Microsoft（微软）

Auditing and Controlling AI Agent Actions in Spreadsheets

对电子表格中AI代理行为的审计与控制

Sadra Sabouri, Zeinabsadat Saghi, Run Huang, Sujay Maladi, Esmeralda Eufracio, Sumit Gulwani, Souti Chattopadhyay

机构 * University of Southern California（南加州大学） ； California State Polytechnic University（加州州立理工大学） ； Microsoft（微软公司） 纠错

AI总结 本文提出Pista，一种可审计、可控的电子表格AI代理，通过分解执行过程让用户实时干预决策，提升用户对任务的理解和控制感。

Comments 11 pages, 5 figures

Continuous Semantic Caching for Low-Cost LLM Serving

连续语义缓存用于低成本大语言模型服务

Baran Atalar, Xutong Liu, Jinhang Zuo, Siwei Wang, Wei Chen, Carlee Joe-Wong

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Washington Tacoma（华盛顿大学塔科马分校） ； City University of Hong Kong（香港城市大学） ； Microsoft Research Asia（微软亚洲研究院） 纠错

AI总结 本文提出连续语义缓存框架，通过动态ε-网离散化与核岭回归，解决连续查询空间下的缓存优化问题，降低计算和切换开销。

CAST: Achieving Stable LLM-based Text Analysis for Data Analytics

CAST：实现稳定的大语言模型文本分析用于数据分析

Jinxiang Xie, Zihao Li, Wei He, Rui Ding, Shi Han, Dongmei Zhang

机构 * Nanjing University（南京大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Microsoft Research（微软研究院） 纠错

AI总结 CAST通过算法提示和先思考后发言提升大语言模型在表格数据分析中的输出稳定性，实验表明其在多个基准上表现最佳，稳定性提升达16.2%。

Comments ACL 2026 Findings

AutoGraph-R1: End-to-End Reinforcement Learning for Knowledge Graph Construction

AutoGraph-R1：知识图谱构建的端到端强化学习

Hong Ting Tsang, Jiaxin Bai, Haoyu Huang, Qiao Xiao, Tianshi Zheng, Baixuan Xu, Shujie Liu, Yangqiu Song

机构 * The Hong Kong University of Science and Technology（香港理工大学） ； Cornell University（康奈尔大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出AutoGraph-R1框架，通过强化学习直接优化知识图谱构建，提升检索增强生成任务性能。设计了两种任务感知奖励函数，使图谱作为知识载体和索引，实现构建与应用的闭环。

CRAFT: Training-Free Cascaded Retrieval for Tabular QA

CRAFT：无训练 cascaded 检索用于表格问答

Adarsh Singh, Kushal Raj Bhandari, Jianxi Gao, Soham Dan, Vivek Gupta

机构 * Arizona State University（亚利桑那州立大学） ； Rensselaer Polytechnic Institute（伦塞拉尔理工学院） ； Microsoft（微软） 纠错

AI总结 CRAFT 提出了一种无训练 cascaded 检索方法，通过稀疏检索模型筛选候选表格后，再用密集模型进行重排序，提升检索质量并在 NQ-Tables 和 OTT-QA 数据集上表现优异。

Comments Accepted to ACL 2026 Mains

MixLLM: LLM Quantization with Global Mixed-precision between Output-features and Highly-efficient System Design

MixLLM: LLM量化与输出特征间全局混合精度的高效系统设计

Zhen Zheng, Xiaonan Song, Chuanjie Liu

机构 * Microsoft（微软） 纠错

AI总结 MixLLM通过全局混合精度量化优化输出特征，提升LLM压缩精度与系统效率，实验显示在增加10%比特数下， perplexity和MMLU-Pro损失显著降低。

Comments Accepted at MLSys 2026

BatchLLM: Optimizing Large Batched LLM Inference with Global Prefix Sharing and Throughput-oriented Token Batching

BatchLLM: 通过全局前缀共享和面向吞吐量的令牌批处理优化大批次LLM推理

Zhen Zheng, Xin Ji, Taosong Fang, Fanghao Zhou, Chuanjie Liu, Gang Peng

机构 * Microsoft（微软） 纠错

AI总结 本文提出BatchLLM，通过全局前缀共享和面向吞吐量的令牌批处理优化大批次LLM推理，提高GPU利用率。

Comments Accepted at MLSys 2026