R-DEIM Net：一种面向复述检测的理由增强双专家交互模型

论文提出 R-DEIM Net，一个 7600 万参数的双专家架构，用于复述检测。模型包含交互专家与推理专家：前者通过多尺度二维卷积和注意力头捕捉词元级相似模式并支持可变输入长度，后者用 Flan-T5-small 解码器生成理由作为辅助监督，并直接池化解码器隐藏状态作为分类特征而非重新编码生成文本。在 Quora Question Pairs 数据集上，10 折交叉验证取得 90.07% 准确率与 90.16% F1。

此前复述检测存在明显取舍：大语言模型准确率高但算力开销大，高效 Siamese-BERT 变体可扩展却牺牲理由生成的可解释性。该工作探索中等规模模型能否在保持竞争性准确率的同时输出人类可读理由，并以 7600 万参数达到接近 MFAE BERT 与 LLaMA-70B 的表现，为小参数下的可解释检测提供了一条新路径。

架构将任务拆为两条互补路径：交互专家负责词元级相似度建模，利用多尺度二维卷积与注意力头处理变长输入；推理专家用 Flan-T5-small 生成理由，但不把生成文本重新编码，而是抽取并池化解码器隐藏状态，作为分类的补充特征。这样理由生成既充当辅助监督信号，又避免二次编码带来的额外计算，从而在参数受限时兼顾准确率与可读解释。

对研发而言，该方案说明无需部署大语言模型，也可能在复述检测类任务上获得接近的准确率与额外可读理由，有助于降低推理算力成本。产品侧可将生成的解释用于审核、申诉说明或用户提示，提升判断透明度。但当前仅在单一数据集上验证，跨领域、多语言与生产级延迟仍需评估。

• 在问答社区或客服场景中，用同类双专家结构做重复问题合并，同时向运营展示合并理由。
• 将解码器隐藏状态作为特征的思路迁移到文本匹配、去重或相似工单分类，减少额外编码开销。
• 针对需要解释的审核流程，评估以 7600 万参数级模型替代大模型调用的可行性。
• 在自有复述或相似度数据上复现 10 折交叉验证，验证准确率与理由质量是否满足上线门槛。

• 论文只报告 Quora Question Pairs 结果，其他领域与中文数据集上表现如何尚不明确。
• 生成理由的忠实度与人工可读性未被量化评估，是否真正可信仍待确认。
• 7600 万参数模型的实际推理延迟、吞吐与部署成本未有数据。
• 与 MFAE BERT、LLaMA-70B 的对比是否在完全相同的数据划分与评测条件下完成，证据未说明。