Microsoft（微软）

TextGround4M: A Prompt-Aligned Dataset for Layout-Aware Text Rendering

TextGround4M：一种对齐提示的布局感知文本渲染数据集

Dongxing Mao, Yilin Wang, Linjie Li, Zhengyuan Yang, Alex Jinpeng Wang

机构 * Central South University（中南大学） ； Zhejiang University（浙江大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出TextGround4M数据集，通过细粒度布局监督提升文本生成的准确性，引入轻量训练策略和布局评估指标，验证了布局感知在文本到图像生成中的重要性。

Comments aaai poster; Project page: https://dongxingmao.github.io/TextGround4M.github.io/

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, vol. 40, no. 10, pp. 7918-7926, Mar. 2026

Learning to Refine: Self-Refinement of Parallel Reasoning in LLMs

学习以细化：LLMs中并行推理的自我细化

Qibin Wang, Pu Zhao, Shaohan Huang, Fangkai Yang, Lu Wang, Furu Wei, Qingwei Lin, Saravan Rajmohan, Dongmei Zhang

机构 * Microsoft（微软） ； Peking University（北京大学） 纠错

AI总结 本文提出Generative Self-Refinement方法，通过并行生成候选答案并细化最终答案，提升LLM推理性能，实验显示其在多个数学基准测试中表现优异。

NI Sampling: Accelerating Discrete Diffusion Sampling by Token Order Optimization

基于令牌顺序优化的NI采样：通过令牌顺序优化加速离散扩散采样

Enshu Liu, Xuefei Ning, Yu Wang, Zinan Lin

机构 * Department of EE, Tsinghua University（清华大学电子工程系） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出NI采样方法，通过优化令牌采样顺序显著提升离散扩散模型的采样效率，实验表明在保持准确性的同时，加速效果达14.3倍。

Comments Accepted by ICLR 2026

FunRec: Reconstructing Functional 3D Scenes from Egocentric Interaction Videos

FunRec：从第一人称交互视频重建功能3D场景

Alexandros Delitzas, Chenyangguang Zhang, Alexey Gavryushin, Tommaso Di Mario, Boyang Sun, Rishabh Dabral, Leonidas Guibas, Christian Theobalt, Marc Pollefeys, Francis Engelmann, Daniel Barath

机构 * ETH Zurich（苏黎世联邦理工学院） ； Max Planck Institute for Informatics（马克斯·普朗克研究所（信息学）） ； Stanford University（斯坦福大学） ； Microsoft（微软） ； USI Lugano（USI卢加诺） 纠错

AI总结 FunRec通过直接从第一人称RGB-D交互视频重建室内场景的3D数字双胞胎，实现了无需控制环境或多状态采集的交互式3D场景重建，提升了部分分割和重建精度。

Comments CVPR 2026. Project page: https://functionalscenes.github.io

"If You're Very Clever, No One Knows You've Used It": The Social Dynamics of Developing Generative AI Literacy in the Workplace

如果你非常聪明，没人会知道你已经用过了：职场中发展生成式AI素养的社会动态

Qing Nancy Xia, Marios Constantinides, Advait Sarkar, Duncan Brumby, Anna Cox

机构 * University College London（伦敦大学学院） ； CYENS Centre of Excellence（CYENS卓越中心） ； Microsoft Research（微软研究院） 纠错

AI总结 研究探讨职场中知识工作者如何通过社会动态发展生成式AI素养，发现隐藏AI使用痕迹可验证专业能力，但影响知识共享与透明度，提出促进开放对话和协作学习以提升AI素养。

Comments Accepted at CHIWORK 2026

Robust Least-Squares Optimization for Data-Driven Predictive Control: A Geometric Approach

数据驱动预测控制中鲁棒最小二乘优化：一种几何方法

Shreyas Bharadwaj, Bamdev Mishra, Cyrus Mostajeran, Alberto Padoan, Jeremy Coulson, Ravi N. Banavar

机构 * Indian Institute of Technology Bombay, India（印度班加罗尔印度理工学院） ； Microsoft India（微软印度） ； Nanyang Technological University, Singapore（新加坡南洋理工大学） ； University of British Columbia, Vancouver, Canada（加拿大不列颠哥伦比亚大学） ； University of Wisconsin-Madison, USA（美国威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出一种几何鲁棒最小二乘方法，通过近似子空间包含关系建模数据与真实空间的不确定性，改进了现有鲁棒最小二乘方法，实现更强的鲁棒性和更优的缩放性能。

Comments Accepted to the 8th Annual Learning for Dynamics & Control Conference June 17-19 2026, USC, Los Angeles, USA

AutoRISE: Agent-Driven Strategy Evolution for Red-Teaming Large Language Models

AutoRISE：面向大语言模型的代理驱动策略进化

Tanmay Gautam, Alireza Bahramali, Sandeep Atluri

机构 * Responsible AI, Microsoft（微软责任人工智能） 纠错

AI总结 本文提出AutoRISE，通过代理编辑攻击策略并评估，实现攻击策略的进化，提升了对抗成功率。

Comments 36 pages, 6 tables, 2 figures

Reflective Flow Sampling Enhancement

反射流采样增强

Zikai Zhou, Muyao Wang, Shitong Shao, Lichen Bai, Haoyi Xiong, Bo Han, Zeke Xie

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The University of Tokyo（东京大学） ； Microsoft（微软） ； Hong Kong Baptist University（香港 Baptist大学） 纠错

AI总结 本文提出Reflective Flow Sampling，一种针对流模型的无训练增强框架，提升文本图像生成质量与提示对齐。

MINT: Multi-Vector Search Index Tuning

MINT: 多向量搜索索引调优

Jiongli Zhu, Yue Wang, Bailu Ding, Philip A. Bernstein, Vivek Narasayya, Surajit Chaudhuri

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出MINT框架，针对多向量搜索场景，通过算法优化实现低延迟和存储召回约束下的索引调优，相比基线提升2.1至8.3倍。

Quantifying and Improving the Robustness of Retrieval-Augmented Language Models Against Spurious Features in Grounding Data

量化并提升检索增强语言模型对基础数据中虚假特征的鲁棒性

Shiping Yang, Jie Wu, Wenbiao Ding, Ning Wu, Shining Liang, Ming Gong, Hongzhi Li, Hengyuan Zhang, Angel X. Chang, Dongmei Zhang

机构 * Simon Fraser University（西蒙弗雷泽大学） ； Microsoft（微软） ； Atlassian ； Tongji University（同济大学） ； The University of Hong Kong（香港大学） ； Canada-CIFAR AI Chair, Amii（加拿大-CIFAR人工智能主席，Amii） 纠错

AI总结 本文研究检索增强语言模型对基础数据中虚假特征的鲁棒性问题，提出SURE框架用于量化和提升鲁棒性，分析虚假特征在RAG领域的广泛性与挑战性。

Comments ACL 2026 camera-ready version