Context is All You Need
上下文就是一切
机构 * Department of Medicine, University of California, San Diego（加州大学圣地亚哥分校医学系） ； Microsoft Corporation（微软公司）
AI总结 本文提出CONTXT方法，通过简单的特征变换实现上下文适应，提升模型在不同领域和任务中的鲁棒性，方法轻量易用且无需额外复杂性。
大厂专区
Microsoft（微软）
Effects of Generative AI Errors on User Reliance Across Task Difficulty
生成AI错误对用户依赖性的影响：任务难度跨维度研究
机构 * Stanford University（斯坦福大学） ； University of Chicago（芝加哥大学） ； Microsoft Research（微软研究院）
AI总结 本文通过生成图示任务实验，探讨生成AI错误对用户依赖性的影响，发现任务难度差异影响用户对AI错误的反应，揭示用户对不规则错误的容忍度。
Comments Published in CHI EA 2026
Exploration vs. Fixation: Scaffolding Divergent and Convergent Thinking for Human-AI Co-Creation with Generative Models
探索与固定：基于生成模型的人机协同创作中发散与聚合思维的支架设计
机构 * Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所） ； Microsoft（微软） ； Pennsylvania State University（宾夕法尼亚州立大学） ； Saarland Informatics Campus, Saarland University（萨尔大学萨尔信息学园区）
AI总结 本文提出HAICo系统，通过发散与聚合两种模式引导人机协同创作，提升创意和可用性。
Comments Preprint
Quantifying Trust: Financial Risk Management for Trustworthy AI Agents
量化信任：为可信AI代理的金融风险管理
机构 * Microsoft Research（微软研究院） ； Columbia University（哥伦比亚大学） ； Google DeepMind（谷歌DeepMind） ； Stanford University（斯坦福大学） ； t54.ai ； Virtuals ACP ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
AI总结 本文提出基于金融风险管理的Agentic Risk Standard框架，通过整合风险评估与补偿机制，将信任从隐含期望转为可衡量的产品保证，提升AI代理在开放环境中的可靠性。
Comments 30 pages, 9 figures
FunFact: Building Probabilistic Functional 3D Scene Graphs via Factor-Graph Reasoning
FunFact：通过因子图推理构建概率性功能3D场景图
机构 * ETH Zürich（苏黎世联邦理工学院） ； Microsoft（微软） ； University of Bonn & Lamarr Institute（波恩大学与拉马尔研究所）
AI总结 FunFact通过因子图推理构建概率性功能3D场景图，结合语义和几何先验，提升场景功能理解的鲁棒性与准确性。
VERT: Reliable LLM Judges for Radiology Report Evaluation
VERT：用于放射学报告评估的可靠LLM评判者
机构 * Cornell University（康奈尔大学） ； Microsoft Healthcare & Life Sciences（微软医疗健康与生命科学）
AI总结 本文提出VERT作为LLM评判者，通过对比现有指标和实验验证，展示了其在多模态和解剖结构上的鲁棒性及轻量级微调的有效性。
Learning Additively Compositional Latent Actions for Embodied AI
学习可加性组合的潜在动作以实现具身AI
机构 * Wuhan University（武汉大学） ； Tsinghua University（清华大学） ； Microsoft Research（微软研究院）
AI总结 本文提出AC-LAM模型，通过强制潜在动作空间上的可加性组合结构，提升动作表示的结构性和准确性，优于现有方法。
Rethinking Language Model Scaling under Transferable Hypersphere Optimization
重新思考在可转移超球优化下的语言模型扩展
机构 * Microsoft（微软）
AI总结 本文提出HyperP框架，通过Frobenius球约束和Muon优化器，在模型宽度、深度、训练token和MoE粒度间转移最优学习率，实现更稳定的扩展，同时引入SqrtGate机制提升MoE粒度扩展性能。
Emergent Social Intelligence Risks in Generative Multi-Agent Systems
生成多智能体系统中的涌现社会智能风险
机构 * University of Notre Dame（圣母大学） ； LMU Munich（慕尼黑大学） ； University of Washington（华盛顿大学） ； Bake AI ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； Stanford University（斯坦福大学） ； Microsoft Research（微软研究院） ； IBM Research（IBM研究院） ； Cohere ； The Ohio State University（俄亥俄州立大学）
AI总结 研究生成多智能体系统在共享资源竞争中的涌现风险，揭示集体行为自发复制人类社会故障模式的现象。
Bringing Your Portrait to 3D Presence
将您的肖像带入3D存在
机构 * Nanjing University（南京大学） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 本文提出统一框架，从单张肖像重建可动画的3D人体虚拟角色，解决姿态和构图敏感的特征表示、数据有限性和代理网格估计不可靠的问题。
Comments project page: https://zjwfufu.github.io/HuaPi-Page/
ProMediate: A Socio-cognitive framework for evaluating proactive agents in multi-party negotiation
ProMediate：多方谈判中评估主动代理的社认知框架
机构 * University of Southern California（南加州大学） ； Microsoft Corporation（微软公司）
AI总结 本文提出ProMediate框架，用于评估多方谈判中主动代理的社认知能力，通过模拟测试平台和新指标衡量共识变化、干预延迟等，结果显示社会智能代理在复杂谈判中表现更优。
Improving Generative Methods for Causal Evaluation via Simulation-Based Inference
通过基于模拟的推断改进因果评估的生成方法
机构 * College of Information and Computer Sciences, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校信息与计算机科学学院） ； Microsoft Research（微软研究院）
AI总结 本文提出SBICE框架，通过推断生成方法及其参数的后验分布，提高因果估计器评估的可靠性。
Comments 13 pages main text, 68 pages total
