缺的是归属而非词语
词级文本解混的起点是词汇证据完整、但归属信息已经丢失的情形。多个来源被序列化进同一条流：重叠的语音转写按时间合并，文档抽取把二维版面压成错误的线性顺序，并发智能体或无标注事件日志把部分输出写入共享流，只保留到达顺序。词都在，未知的是每个词的出现属于哪个来源。
论文把任务形式化为：给定交错流和已知来源数 K，恢复各来源序列，使每个已观测词的出现恰好被使用一次，并保留其来源内原始顺序。这比话语级对话解缠、段落级风格变化检测或带时间定位的说话人分离更细，因为归属可能在相邻词之间切换，且只能从混合词汇流本身来判定。
直接生成为何破坏精确重建
让大模型直接输出分离后的来源数组，会把两件事耦合在一起：判定归属和产出词语。论文认为这带来两种失效模式。每一次归属判定都会改变理解后续词所需的局部来源上下文，因此路由必须依赖历史；而自由生成可能遗漏、重复或改写已观测词，即使底层归属推断在结构上正确，也直接违反精确重建目标。
EPOR 把两者分开。因果语言模型被调整为对每个已观测词预测一个归属标签，条件为交错流和此前的路由决策。重建则是确定性的：索引重建按预测路由机械地收集原始词的出现。模型从不书写它正在归类的词。
约束解码保证路由结构合法
推理时，EPOR 使用补全安全的约束束搜索。可采纳规则把下一个标签限制在仍能构成完整规范路由的动作上：选定一个标签后，剩余位置数必须不少于尚未出现的来源数。EOS 被排除在路由字母表之外，解码在恰好 T 个归属符号后停止，其中 T 是已观测词的出现次数。
这保证的是结构合法性，而不是正确性。每条被接受的路由都是一个完整的规范划分，按索引递增读取每个标签集合会使用每个输入位置一次，并保留各来源内的顺序。但有限束搜索只是近似最大化路由得分，并不枚举完整支持集，也不保证全局最优路由。论文指出，束剪枝不会让保留下来的前缀变得非法，却可能丢弃全局得分最高的路由。
UNMIXBENCH 覆盖五条评测轨道
该基准涵盖受控合成混合、来自 AMI 和 ICSI 的时间戳派生语音、来自 ReadingBank 的版面派生文档流，以及模拟的并发数字输出。序列化扩展包含 3,433 个评测视图。其中 1,200 个数字视图是 400 个共享来源组上的三种调度，因此组级推理会把同一组的调度放在一起。ReadingBank 视图包含来自 828 篇测试文档的 833 个样例。
各轨道的混合生成方式不同。AMI 使用标注词时间合并，覆盖 59 场会议的 1,000 个窗口，平均混合强度 0.275；ICSI 开发集使用 15 场会议的 400 个窗口，强度 0.290；ReadingBank 使用元数据派生的阅读流，强度 0.176；数字轨道的平滑、突发和不等速率三种配置分别为 0.582、0.266 和 0.531。由于这些轨道使用不同的序列化机制和不同的平均强度，它们的错误率并不是同一难度的可互换度量。
4B 模型领先微调基线 22.3%
在五个主要 UNMIXBENCH 轨道上，4B 的 EPOR 模型在微调基线中取得最低的平均最小置换词错误率，把五轨均值相对紧凑源数组生成降低 22.3%，并与零样本前沿大模型保持竞争力。最小置换词错误率是在选择最佳全局重标号后对金标准来源计算的，分母是金标准词总数，因此它衡量的是词级不一致，而不是整个来源是否被赋予了正确身份。
比较对象是任务微调生成器和结构化基线，而不是所有可能的系统。论文还报告了一个匹配表示对照 PI-Route，它把规范目标替换为任意来源标签，并枚举全部 K! 种全局重标号；它在骨干、可训练参数、数据、学习率、轮数、上下文长度、来源数、训练次数、束预算、重建映射和指标上都与 EPOR 匹配。该对照用于分离出增益中有多少来自首次出现规范路由，而非来自额外容量。
训练配置与模型所见输入
任务适配比较使用后训练 Qwen3.5-4B，NF4 量化、rank-32 QLoRA、alpha 64、dropout 0.05、两轮训练、有效批大小 16，并做三次训练运行。EPOR 和 PI-Route 使用学习率 2e-4 和 1,024 个 LM token 的上下文。长度审计发现，3.4% 的监督 EPOR 序列超过 512 个 LM token，没有超过 1,024 的。
10,000 条训练样例按 (0.6,0.3,0.1) 的概率从 (2,3,4) 中抽取 K，实际得到 5,955、2,998 和 1,047 条，消耗 25,092 个来源片段且不重复使用。输入词在套用模型专属对话模板前先被索引并 JSON 编码。提示要求恰好 T 个单数字标签，每个索引输入 token 一个，首个标签固定为 0，新标签只能以当前最大标签加一的方式引入。提示被损失掩码；路由符号和助手终止后缀受监督。
可识别性审计说明了什么
由于合法划分在语义上仍可能出错，论文对 120 个受控 MultiNLI 样例做了两阶段审计，覆盖 K 为 (2,3,4)、四个来源相似度区间和五种混合设置。GPT-5.6 Sol 评审智能体被展示混合文本、K 和记录的来源划分，并被要求构造一个在语言上仍然合理的、实质不同的合法划分。它对 103 个样例没有找到明确替代，标记 7 个为不确定，另有 3 个为合理替代、7 个为强欠定。
随后人类评审检查了全部 120 个样例，对最初判定为明确的 103 个样例没有找到实质不同的合理替代。在 17 个非明确样例中，只有两个 K=4 的样例（目标混合强度 0.75 和 1.0）保留了一个合理替代；其余 15 个被判定只有一个可辩护的划分。论文明确指出，该面板是为探查困难样例而设计的，因此这一描述性比例既不是无偏的流行率估计，也不是最小置换词错误率的人类上限。
这些保证在哪里停止
解读结果时有三条边界值得注意。该形式化假设来源数 K 已知；联合推断来源数量及其归属被留作扩展。有限束解码保证结构合法，但不保证归属正确，论文的候选排序分析表明，即使在合法路由之间仍存在大量排序错误，因此更好的路由打分或重排仍可能带来增益。此外，该形式化隔离的是完整词汇观测下的归属恢复：真实流水线还可能包含 ASR 或 OCR 的插入、删除或替换，因此把证据保留路由扩展到含噪或不完整观测仍是开放问题。
实际优先级正来自这一区分。当每个词的出现都被观测到、只缺归属时，把归属推断与词汇再生成解耦是直接生成之外的可靠替代，而相对紧凑源数组生成在五轨均值上 22.3% 的降幅是值得权衡的数字。当词本身可能缺失或损坏，或 K 必须被推断时，精确重建保证不再适用，论文的证据也不覆盖该情形。
本文引用的文献
Word-Level Text Unmixing via Evidence-Preserving Ownership Routing with Language Models
4B 的 EPOR 模型在五个 UNMIXBENCH 轨道上于微调基线中取得最低的平均最小置换词错误率，把五轨均值相对紧凑源数组生成降低 22.3%，同时每个已观测词的出现恰好保留一次。