，允许系统记录哪些序列位置在修复过程中得以保留，哪些被丢弃。
5. 过程与审计： 系统区分了过程诊断（检查生成过程中累积的违规情况）和最终发布审计（对保留产物的独立检查）。如果最终审计失败，系统会明确拒绝发布乐谱，而不是试图强行发布。

核心贡献

1. 序列作曲的形式化： 作者将十二音作曲形式化为在 $\mathbb{Z}_{12}$ 上的约束序列生成，定义了核心事件一致性语言，并将过程诊断与最终产物审计分离。
2. 生成–验证–修复框架： 他们引入了一个使用序列保留修复算子以及生成器/验证器步调一致不变性的框架。这实现了事件局部的序列投影和单调的最优尝试选择，避免了对无条件全篇合法性的主张。
3. 实证评估： 研究通过 40 个受控任务（变量包括长度和纹理）评估了六种语言模型，其中包括旨在诱发退化现象的对抗性“红队”提示。

结果

通过 40 个任务和四组配对模型，该框架展示了相对于原始生成的显著改进：

• 审计交付率： 从原始生成的 13.3% 提升至使用框架后的 48.1%。框架在面对无效乐谱时会明确报错而非释放。
• 碰撞与一致性： 针对更严格的碰撞和序列一致性检查，通过率从 33.5% 上升至 58.3%。
• 退化性： 使用框架后，退化得分保持在 0.05 左右，即使在对抗性提示下也高于原始生成的退化率。
• 可解析性： 框架实现了 100% 的可解析性（480/480 次运行），而原始生成仅在 85.4% 的运行中产生可解析的候选对象。
• 专家评估： 五位专家的盲测显示，在遵循度 (85%)、感知合法性 (85%)、连贯性 (82%) 和整体质量 (90%) 方面，专家明显更倾向于框架生成的候选作品而非原始生成。
• 成本： 该框架计算成本高昂，每次运行平均调用 638 次 LLM 并消耗 823k 个 token（约为原始生成 token 数的 157 倍），凸显了质量与效率之间的权衡。

意义与主张

本文声称，该框架为在自动代理可能被满足但无法产生有用输出的领域中，提供了一种稳健的神经符号生成模式。通过将过程诊断与交付产物审计分离，系统提供了一个可检查的记录，用于追踪保留、修复和丢弃的素材。

作者对自身的主张持谨慎态度，指出：

• 由于放松了调度溯源（局部重新规划可能无法完全体现在最终蓝图中），系统并不保证全篇的合法性。
• 所观察到的增益仅限于特定的评估模型和提示族；并未声称具有超越这些范围的泛化能力。
• 高昂的计算成本使得在未进行进一步关于计算量的消融研究前，无法将增益完全归功于修复机制。
• 专家评估虽然显示了聚合偏好，但其评分者间一致性较低（$\kappa$ 范围为 -0.20 到 0.20），这表明尽管框架提高了客观指标，但主观音乐质量仍是一个复杂且多维度的挑战。

这项工作将十二音作曲定位为一个研究“精确规则执行”与“全局音乐连贯性”之间张力的清晰微观模型，并为其他结构化生成器（如代码或计划）提供了一个方法论模板。