大厂专区
机构 * Microsoft Engage（微软Engage）
AI总结 该研究提出基于遍历马尔可夫链的健康比率方法，无需训练模型即可预测社交网络用户流失，在11500多个租户级网络上验证表现优异，已部署在Microsoft Engage用于客户健康监测与主动干预。
Comments 9 pages, 4 figures. Author manuscript accepted for publication in Microsoft Journal of Applied Research (MSJAR), Volume 23, Article 217
机构 * Tsinghua University（清华大学） ； Microsoft Research（微软研究院）
AI总结 本研究针对交互式HTML生成的交互体验、奖励信号等局限，提出WebCatalyst强化学习框架，在少样本训练下提升了相关基准指标，效果优于Claude Opus 4.7，证明提升反馈保真度是关键。
Comments 38 pages, 21 figures
半流式模型下的可达性与最短路径：$n^{1/3+o(1)}$次遍历
机构 * Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； Carnegie Mellon University（卡内基梅隆大学） ； Microsoft Research（微软研究院）
AI总结 针对半流式模型下单源可达性与最短路径计算的长期开放问题，本文提出基于隐式跳集的算法，将所需遍历次数从$n^{1/2+o(1)}$降至$n^{1/3+o(1)}$，同时改进了并行最短路径的工作-深度权衡结果。
GeoFaham：面向灾害响应的领域专用多智能体地理空间分析系统
机构 * Microsoft AI for Good Lab（微软向善人工智能实验室） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 提出面向灾害响应的多智能体地理空间分析系统GeoFaham，分解工作流为专业智能体并设响应存储，在40任务基准上优于通用编码智能体，token用量仅为其1/7.5。
机构 * The University of Newcastle（纽卡斯尔大学） ； Santa Clara University（圣克拉拉大学） ； The Communication University of China（中国传媒大学） ； Microsoft Research Asia（微软亚洲研究院） ； The University of Hong Kong（香港大学）
AI总结 提出PICA多智能体框架，结合AROIC与SGQR策略，提升了H.266/VVC等编解码器在多场景下的图像压缩性能。
机构 * University of New South Wales（新南威尔士大学） ； ETH Zurich（苏黎世联邦理工学院） ； Microsoft Security Response Center（微软安全响应中心）
AI总结 本文提出提示注入攻击的九个维度分类法，用于刻画攻击差异，分析现有基准的覆盖缺口，可辅助防御评估与测试用例生成。
Comments 19 pages, 9 figures
机构 * Tsinghua University（清华大学） ； Microsoft Research（微软研究院）
AI总结 Rondo是一种多路径传输方案，通过设计多路径控制器与数据包调度器，在高吞吐量下大幅降低数据包重排序，提升了受限缓冲区的有效吞吐量。
ReListen：使用冻结音频语言模型进行无需训练的时长一小时音频中的证据定位
机构 * School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院） ； Microsoft CoreAI（微软核心人工智能部门） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 ReListen是无需训练的方法，用冻结音频语言模型通过Jev风格扫描定位一小时音频中的证据，仅用少量音频即可在VoiceGiraffe等数据集上实现优于转录的问答表现，且速度更快、内存占用稳定。
RAFT：推理对齐微调提升视觉-语言-动作（VLA）策略后训练的鲁棒性
机构 * Princeton University（普林斯顿大学） ； Microsoft Research（微软研究院）
AI总结 针对通用VLA策略适配少量演示时鲁棒性下降的问题，提出两阶段后训练方法RAFT，在DROID、YAM等任务上显著提升分布外成功率与鲁棒性，推理数据混合可进一步优化性能。
机构 * New York University（纽约大学） ； Microsoft Research（微软研究院）
AI总结 该研究提出社交应用 SEAM，为共址社区构建共享关联记忆，经 46 人两周测试，可梳理群体知识、响应指令，助力成员发现新人和主题。
SciPhi-Chat：用于问答、对话与工具使用的空间音频智能体训练
机构 * Microsoft Research（微软研究院）
AI总结 本文提出SciPhi-Chat空间音频智能体，在MASU基准与ASA-Bench上取得最优性能，验证了推理监督对空间音频任务的关键作用。
机构 * Microsoft（微软公司）
AI总结 该研究针对含隐藏非高斯分量的扩散模型，提出基于矩访问与资源层级的两阶段学习方法，通过去噪损失的斯坦因差异等实现隐藏结构恢复，在实验中验证了谱转变与训练阈值的相关结论。
Comments 75 pages, 12 figures, jmlr
我们与AI开展了一场研究冲刺：AI奏效了，但研究本身并未成功
机构 * Microsoft（微软公司）
AI总结 该研究通过100分钟的团队研究冲刺试点，发现生成式AI虽能提升个人生产力，但会引发消耗瓶颈与研究孤岛问题，进而提出人-AI-人协作模式并给出7个可验证设计假设。
机构 * Laboratoire des Sciences du Climat et de l'Environnement, University Paris Saclay CEA CNRS（气候与环境科学实验室，巴黎萨克雷大学） ； Machine learning group, Microsoft Research（微软研究院机器学习组） ； Faculty of Environment, Science and Economy, University of Exeter（埃克塞特大学环境、科学与经济学院） ； Department of Earth System Science, Ministry of Education Key Laboratory for Earth System Modeling, Institute for Global Change Studies, Tsinghua University（清华大学全球变化研究院地球系统科学系） ； Laboratoire de Météorologie Dynamique, IPSL, CNRS, ENS, Université PSL, Sorbonne Université, École Polytechnique（动态气象学实验室，IPSL） ； Independent Researcher（独立研究者）
AI总结 本文提出19种动态全球植被模型的卷积神经网络模拟器，可快速复现训练期外的全球陆地碳汇，为全球碳预算估算提供更高效的工具。
Comments 6 figures; Methods and Supplementary Information (10 figures, 6 tables) included
机构 * Technical University of Berlin（柏林工业大学） ； Microsoft Research（微软研究院）
AI总结 本研究提出用归因法诊断单细胞基础模型（scFMs），通过细胞注释和扰动预测任务，揭示模型的生物学特征使用等信息，为scFMs开发提供依据。
架构、类型学与适应策略如何影响低资源非洲语言的自动语音识别（ASR）：一项对照实证研究
机构 * Microsoft Research Africa（微软研究院非洲） ； Lancaster University（兰卡斯特大学）
AI总结 本研究通过对照实验，分析架构、类型学与适应策略对低资源非洲语言 ASR 的影响，微调三类模型后发现 Phi-4 整体准确率最优，MMS 字符错误率相当，且明确了数据效率目标与适配器适应的局限性。
机构 * Microsoft Research（微软研究院） ； Harvard University（哈佛大学）
AI总结 该研究针对不可分商品分配问题，证明所有商品对智能体均有正价值时仍可能不存在帕累托最优EFX分配，且推广得α>2/3时帕累托最优α-EFX分配也可能不存在。
机构 * Microsoft, USA（微软） ； Centro de Informática, Universidade Federal de Pernambuco, Brazil（伯南布哥联邦大学信息学院） ； Departamento de Matemática, Universidade Federal Rural de Pernambuco, Brazil（伯南布哥联邦农村大学数学系）
AI总结 本文为带作用域的重写表示给出拓扑语义，构造带典范上域群胚结构的商箭头空间，证明拓扑一致性准则与充分条件，给出同伦类实现映射性质，以圆、环面为例分类，Lean开发包验证定理。
Comments 34 pages, 10 figures. Substantially revised and retitled; expanded presentation-invariance results, observable-quotient counterexamples, and geometric completeness examples; clarified formalization scope. Lean artifact: this https URL (https://github.com/Arthur742Ramos/TopologicalComputationalPaths)
基于Aries实验框架重新思考智能体服务系统的AI云基础设施
机构 * NTU Singapore（南洋理工大学） ； AWS（亚马逊网络服务） ； Microsoft（微软） ； AMD（超威半导体） ； Ant Group（蚂蚁集团） ； NCSpeech（新加坡国立大学语音实验室） ； Imperial College London（帝国理工学院） ； University of Edinburgh（爱丁堡大学）
AI总结 该研究针对自主智能体对传统LLM服务的挑战，提出Aries全栈实验框架，通过实验揭示服务系统的关键瓶颈，探讨智能体原生服务系统的设计愿景。
机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； Microsoft（微软） ； Apple（苹果）
AI总结 本研究提出训练数据中的单事实率是决定大语言模型科学发现能力的关键因素，通过操控训练集单事实率的实验验证了该结论。
Sonar-MoE：用于内存高效型混合专家（MoE）训练的反向传播中专家更新方法
机构 * Microsoft, India（微软印度公司） ； Singapore Institute of Technology, Singapore（新加坡理工学院） ； Indian Institute of Technology Kanpur, Kanpur, India（印度坎普尔理工学院） ； Indian Institute of Technology Delhi, New Delhi, India（印度德里理工学院） ； Indraprastha Institute of Information Technology Delhi, New Delhi, India（英德拉普拉斯塔信息技术学院德里校区） ； Nanyang Technological University, Singapore（南洋理工大学）
AI总结 Sonar-MoE将反向传播中优化器机制应用于MoE训练，通过反向传播中更新专家张量并立即释放梯度，降低峰值内存19%-22%，同时减少训练时间17%-23%，且性能与标准训练相当。
机构 * Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 该研究扩展EEG基础模型LaBraM的预训练数据与模型规模，训练多组不同参数的编码器，在23项任务中取得优于基线的性能，揭示预训练规模与下游适配匹配的重要性。
机构 * Microsoft Corporation（微软公司） ； University of Bologna（博洛尼亚大学）
AI总结 本文从架构视角探讨智能体互联网（IoA）的三层演进，研究其协议栈、系统抽象及服务计算层面的发展，以解决多智能体工作流的互操作性与可信治理问题。
TLAPS-Bench：用TLA+证明系统对真实世界系统规范的正确性进行形式化证明
机构 * Nanjing University（南京大学） ； Microsoft（微软公司） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Bangladesh University of Engineering and Technology（孟加拉国工程技术大学） ； IIT, University of Dhaka（达卡大学印度理工学院） ； Oracle（甲骨文公司） ； University of Lorraine（洛林大学） ； Inria（法国国家信息与自动化研究所） ； University of Toronto（多伦多大学） ； MongoDB（MongoDB公司） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 TLAPS-Bench是结合智能体AI为TLA+系统规范构建机器验证证明的基准，评估前沿AI智能体在其70个证明目标上的表现，最高得分模型GPT-6.1 Sol（max）证明了44.3%的目标，展现了端到端证明开发的挑战与机遇。
Comments 35 pages (10-page main text, references, and appendix), 7 figures, 20 tables. Benchmark and harness: https://github.com/specula-org/TLAPS-Bench
机构 * Zhejiang University（浙江大学） ； Microsoft Research（微软研究院） ； Monash University（莫纳什大学） ； Adelaide University（阿德莱德大学）
AI总结 提出History Forcing框架，通过残差解耦历史监督并校正蒸馏目标，提升长时序视频生成一致性，在1.3B模型上获SOTA，多数据集指标显著提升。
Comments Project Page: https://ziplab.co/History-Forcing-Project-Page/
机构 * KAIST AI（韩国科学技术院人工智能） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 Trace4D是一种基于4D状态序列的接地时空推理模型，通过构建含60万例4D感知等示例的训练集，采用联合微调与几何感知GRPO训练，在相关基准上提升了视觉语言模型的问答准确率。
Comments Project page: https://cvlab-kaist.github.io/Trace4D
扁平特征，精细图像？扩散Transformer的简单精细度控制
机构 * The Australian National University（澳大利亚国立大学） ； Microsoft（微软公司） ； The University of Queensland（昆士兰大学）
AI总结 针对文本到图像模型提示工程无法提供可靠连续精细度控制的问题，提出一种无训练方法，通过时间感知调度器调整扩散Transformer的标记能量分布熵，实现精细度的连续控制，且不损失图像质量与语义结构，开销极小。
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Microsoft Corporation（微软公司）
AI总结 本文提出Spatial Transfusion框架，将预训练空间音频理解模型扩展至生成与编辑，通过模态LoRA路由与课程学习策略，在保留空间理解能力的同时，在生成编辑任务上优于全微调模型，支持可控FOA生成与编辑。
Comments Project page: https://microsoft.github.io/spatial-transfusion/
机构 * University of Cambridge（剑桥大学） ； Microsoft AI for Good Research Lab（微软人工智能公益研究实验室） ； Aalto University（阿尔托大学） ； Wuhan University（武汉大学）
AI总结 该研究提出E²Forecast模型，在嵌入空间预测地球表面变化，相比预测光谱值效果更优，还可用于无监督异常变化检测，在9个遥感基础模型上验证了优越性。
Comments 22 pages, Code: https://github.com/ucam-eo/e2forecast
ParetoSaddler：面向质量与成本的智能体 harness 的帕累托引导优化
机构 * University College London（伦敦大学学院） ； Pohang University of Science and Technology（浦项科技大学） ； Southern University of Science and Technology（南方科技大学） ； Southeast University（东南大学） ； Microsoft（微软公司） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 ParetoSaddler 分离中间候选提升与最终部署选择，在 ClawMark、GAIA2 上同时提升 LLM 智能体 harness 的质量并降低成本，效果优于仅优化质量的方法。
Comments Project website and code will be available at https://aka.ms/ParetoSaddler-website
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈