Microsoft（微软）

Safer by Diffusion, Broken by Context: Diffusion LLM's Safety Blessing and Its Failure Mode

扩散模型更安全，但受上下文影响而失效：扩散大语言模型的安全祝福及其失效模式

Zeyuan He, Yupeng Chen, Lang Lin, Yihan Wang, Shenxu Chang, Eric Sommerlade, Philip Torr, Junchi Yu, Adel Bibi, Jialin Yu

机构 * Torr Vision Group, University of Oxford（牛津大学Torr视觉组） ； 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） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft（微软） 纠错

AI总结 研究探讨了扩散大语言模型（D-LLMs）在生成效率上的优势及其安全特性，发现其扩散生成方式增强了对对抗攻击的抵抗力，但存在上下文嵌套等失效模式，首次成功突破Gemini Diffusion的安全防线。

GeoAI Agency Primitives

地理人工智能代理原语

Akram Zaytar, Rohan Sawahn, Caleb Robinson, Gilles Q. Hacheme, Girmaw A. Tadesse, Inbal Becker-Reshef, Rahul Dodhia, Juan Lavista Ferres

机构 * Microsoft AI for Good Lab（微软人工智能公益实验室） ； NASA Harvest 纠错

AI总结 本文提出9个原语用于地理人工智能代理层，解决GIS实践中迭代协作的缺失问题，通过基准测试提升人类生产力。

LiveMathematicianBench: A Live Benchmark for Mathematician-Level Reasoning with Proof Sketches

LiveMathematicianBench: 一个用于数学家级推理的实时基准

Linyang He, Qiyao Yu, Hanze Dong, Baohao Liao, Xinxing Xu, Micah Goldblum, Jiang Bian, Nima Mesgarani

机构 * Columbia University（哥伦比亚大学） ； Microsoft Research（微软研究院） ； University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 本文提出LiveMathematicianBench，一个基于近期arXiv论文的动态多选基准，用于评估大语言模型的数学推理能力，通过证明草图指导的干扰项生成机制，提升对真实理解的检测。

Comments Project page: https://livemathematicianbench.github.io/

DynaVid: Learning to Generate Highly Dynamic Videos using Synthetic Motion Data

DynaVid: 通过合成运动数据学习生成高度动态视频

Wonjoon Jin, Jiyun Won, Janghyeok Han, Qi Dai, Chong Luo, Seung-Hwan Baek, Sunghyun Cho

机构 * POSTECH（浦项科技大学） ； Microsoft Research Asia（微软亚洲研究院） 纠错

AI总结 DynaVid通过合成运动数据训练视频合成框架，解决动态视频生成中真实数据不足的问题，采用两阶段生成方法提升动态运动和摄像机运动的现实感与可控性。

Comments Accepted to CVPR 2026. Website: https://jinwonjoon.github.io/DynaVid/

Magic, Madness, Heaven, Sin: LLM Output Diversity is Everything, Everywhere, All at Once

魔术、疯狂、天堂、罪恶：LLM输出多样性无处不在

Harnoor Dhingra

机构 * Microsoft（微软） 纠错

AI总结 本文提出Magic, Madness, Heaven, Sin框架，从四个规范性场景分析LLM输出多样性，揭示任务目标对输出多样性的影响，强调需基于任务目标进行多样性评估。

Comments Under review

Emergent Dexterity via Diverse Resets and Large-Scale Reinforcement Learning

通过多样重置和大规模强化学习实现涌现的灵巧性

Patrick Yin, Tyler Westenbroek, Zhengyu Zhang, Joshua Tran, Ignacio Dagnino, Eeshani Shilamkar, Numfor Mbiziwo-Tiapo, Simran Bagaria, Xinlei Liu, Galen Mullins, Andrey Kolobov, Abhishek Gupta

机构 * University of Washington（华盛顿大学） ； NVIDIA（英伟达） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出OmniReset框架，通过模拟器重置和固定超参数，实现单奖励函数解决广泛灵巧操作任务，提升鲁棒性和扩展性。

V-OCBF: Learning Safety Filters from Offline Data via Value-Guided Offline Control Barrier Functions

V-OCBF：通过价值引导的离线控制屏障函数学习安全过滤器

Mumuksh Tayal, Manan Tayal, Aditya Singh, Shishir Kolathaya, Ravi Prakash

机构 * Microsoft Research, India（微软研究院（印度）） 纠错

AI总结 本文提出V-OCBF方法，通过价值引导学习离线数据中的安全过滤器，无需依赖在线交互或专家设计的屏障函数，有效提升安全性和任务性能。

Comments 28 pages, 9 figures, 11 tables. Paper accepted at TMLR

Align to Misalign: Automatic LLM Jailbreak with Meta-Optimized LLM Judges

对齐以错位：基于元优化LLM评判者的自动LLM劫持

Hamin Koo, Minseon Kim, Jaehyung Kim

机构 * Yonsei University（延世大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出AMIS框架，通过双层结构联合优化劫持提示和评分模板，提升LLM劫持效果，实测在AdvBench和JBB-Behaviors上取得最佳性能。

Comments ICLR 2026