Microsoft（微软）

Do Transformers Use their Depth Adaptively? Evidence from a Relational Reasoning Task

Transformer 是否会根据深度进行自适应使用？来自关系推理任务的证据

Alicia Curth, Rachel Lawrence, Sushrut Karmalkar, Niranjani Prasad

机构 * Microsoft Research Cambridge（微软研究院剑桥分部） 纠错

AI总结 本文通过控制多跳关系推理任务研究Transformer是否自适应使用深度，发现预训练模型在简单任务中使用较少层，而微调模型在更复杂的任务中更一致地自适应调整深度。

Comments Accepted at the ICLR 2026 Workshop on Logical Reasoning of Large Language Models

Development, Evaluation, and Deployment of a Multi-Agent System for Thoracic Tumor Board

胸腔肿瘤板的多智能体系统开发、评估与部署

Tim Ellis-Caleo, Timothy Keyes, Nerissa Ambers, Faraah Bekheet, Wen-wai Yim, Nikesh Kotecha, Nigam H. Shah, Joel Neal

机构 * Division of Oncology, Department of Medicine, Stanford University School of Medicine（斯坦福大学医学院肿瘤学部） ； Technology and Digital Solutions, Stanford Health Care（斯坦福健康医疗技术与数字解决方案部） ； Department of Biomedical Data Science, Stanford University School of Medicine（斯坦福大学医学院生物医学数据科学部） ； Nursing Informatics, Stanford Health Care（斯坦福健康护理信息学部） ； Department of Medicine, Stanford University School of Medicine（斯坦福大学医学院医学部） ； Microsoft AI, Redmond, WA（微软人工智能，西雅图） ； Stanford Cancer Institute, Palo Alto, CA（斯坦福癌症研究所） 纠错

AI总结 本文提出了一种多智能体系统，用于生成胸腔肿瘤病例摘要，以提高讨论效率和准确性，并验证了LLM在事实评分中的应用。

Comments 64 pages, 14 figures

MoDora: Tree-Based Semi-Structured Document Analysis System

MoDora：基于树的半结构化文档分析系统

Bangrui Xu, Qihang Yao, Zirui Tang, Xuanhe Zhou, Yeye He, Shihan Yu, Qianqian Xu, Bin Wang, Guoliang Li, Conghui He, Fan Wu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Microsoft Research（微软研究院） ； Beihang University（北航） ； Shanghai AI Lab（上海人工智能实验室） ； Tsinghua University（清华大学） ； Institute for Clarity in Documentation（文档清晰性研究所） ； Inria Paris-Rocquencourt（Inria巴黎-罗quentcourt研究中心） ； East China Normal University（华东师范大学） ； Scientific Writing Academy（科学写作学院） 纠错

AI总结 MoDora通过局部对齐聚合策略和组件相关树结构，提升半结构化文档的分析能力，实验表明其在准确性上优于基线方法。

Comments Extension of our SIGMOD 2026 paper. Please refer to source code available at https://github.com/weAIDB/MoDora

Locate, Steer, and Improve: A Practical Survey of Actionable Mechanistic Interpretability in Large Language Models

定位、引导与改进：大型语言模型中可操作机制可解释性的一项实用调查

Hengyuan Zhang, Zhihao Zhang, Mingyang Wang, Zunhai Su, Yiwei Wang, Qianli Wang, Shuzhou Yuan, Ercong Nie, Xufeng Duan, Feijiang Han, Qibo Xue, Zeping Yu, Chenming Shang, Xiao Liang, Jing Xiong, Hui Shen, Chaofan Tao, Zhengwu Liu, Senjie Jin, Zhiheng Xi, Dongdong Zhang, Sophia Ananiadou, Tao Gui, Ruobing Xie, Hayden Kwok-Hay So, Hinrich Schütze, Xuanjing Huang, Qi Zhang, Ngai Wong

机构 * The University of Hong Kong（香港大学） ； Fudan University（复旦大学） ； LMU Munich（慕尼黑大学） ； Tsinghua University（清华大学） ； Technische Universität Darmstadt（达姆施塔特技术大学） ； Technische Universität Berlin（柏林技术大学） ； Technische Universität Dresden（德累斯顿技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Nanjing University（南京大学） ； University of Manchester（曼彻斯特大学） ； Dartmouth College（达特茅斯学院） ； University of California Los Angeles（加州大学洛杉矶分校） ； University of Michigan（密歇根大学） ； Microsoft（微软） ； Tencent（腾讯） 纠错

AI总结 本文提出一个实用调查，围绕'定位、引导与改进'流程，系统分类定位和引导方法，展示如何通过该框架提升模型对齐、能力和效率。