大厂专区
机构 * Indraprastha Institute of Information Technology, Delhi（因德拉普拉斯塔信息技术学院德里校区） ； TurboML ； Microsoft（微软） ； Nanyang Technological University（南洋理工大学） ； Indian Institute of Technology, Kanpur（坎普尔印度理工学院） ； Singapore Institute of Technology（新加坡理工学院）
AI总结 该研究针对语言模型压缩问题，发现模型规模越大，压缩的损害越难被网络补偿，小模型中无害的压缩在大模型中会造成显著损失。
机构 * Amazon（亚马逊） ； Microsoft（微软）
AI总结 该研究构建了针对任务篡改攻击的间接提示注入基准，发现现有防御对不同攻击类型的效果存在差异，仅针对目标的评估会高估防御覆盖范围。
Comments 34 pages, 6 figures. Code and data: this https URL (https://github.com/amazon-science/task-tampering-prompt-injection)
机构 * Microsoft Applied Sciences Group（微软应用科学集团）
AI总结 HyFlash是一种用于设备端推测解码的紧凑并行起草器，通过前缀记忆先验分离长程与细粒度建模，在更少KV存储下实现更高接受率，对浅层起草器和长上下文增益更显著。
回环Transformer：面向残差回环Transformer的统一视角
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校） ； California Institute of Technology（加州理工学院） ； Microsoft（微软公司）
AI总结 该研究提出Loopback Transformer，通过残差连接的深度-记忆视角设计，在减少参数的同时，在ClimbMix数据集及13个下游任务上取得优于标准Transformer和其他回环残差设计的性能。
Comments 31 pages, 9 figures. Code: this https URL (https://github.com/yancyou/Loopback); Project page: this https URL (https://yancyou.github.io/Loopback_page/)
生成的价值观是谁的？测量多语言文本到图像生成中的视觉价值泄露
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 该研究提出VisionValueBench基准，发现多语言T2I系统存在视觉价值泄露现象，其生成图像偏向特定文化价值取向，地理线索可部分调整取向但语言影响有限，全球系统文化价值观具同质性。
Comments 36 pages
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 * University of Cambridge（剑桥大学） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； MIT（麻省理工学院） ； Microsoft Research New England（微软研究院新英格兰分院）
AI总结 本文提出离散吉布斯迭代神经采样器，一种定点神经采样器，解决现有离散神经采样器的模式崩溃、无收敛保证和依赖特定参考过程等问题，实现高效可扩展学习，并扩展到高维系统和合金相图估计。
机构 * EPFL（洛桑联邦理工学院） ； Microsoft Research（微软研究院）
AI总结 本文指出SMT求解器中量词实例化的深度记账非合流导致结果不稳定，提出一种稳定的新记账方法，在Z3中实现，使Mariposa基准不稳定核心的结果不稳定性降低94%且无性能回退。
SeKV：面向长上下文LLM推理的分辨率自适应KV缓存与层次化语义记忆
机构 * University of British Columbia（不列颠哥伦比亚大学） ； Microsoft Research（微软研究院）
AI总结 提出SeKV，一种分辨率自适应的语义KV缓存方法，通过熵引导的语义片段和GPU-CPU层次化存储，在不丢弃信息的情况下实现按需token级重建，平均性能提升5.9%，GPU内存减少53.3%。
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Microsoft Research（微软研究院） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 提出EMA算法，通过引入附着在图边上的紧凑摘要Marker，实现支持混合数值和类别属性多谓词查询的过滤近似最近邻搜索，并支持高效动态更新，在多种工作负载下速度提升1.68至12.25倍。
Comments 13 pages, 9 figures
HyperGraphPro: 为结构引导的超图RAG设计的进度感知强化学习
机构 * KAIST（韩国科学技术院） ； Microsoft（微软） ； Amazon（亚马逊）
AI总结 HyperGraphPro通过结合语义相关性和图连接性，改进超图检索机制，采用基于进度的逐步策略优化，提升多步推理的准确性和生成质量。
Comments In progress
机构 * University of Florida（佛罗里达大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Microsoft Research（微软研究院） ； Max Planck Institute of Molecular Cell Biology and Genetics（马克斯·普朗克分子细胞生物学与遗传学研究所） ； Technische Universität Dresden（德累斯顿工业大学） ； Freie Universität Berlin（柏林自由大学） ； Rhodes College（罗兹学院）
AI总结 本文研究了无法嵌入到$\mathbb{R}^d$的紧空间的不连续性程度，并通过定义尺度不变的不连续性模量，获得了Haefliger--Weber类型的量化不可嵌入结果以及拓扑Tverberg定理的量化版本。
Comments 18 pages, 3 figures. Version accepted for publication; updated author list: Sunhyuk Lim is no longer an author by mutual agreement
机构 * Mila（米拉人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； Yale University（耶鲁大学） ； Microsoft Research（微软研究院） ； Microsoft（微软） ； University of Maryland（马里兰大学）
AI总结 该研究通过提出迭代打乱推理（IBIS）算法，在GLUE套件等场景中反驳了“词序编码NLP任务必需意义”的假设，证明多数情况下词序打乱难改变信息，且IBIS优于现有词序算法，可用于语言建模与约束生成。
Comments EMNLP 2021; code: this https URL (https://github.com/whitammer/ibis)
机构 * Boston University（波士顿大学） ； Microsoft Research, New England（微软研究院新英格兰分部） ； Harvard University（哈佛大学）
AI总结 该研究针对信息设计者未知接收者主观信念的问题，构建鲁棒学习算法，实现无遗憾且收敛速度达O(log²T/T)，性能优于现有方法。
Comments 85 pages, 4 figures, 2 figures drawn in latex
机构 * ETH Zurich（苏黎世联邦理工学院） ； MPI for Intelligent Systems, Tübingen（图宾根智能系统马克斯·普朗克研究所） ； Technical University of Munich（慕尼黑工业大学） ； University of Warsaw（华沙大学） ； Nomagic（诺马吉克公司） ； Carnegie Mellon University（卡内基梅隆大学） ； UC Berkeley（加州大学伯克利分校） ； Microsoft（微软公司） ； Amazon FAR（亚马逊FAR部门） ； Physical Intelligence（物理智能研究所）
AI总结 本研究探究通用机器人策略能否实现多任务通用化改进，通过开发结构化评估方法并系统评估算法设计选择，证明基于价值的强化学习结合合适方案可实现机器人基础模型的在线通用化改进。
机构 * Microsoft（微软）
AI总结 本研究针对大语言模型对话中难以直接监测心理伤害的问题，提出检测响应层面的心理伤害风险因素，构建相关语料库并对比多种检测方法，实现了可扩展的纵向心理安全监测。
机构 * Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Microsoft Research New England（微软研究院新英格兰） ； Tata Institute of Fundamental Research, Mumbai（孟买塔塔基础研究所）
AI总结 该研究探讨在位卖家在面临可替代商品竞争时的机制设计，通过承诺与随机化设计最优机制，可获正收益，且买家选交互顺序的能力对在位卖家或有利，无承诺时则仅得伯川德收益。
Comments 84 pages
机构 * Microsoft, India（微软印度） ； Microsoft Research, USA（微软研究院美国）
AI总结 本研究通过试点实验对比前沿视觉模型与人类标注者的可视化偏好判断，发现LLM作为评判者会压缩人类主观性，存在过滤优质可视化的风险。
Comments IEEE VIS 2026 (VISxGenAI Workshop)
HarnessFlow：基于蒙特卡洛树搜索（MCTS）的LLM智能体 harness 优化方法
机构 * South China University of Technology（华南理工大学） ； Fudan University（复旦大学） ； Wuhan University（武汉大学） ； Cornell University（康奈尔大学） ； University of California, San Diego（加利福尼亚大学圣地亚哥分校） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 HarnessFlow 是基于 MCTS 的 LLM 智能体 harness 优化框架，在六个基准测试中优化后 harness 平均得分 69.48%，优于初始 harness 和 Meta-Harness，且执行成本更低。
Comments 18 pages, 8 figures, 7 tables
机构 * University of Oxford（牛津大学） ； Microsoft Research（微软研究院）
AI总结 该研究提出RcRL方法，利用生成-验证差距，结合成对偏好与规则课程，在创意写作和HealthBench任务上均优于基线模型，实现了持续改进。
Comments Accepted at ICML 2026
机构 * People’s Public Security University of China（中国人民公安大学） ； Dalian University of Technology（大连理工大学） ； Microsoft China（微软中国） ； Beihang University（北京航空航天大学） ； Beijing Police College（北京警察学院） ； Criminal Investigation Police University of China（中国刑事警察学院）
AI总结 针对现有诈骗视频检测研究的局限性，提出含6614个视频的MechScam基准及ScamCourt辩论框架，实验显示ScamCourt可降低误报率、抵御误导性论证，提升检测可靠性与可解释性。
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft（微软）
AI总结 SysPilot是基于库性能契约的跨库性能自动调优系统，可复用库性能知识，在跨库争用场景中性能优于OpenTuner等通用调优器，且运行次数更少。
Comments SysPilot is open source at https://github.com/yinengy/SysPilot
机构 * IIIT Delhi（德里印度信息技术学院） ； RIKEN-AIP（理化学研究所人工智能项目） ； Microsoft Research（微软研究院） ； The University of Tokyo（东京大学） ； IIT Kanpur（坎普尔印度理工学院）
AI总结 本研究针对公平分类问题，推导了公平贝叶斯误差率的显式表达式，构造了仅用软标签和群体信息的一致估计器，可稳健估计最优公平性-准确性权衡曲线。
Comments Accepted at Neurips 2026
结合专家批评与大语言模型驱动的优化：一种用于构建高质量AI评估数据集的迭代方法
机构 * Microsoft Corporation（微软公司）
AI总结 该研究提出SME-C人机协同工作流程，结合专家批评与LLM优化构建金融业务简报领域的评估数据集，两种优化策略均提升了响应质量，为构建低成本规模化的领域评估资源提供了可行方案。
Comments 20 pages, 7 figures, 9 tables
机构 * Oregon State University（俄勒冈州立大学） ； Microsoft Research（微软研究院）
AI总结 本文提出TACT（可追溯AI主题分析委员会），通过含核心流程及对抗模型、决策模型的变体，在256条Stack Overflow线程数据集上验证其F1、Cohen's κ表现，为AI辅助定性分析提供实用方案。
Comments 12 pages
机构 * Bocconi University（博科尼大学） ； New York University（纽约大学） ； Microsoft Research（微软研究院） ； Carnegie Mellon University（卡内基梅隆大学） ； State Key Laboratory for Novel Software Technology, Nanjing University（南京大学软件新技术国家重点实验室） ； University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出多项式时间(ε,δ)-边差分隐私算法发布合成图，加性误差为n polylog n，优于此前边界，还在Lean中形式化结果，改进了私有图分析下游任务的误差边界。
机构 * Advanced Micro Devices Inc（超威半导体） ； Broadcom Inc（博通） ； OpenAI OpCo LLC（OpenAI运营公司） ； NVIDIA Corp（英伟达） ； Intel Corp（英特尔） ； Microsoft Corp（微软）
AI总结 提出一种面向大规模AI/ML训练的开放生产级传输协议MRC，通过扩展RoCEv2实现逐包多路径、发送端拥塞控制及快速丢包恢复，增强以太网可靠性。
机构 * Beijing Institute of Technology（北京理工大学） ； Heriot-Watt University（赫瑞-沃森大学） ； Shenzhen Institutes of Advanced Technology, CAS（深圳先进技术研究院） ； Microsoft Research NY（微软研究院纽约分部） ； Tsinghua University（清华大学） ； Jilin University（吉林大学）
AI总结 SLOPE通过乐观势能估计构建信息丰富的势能景观，解决稀疏奖励环境下梯度信息不足的问题，提升模型在稀疏、半稀疏和密集奖励任务中的性能。
Comments NeurIPS 2026
机构 * HKUST（香港科技大学） ； Microsoft Research Asia（微软亚洲研究院） ； Duke University（杜克大学） ； Northwestern University（西北大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Microsoft（微软）
AI总结 针对大语言模型社会模拟中缺乏真实代表性人设集的问题，提出从社交媒体生成人设、质量过滤、重要性采样全局对齐及任务适配的系统框架，显著降低人口偏差，支撑准确灵活的社会模拟。
机构 * ETH Zürich（苏黎世联邦理工学院） ； Zhejiang University（浙江大学） ； Microsoft（微软公司）
AI总结 EgoM2P提出基于高效时间分词器和掩码建模的以自我为中心多模态多任务预训练框架，统一支持注视预测、相机跟踪、深度估计及视频合成，性能媲美专用模型且速度快一个数量级。
Comments Accepted by ICCV 2025
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