在使用 MDTC (Multi-scale Depthwise Temporal Convolution) 模型配合 Max-Pooling Loss 进行唤醒词（KWS）训练时，我发现模型在流式部署（Streaming）场景下的表现与离线测试存在显著差异。
现象描述 (Observed Behavior):
离线测试： 使用 2-3s 的短音频剪辑进行测试，指标（唤醒率/误唤醒率）表现优异。
流式模拟： 在测试音频前随机填充（Padding）3s 的背景噪声以模拟流式输入的历史缓存（Cache）状态，发现误唤醒率（FAR）明显上升。
问题分析 (Problem Analysis):
该问题源于训练与推理时的 Cached State 不一致。训练时模型处理的是有限长度的独立样本，缺乏长程历史背景；而实际部署时，MDTC 的感受野会受到历史帧（History Buffer/Cache）的影响。当历史帧填充了非静音或复杂的噪声背景时，模型在 Max-Pooling 机制下容易产生虚警。
已尝试方案 (Attempted Fixes):
为了对齐分布，我尝试在训练阶段对样本前端进行 3s 的随机噪声 Padding（Data Augmentation），但实验结果显示对降低流式部署下的误唤醒率没有明显改善。
核心诉求 (Questions):
针对 MDTC + Max-Pooling 这种结构，是否存在更彻底的方案来解决这种“训练-部署不一致性”？
在使用 MDTC (Multi-scale Depthwise Temporal Convolution) 模型配合 Max-Pooling Loss 进行唤醒词（KWS）训练时，我发现模型在流式部署（Streaming）场景下的表现与离线测试存在显著差异。
现象描述 (Observed Behavior):
离线测试： 使用 2-3s 的短音频剪辑进行测试，指标（唤醒率/误唤醒率）表现优异。
流式模拟： 在测试音频前随机填充（Padding）3s 的背景噪声以模拟流式输入的历史缓存（Cache）状态，发现误唤醒率（FAR）明显上升。
问题分析 (Problem Analysis):
该问题源于训练与推理时的 Cached State 不一致。训练时模型处理的是有限长度的独立样本，缺乏长程历史背景；而实际部署时，MDTC 的感受野会受到历史帧（History Buffer/Cache）的影响。当历史帧填充了非静音或复杂的噪声背景时，模型在 Max-Pooling 机制下容易产生虚警。
已尝试方案 (Attempted Fixes):
为了对齐分布，我尝试在训练阶段对样本前端进行 3s 的随机噪声 Padding（Data Augmentation），但实验结果显示对降低流式部署下的误唤醒率没有明显改善。
核心诉求 (Questions):
针对 MDTC + Max-Pooling 这种结构，是否存在更彻底的方案来解决这种“训练-部署不一致性”？