Microsoft（微软）

Quantizing With Randomized Hadamard Transforms: Efficient Heuristic Now Proven

使用随机哈达玛变换进行量化：一种高效的启发式方法已被证明

Ran Ben-Basat, William Kuszmaul, Michael Mitzenmacher, Amit Portnoy, Shay Vargaftik

机构 * UCL and Broadcom（UCL和Broadcom） ； Carnegie Mellon University（卡内基梅隆大学） ； Harvard University（哈佛大学） ； Microsoft（微软） ； VMware Research by Broadcom（Broadcom的VMware研究） 纠错

AI总结 本文研究了随机哈达玛变换在量化中的应用，证明了使用两个变换可近似均匀随机旋转的效果，并展示了三个变换在向量量化中的优势。

A Note on TurboQuant and the Earlier DRIVE/EDEN Line of Work

关于TurboQuant及其早期DRIVE/EDEN工作的注记

Ran Ben-Basat, Yaniv Ben-Itzhak, Gal Mendelson, Michael Mitzenmacher, Amit Portnoy, Shay Vargaftik

机构 * UCL and Broadcom（UCL和博通） ； VMware Research by Broadcom（博通VMware研究） ； North Carolina State University（北卡罗来纳州立大学） ； Harvard University（哈佛大学） ； Microsoft（微软） 纠错

AI总结 本文分析了TurboQuant与DRIVE/EDEN在量化方法上的关系，指出TurboQuant_mse是EDEN的特例，而TurboQuant_prod在多个方面表现欠佳，EDEN在精度上优于TurboQuant。

DataDignity: Training Data Attribution for Large Language Models

DataDignity: 为大语言模型训练数据的归因

Xiaomin Li, Andrzej Banburski-Fahey, Jaron Lanier

机构 * Microsoft（微软） 纠错

AI总结 研究提出通过归因方法识别支持语言模型响应的文档，引入FakeWiki基准测试，评估ScoringModel在九个模型上的表现，提升Recall@10至52.2，展示训练数据归因需区分真实支持与主题或词汇相似性。

XL-SafetyBench: A Country-Grounded Cross-Cultural Benchmark for LLM Safety and Cultural Sensitivity

XL-SafetyBench: 一个基于国家的跨文化安全基准，用于LLM安全性和文化敏感性

Dasol Choi, Eugenia Kim, Jaewon Noh, Sang Seo, Eunmi Kim, Myunggyo Oh, Yunjin Park, Brigitta Jesica Kartono, Josef Pichlmeier, Helena Berndt, Sai Krishna Mendu, Glenn Johannes Tungka, Özlem Gökçe, Suresh Gehlot, Katherine Pratt, Amanda Minnich, Haon Park

机构 * AIM Intelligence（AIM智能研究院） ； Microsoft（微软公司） ； Korea AISI（韩国人工智能研究所） ； KT Corporation（KT公司） ； BMW Group（宝马集团） ； Coinbase（Coinbase公司） ； Technical University of Munich（慕尼黑技术大学） ； Ankara University（安卡拉大学） ； Cyril Amarchand Mangaldas（Cyril Amarchand Mangaldas法律事务所） ； Seoul National University（首尔国立大学） 纠错

AI总结 XL-SafetyBench通过5500个跨10个国家语言对的测试案例，评估LLM在文化敏感性和安全性的表现，揭示了前沿模型的安全性与文化意识无耦合关系，以及本地模型在安全与文化敏感性间的线性权衡。

AgenticRAG: Agentic Retrieval for Enterprise Knowledge Bases

AgenticRAG：企业知识库中的代理检索

Susheel Suresh, Hazel Mak, Shangpo Chou, Fred Kroon, Sahil Bhatnagar

机构 * Microsoft Corporation（微软公司） 纠错

AI总结 AgenticRAG通过在现有企业检索基础设施上叠加轻量级代理框架，使语言模型能够自主迭代检索信息、导航文档并分析证据，提升了检索准确率和事实性。

Comments 14 pages, 5 figures

MedMamba: Recasting Mamba for Medical Time Series Classification

MedMamba：为医学时间序列分类重新设计Mamba

ZhengXiao He, Huayu Li, Xiwen Chen, Janet M Roveda, Jinghao Wen, Siyuan Tian, Ao Li

机构 * Department of Electrical and Computer Engineering, Villanova University（维拉诺瓦大学电气与计算机工程系） ； Microsoft Research Asia（微软亚洲研究院） ； Morgan Stanley（摩根士丹利） 纠错

AI总结 MedMamba通过引入空间中心化、多时间尺度时序组成和非因果上下文依赖等原理，设计了轻量级通道混合模块、多尺度卷积分块和双向Mamba块，有效提升医学时间序列分类性能，实验表明其在多个数据集上均优于现有方法。

What MLLMs Learn about When they Learn about Multimodal Reasoning

大语言模型在学习多模态推理时所学的内容

Jiwan Chung, Neel Joshi, Pratyusha Sharma, Youngjae Yu, Vibhav Vineet

机构 * Microsoft Research AI Frontiers（微软研究院人工智能前沿） ； Yonsei University（延世大学） ； Seoul National University（首尔国立大学） 纠错

AI总结 本文提出MathLens基准测试，通过分解性能为感知、推理和多模态特定组件，揭示多模态推理模型评估中隐含的假设。研究显示，不同训练策略导致的能力谱系不同，多模态特定错误占比上升，表明进展反映的是子技能平衡变化而非统一提升。

Sample-efficient LLM Optimization with Reset Replay

基于重置回放的高效大语言模型优化

Zichuan Liu, Jinyu Wang, Lei Song, Jiang Bian

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Microsoft Research Asia（微软亚洲研究院） 纠错

AI总结 本文提出LoRR方法，通过高重播训练和周期性重置策略提升偏好优化的样本效率，实验表明其在数学和通用推理基准上显著提升性能。