论文：AI 论文、技术方法与基准测试第 18 页
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
- AI 摘要arXiv cs.AI
谷歌等机构提出 VERID，为实验室 AI 智能体构建语义数字孪生
一篇投稿 arXiv cs.AI 的论文提出 VERID（VERified Infrastructure for Discovery Laboratories），目标是打通 AI 智能体的高层推理与湿实验中易出错的物理现实之间的断层。VERID 是实验室工作单元的持久高保真语义数字孪生，提供四项核心服务：供智能体推理的可查询内省、用于协议验证的时间压缩仿真、完整留存实验记录的全量追踪，以及安全执行框架。作者用水性染料与去离子水混合物做了三个案例，验证其光学与流体基础，展示协议关键错误的提前发现、运行中的状态化错误恢复，以及事后识别细微物理故障。仿真还充当离散记账引擎，让智能体低成本地在计算机内探索实验设计，并通过迭代自博弈改进策略。
- AI 摘要arXiv cs.AI
ActionRAG 提出图扩散记忆架构，在 MemoryAgentBench …
ActionRAG 是一个面向 LLM 智能体长期记忆的图记忆架构，针对现有记忆流程的两个薄弱环节：索引阶段会把重复实体拆散，或把不同实体合并；在线检索阶段则常把初始相似度当作最终结果。该架构在索引端统一类型标签并做分层实体消解，在查询端用实体与三元组双通道检索形成初始证据集，并据此构建有界局部图，再通过查询条件化的接收端归一化扩散，结合局部路径结构修正三元组分数，同时用种子保护、枢纽惩罚通量和三元组物化保留直接证据。在 MemoryAgentBench 的八个确定性评分列上，平均准确率为 55.1，比最强的检索式记忆基线高 5.4 分；四个成本列上，单次查询的平均合成成本低于 0.001 美元，检索侧 p99 各分量合计 440.7 毫秒（消费级 Apple Silicon 环境）。
- AI 摘要arXiv cs.AI
arXiv 论文提出可解释的歌唱情感识别框架
一篇提交至 arXiv 的论文提出用少量歌唱专用描述符构建可解释的歌唱情感识别框架，这些描述符覆盖韵律、频谱、语音学与声乐技巧四类。研究用 SHAP 解读模型决策，用 GRAD-CAM 定性评估声乐技巧的学习表征。评估显示，歌唱专用特征能降低跨歌手差异，声乐技巧描述符可提供可解释的表达线索。在 VocalSet 上的域外评测显示，情感表达与真实技巧执行之间存在关联，颤音与咽音被视为情感传达的显著线索，SHAP 显示颤音依赖发音速率这一上下文。
- AI 摘要arXiv cs.AI
arXiv 论文探讨分子优化中经验库跨蛋白口袋的迁移效果
一篇 arXiv 论文研究 LLM 智能体在基于结构的药物设计中，能否把在一个蛋白口袋中积累的编辑经验复用到新口袋。作者用 CrossDocked2020 测试集上的一次运行日志做分析，以编辑位点接触、动作和轮次为键，发现经验库能明显区分改善型与恶化型编辑，但这种区分主要由编辑对分子尺寸的改变、动作和轮次解释，而非靶点描述。直接写出靶点名称时，区分度高出数倍；对经验库中未出现的口袋，只能靠描述迁移，而更具体的描述很少复现，更粗的描述区分力有限。作者认为，在所用表示与查找方案下，经验库更适合为智能体自身的候选分子排序以决定是否对接，而非直接规定该构建什么分子。
- AI 摘要arXiv cs.AI
LLaCO提出竞争感知语义调度，8B连续扩散模型对标离散扩散
LLaCO 是一项面向大语言模型的连续扩散生成框架，作者指出连续嵌入轨迹上存在几何轨迹与时间进程错位的问题，嵌入范数衰减会让欧氏距离产生虚假超越，因此 token 竞争需要按方向评估。作者把这种成对动态形式化为竞争阈值理论（CTT），并提出语义保留调度（SRS），让时间分配与身份衰减进程对齐。LLaCO 通过嵌入方向适配器和时间步条件调制，把预训练骨干适配到连续表示，并用球面加噪、以测地线插值走向带掩码偏置的端点，从而消除范数衰减。模型以 8B 规模实例化，表现优于此前的连续扩散基线，并与同规模离散扩散模型相当。
- AI 摘要arXiv cs.AI
研究：MCP 工具故障下，模型规模并未带来容错能力
一篇被 NeurIPS 2026 接收的论文提出 MCP-Injector，这是一个协议感知的故障注入中间件，它拦截 MCP 工具调用路径，按永久、瞬时、间歇三种持续性和可复现的调度注入故障。故障模型依据 1774 个开源 MCP 仓库中 57240 条 issue 与 PR 讨论提炼的故障分布校准。在 1350 组实验中，研究者交叉测试 20B 与 120B 两种骨干、三种 agent 框架和三种注入条件，发现以永久故障为主的压力配置使任务完成分从 8.08 降至 3.23（满分 10），降幅约 60%；120B 在故障下保留的无故障得分比例并不高于 20B（p=0.96），完成率反而更低（91.1% 对 95.6%）。不同 agent 框架吸收故障的能力存在差异。
- AI 摘要arXiv cs.AI
论文提出将信道配置信息注入无线电基础模型预训练
一篇投稿 IEEE ICC 2027 的论文提出，在无线电基础模型（RFM）预训练阶段引入信道配置（CFG）信息，使生成的嵌入带有配置先验。作者在三种数据规模下，把这种嵌入与原始信道 token 及多个基线模型对比，测试任务包括视距/非视距分类、定时提前估计和波束选择，并区分配置分布内与分布外两种场景。结果显示，在已见和未见配置下，该嵌入整体优于基线或与之相当，在标签稀缺时表现尤为明显。
- AI 摘要arXiv cs.AI
StarRTT 框架实现星链 LEO 卫星 RTT 无盲区实时预测
针对星链等低轨巨型星座因高速运动频繁切换卫星、导致往返时延（RTT）波动的问题，研究者提出端到端实时框架 StarRTT，把每秒一次的 serving satellite 识别与 RTT 预测合并，消除既有方法只在调度周期末完成识别所造成的识别盲区。框架内的 RT-LSTM 用历史 LSTM 编码历史 RTT 观测与实时卫星、网关相对特征，用未来 LSTM 处理经 TLE 推演的未来特征直至下一调度时刻。严格实时回测下，15 个预测时域与 15 个参考时隙索引平均 MAE 为 1.405 ms，较 LSTM、StarNet、ASTM 分别降低 4.3%、11.6%、22.1%，调度时刻相对 LSTM 降幅达 12.5%。
- AI 摘要arXiv cs.AI
IGG 基准发布：要求智能体先让目标可见再点击，人类 94.6% 对开源 VL…
研究者提出交互式 GUI 定位基准 IGG，针对静态截图中目标已可见这一假设的失效场景：目标可能在屏幕外、需状态变化或悬停后才出现、被遮挡，或延迟后才可操作。IGG 含 601 个任务，覆盖 16 个可控 GUI 环境与七类可见性约束，动作空间仅滚动、移动、拖拽、等待、点击。人类准确率 94.6%，GPT-5.5 为 79.4%，最强开源 VLM 仅 31.6%。两项干预显示瓶颈在“执行揭示动作”：告知 Qwen3-VL 该做哪个交互只把准确率从 30.8% 提到 33.9%，替它完成交互则升至 81.9%。该能力可通过训练获得。论文被 EMNLP 2026 主会接收。
- AI 摘要arXiv cs.AI
研究用微调 BERT 预测奥地利议员党派归属
一篇投稿至 KONVENS 2026 的论文提出，用微调后的 BERT 模型为奥地利国民议会每篇演讲输出各党派概率分布，再按发言人和党派汇总。研究先评估分布质量，再把预测偏差当作分析素材，而非性能缺陷。结论显示：联合执政的党派在语言特征上趋同，反对党与执政党的差异扩大；转党议员通常在转党之后才改变措辞。团队公开了 1996 至 2018 年议会演讲的党派预测数据集。
- AI 摘要arXiv cs.AI
MusicTwins 框架让音频语言模型模拟特定个体的音乐反应
MusicTwins 是一项让音频语言模型模仿特定个体听音乐反应的研究框架。它由人物摘要、个人记忆和后训练三部分组成：先从人的文字作品中提取背景、观点、性格、写作风格与音乐偏好，形成人物表征，再通过监督微调和强化学习对 Audio Flamingo Next 做后训练。在十个留出人物上的评测显示，该模型在性格、写作风格和对音乐的回应等人物保真度指标上有明显提升。作者认为这可以作为训练音频语言模型按人物设定聆听的基础。
- AI 摘要arXiv cs.AI
SAAF 框架实现零样本视频异常检测，三个数据集刷新纪录
SAAF 是一个无需训练数据的零样本视频异常检测框架，核心由三部分组成：在语义嵌入空间运行的双信号自适应采样器，用帧间余弦距离捕捉突变、用偏离滚动时序上下文捕捉渐变，两者以 OR 门控结合并配自适应 EMA 阈值；阈值门控的级联结构，先做轻量帧级打分，仅在置信度足够时才调用开销大的视频级时序分析；以及按触发信号动态调整分数组合的加权融合。在 XD-Violence、MSAD、ShanghaiTech 上分别取得 92.07%、86.70%、80.54% AUC-ROC，其中前两个数据集超过监督基线；吞吐为 44.95、48.61、41.06 FPS，较此前最佳零样本方法提升 2.43 倍、2.63 倍、2.22 倍。论文被 WACV 2027 接收。
- AI 摘要arXiv cs.AI
论文提出评估框架，衡量智能体失败该归咎模型还是执行框架
一篇 arXiv 预印本论文指出，LLM 智能体的基准表现由模型与执行框架共同决定，因此框架应结合具体模型来评估。作者提出五项指标：有效完成率（VCR）、模型-框架匹配度、跨模型匹配度、交互残差与 Token 负载。实验覆盖四个通用框架（OpenCode、Codex CLI、Pi CLI、DeepAgents）、四个核心模型及两个原生模型-框架系统，在六项基准上共得到 111 种设置、52168 条轨迹。结果显示框架排名随模型和基准变化，任务得分相近的执行画像可能不同；OpenCode 跨模型表现居首，DeepSeek V4 Flash Preview 在共享四项基准上保持较高平均 VCR。
- AI 摘要arXiv cs.AI
CASE：冻结多模态情绪模型的外部技能库方法
针对多模态大模型在语义相邻情绪上系统性混淆的问题，作者提出 CASE，一个面向多模态情绪识别的智能体技能框架。它不改动模型参数，而是维护一个稀疏、可自我进化的 EmotionSkill 库，把成对情绪的判别经验外置，推理时动态检索对应技能来强化边界推理，骨干模型保持冻结。在 CA-MER、DFEW、EMER 三个基准上验证了效果与可迁移性，其中 Qwen3-VL-8B 在 CA-MER 上平均准确率由 46.80% 提升至 59.13%。
- AI 摘要arXiv cs.AI
CauProphet 让智能体构建因果信念并跨任务迁移
一篇 arXiv 论文提出 CauProphet，针对现有 LLM 智能体只检索记录或摘要、无法形成并修正对世界因果理解的问题，让智能体在「因果认知」中积累并更新因果知识。面对每个任务，它把已有因果认知与当前证据结合，构建包含因果因素与可能动作效果的结构化「因果信念」，据此决策，并随新观察持续更新信念与认知，使因果知识不局限于单次经验。金融研究中，它与次日收益的平均秩相关优于全部基线，较某基线智能体提升 25.4%；动态真实场景预测准确率从 21.3% 升至 28.6%。
- AI 摘要arXiv cs.AI
PILOT 框架将推理视为隐变量，提升多模态嵌入检索表现
一篇 arXiv 论文提出 PILOT 框架，把多模态嵌入中的推理建模为隐变量，并让同一个多模态大模型分别承担先验和后验两种推理模式：先验只依赖输入，后验在训练时额外引入关系证据来引导推理探索。作者推导了重要性加权变分目标，并实现为先验与后验协同演化的框架，在共享的、与推理兼容的奖励下同时改进两种模式，并按效用和先验可达性有选择地把后验轨迹迁移给先验。在 78 项任务的 MMEB-V2 基准上，2B 与 7B 参数版本在全部 12 个任务组上均超过主要基线，总分分别提升 3.2 和 3.3 分，视觉文档检索提升最大，分别为 6.1 和 6.4 分。
- AI 摘要arXiv cs.AI
ALLMTS 让 LLM 执行分诊指南，过度升级率降至 2%
研究提出 ALLMTS，不直接让大模型做电话分诊判断，而是让它先选出对应的商业远程医疗指南，再逐条回答指南中的评估问题，处置结果按护士使用的同一遍历规则从第一个肯定回答确定性地得出。在 566 个经专家验证的合成场景（覆盖 14 种处置）上，ALLMTS 准确率为 0.95，直接调用 LLM 的基线为 0.47。团队另发布 50 场景开放基准，ALLMTS 在该子集上达到 0.98，与五名护士专家小组记录的 0.944 正确处置率相当；该子集上基线过度升级率最高 0.50（全数据集 0.44），ALLMTS 压到不超过 0.02，同时保持较低漏升级率。论文被 NeurIPS 2026 GenAI4Health Workshop 接收。
- AI 摘要arXiv cs.AI
论文提出 CONSTRAINTDIAL：用协议变异持续构造智能合约安全任务
这篇论文针对智能合约安全评测中答案可被记忆或复制的问题，提出 CONSTRAINTDIAL 框架，通过协议变异自动在本地重建合约，并用攻击执行结果筛选对调用或输入的改动，使原有攻击失效但漏洞可利用性、安全目标和正常功能保持不变。基于 203 个公开案例，该框架构造出 3045 个任务输入，覆盖检测、利用、修补三类。与仅做重建相比，协议变异使借助公开答案解题的成功率平均下降 10.9 个百分点，靠复制线上答案完成的任务比例下降 9.3 点。
- AI 摘要arXiv cs.AI
AutoMIL 开源框架发布：自动构建全切片图像分类流水线
研究团队提出开源框架 AutoMIL，把自动机器学习思路用于全切片图像的多实例学习分类，自动完成预处理、训练与评估等环节，免去人工配置流水线。默认设置下基准测试的 ROC-AUC 为：UBC-OCEAN 0.94、PCam 0.99、TCGA-NSCLC 子集 0.93 至 0.96，与已有专用流水线相当。集成主要改善不平衡数据上的表现，说明自动化流程需随数据集特性调整。
- AI 摘要arXiv cs.AI
DIGOM 用解耦交互图做多模态医疗结局预测
一篇投稿于 2026 年 10 月 23 日的论文提出 DIGOM 框架，用于多模态医疗数据的临床结局预测。该框架同时建模三类交互：同一患者跨模态、跨患者同模态、跨患者跨模态，并学习带解耦视图的稀疏多重图。模型通过可微机制采样患者自适应连接的离散邻接矩阵，实现端到端学习，不预设固定邻居数，并用正则项维持图稀疏性。在 MIMIC-IV 与 NIH-TB 两个数据集、五项临床预测任务上，DIGOM 的 AUROC 均为最高，且所用连接数少于现有多交互方法；消融显示各交互类型的贡献随任务变化，模型对模态缺失也更稳健。