Microsoft（微软）

What if AI systems weren't chatbots?

如果人工智能系统不是聊天机器人呢？

Sourojit Ghosh, Pranav Narayanan Venkit, Sanjana Gautam, Avijit Ghosh

机构 * University of Washington Seattle（华盛顿大学（西雅图）） ； Salesforce Research（Salesforce研究） ； Microsoft（微软） ； Hugging Face and University of Connecticut（Hugging Face与康涅狄格大学） 纠错

AI总结 本文探讨了将AI主要作为对话助手的聊天机器人范式带来的结构性弊端，分析其对社会、经济、法律和环境系统的影响，并提出替代的AI发展方向。

Comments Accepted at The 2026 ACM Conference on Fairness, Accountability, and Transparency, June 25--28, 2026, Montreal, QC, Canada

Measuring and Mitigating the Distributional Gap Between Real and Simulated User Behaviors

测量和缓解真实与模拟用户行为之间的分布差距

Shuhaib Mehri, Philippe Laban, Sumuk Shashidhar, Marwa Abdulhai, Sergey Levine, Michel Galley, Dilek Hakkani-Tür

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Microsoft Research（微软研究院） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出了一种方法，系统评估24个基于LLM的用户模拟器在编程和写作任务中的表现，揭示了真实用户行为与模拟行为之间的显著分布差异，并通过组合互补的模拟器来缩小这一差距。

An Efficient Hybrid Sparse Attention with CPU-GPU Parallelism for Long-Context Inference

一种高效的混合稀疏注意力机制，结合CPU-GPU并行计算用于长上下文推断

Feiyu Yao, Zhixiong Niu, Xiaqing Li, Yongqiang Xiong, Juan Fang, Qian Wang

机构 * Beijing University of Technology（北京理工大学） ； Microsoft Research（微软研究院） ； Beijing Jiaotong University（北京交通大学） 纠错

AI总结 本文提出Fluxion，通过输出感知的KV预算分配、头特定的稀疏配置和跨设备协调执行，提升长上下文推断的效率与准确性，实测在多种任务中取得显著加速效果。

Revisiting Transformer Layer Parameterization Through Causal Energy Minimization

重新审视通过因果能量最小化进行Transformer层参数化

Jin Xu, Camille Couturier, Victor Rühle, Saravan Rajmohan, James Hensman

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

AI总结 本文提出因果能量最小化框架，将Transformer层视为条件能量函数的优化步骤，揭示了权重共享、低秩交互等设计空间，验证了在百万人参数规模下，能量引导的层设计能稳定训练并匹配基线模型。

GC-ART: Global Learnable Second-Order Rational Tone Curves for Illumination Robustness

GC-ART：全局可学习的二阶有理色调曲线用于光照鲁棒性

Wei Huang, Joyce Huang

机构 * Microsoft（微软公司） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 GC-ART通过全局可学习的有理色调曲线提升图像分类鲁棒性，采用轻量可微预处理模块，在CIFAR-10上实现对比度腐蚀的最佳性能。

When Are Experts Misrouted? Counterfactual Routing Analysis in Mixture-of-Experts Language Models

专家误路由何时发生？混合专家语言模型中的反事实路由分析

Youngsik Yoon, Siwei Wang, Wei Chen, Jungseul Ok

机构 * Department of Computer Science and Engineering, POSTECH, South Korea（韩国POSTECH计算机科学与工程系） ； Graduate School of Artificial Intelligence, POSTECH, South Korea（韩国POSTECH人工智能研究生院） ； Microsoft Research Asia, Beijing, China（中国北京微软亚洲研究院） 纠错

AI总结 研究探讨了混合专家模型中路由选择的质量评估，发现标准路由在自信 token 上表现良好，但在脆弱 token 上存在误分配问题，通过更新路由层可提升模型性能。

PaT: Planning-after-Trial for Efficient Test-Time Code Generation

PaT：在试后进行规划以实现高效的测试时间代码生成

Youngsik Yoon, Sungjae Lee, Seockbean Song, Siwei Wang, Wei Chen, Jungseul Ok

机构 * Department of Computer Science and Engineering, POSTECH, South Korea（韩国POSTECH计算机科学与工程系） ； Graduate School of Artificial Intelligence, POSTECH, South Korea（韩国POSTECH人工智能研究生院） ； Microsoft Research Asia, Beijing, China（中国北京微软亚洲研究院） 纠错

AI总结 本文提出PaT方法，通过在试后规划来提高测试时间代码生成的效率，采用异构模型配置在多个基准和模型家族中显著提升了成本性能帕累托前沿。

Comments Accepted to ACL 2026 main conference

Sample Complexity of Stochastic Optimization with Integer Variables

随机优化中整数变量的样本复杂度

Hongyu Cheng, Yinghao Zheng, Marco Molinaro, Amitabh Basu

机构 * Dept. of Applied Mathematics & Statistics（应用数学与统计学系） ； Johns Hopkins University（约翰霍普金斯大学） ； Microsoft Research (Redmond)（微软研究院（红mond）） ； Dept. of Computer Science, PUC-Rio（计算机科学系，巴西圣保罗大学） 纠错

AI总结 本文研究了随机优化中整数变量的样本复杂度，发现整数优化在某些情况下可能需要更多或更少的样本，取决于目标函数和约束的结构。

Switchcraft: AI Model Router for Agentic Tool Calling

Switchcraft：面向代理工具调用的AI模型路由

Sharad Agarwal, Pooria Namyar, Alec Wolman, Rahul Ambavat, Ankur Gupta, Qizheng Zhang

机构 * Microsoft Research（微软研究院） ； Stanford（斯坦福大学） 纠错

AI总结 Switchcraft是首个面向代理工具调用优化的模型路由系统，通过选择成本最低且正确的模型，降低推理成本达84%，同时保持准确率与最佳单个模型相当。

Rollback-Free Stable Brick Structures Generation

无需回滚的稳定砖块结构生成

Chenhui Xu, Ziyue Bai, Fuxun Yu, Heng Huang, Jinjun Xiong

机构 * University of Buffalo（布法罗大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Microsoft（微软） ； University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校） 纠错

AI总结 本文提出一种强化学习方法，通过训练时的策略优化而非测试时的纠正，实现稳定砖块结构的高效生成，提升生成质量和推理速度。

VLA-GSE: Boosting Parameter-Efficient Fine-Tuning in VLA with Generalized and Specialized Experts

VLA-GSE: 提升VLA中基于通用和专用专家的参数高效微调

Yuhua Jiang, Junjie Lu, Xinyao Qin, Xiaoyu Chen, Kaixin Wang, Feifei Gao, Li Zhao

机构 * Microsoft Research Asia（微软亚洲研究院） ； Tsinghua University（清华大学） 纠错

AI总结 VLA-GSE通过通用和专用专家机制提升VLA在机器人控制中的参数高效微调效果，保留预训练知识的同时提高适应能力，实验表明其在多个基准测试中表现优异。

SLOPE: Optimistic Potential Landscape Shaping for Model-based Reinforcement Learning

SLOPE：基于模型的强化学习中的乐观势能塑造

Yao-Hui Li, Zeyu Wang, Xin Li, Wei Pang, Yingfang Yuan, Zhengkun Chen, Boya Zhang, Riashat Islam, Alex Lamb, Yonggang Zhang

机构 * Beijing Institute of Technology（北京理工大学） ； Heriot-Watt University（赫瑞-沃森大学） ； Shenzhen Institutes of Advanced Technology, CAS（深圳先进技术研究院） ； Microsoft Research NY（微软研究院纽约分部） ； Tsinghua University（清华大学） ； Jilin University（吉林大学） 纠错

AI总结 SLOPE通过乐观势能估计构建信息丰富的势能景观，解决稀疏奖励环境下梯度信息不足的问题，提升模型在稀疏、半稀疏和密集奖励任务中的性能。

Comments Work in progress

Direct Reasoning Optimization: Token-Level Reasoning Reflectivity Meets Rubric Gates for Unverifiable Tasks

直接推理优化：基于推理反射的令牌级推理与评分门控用于不可验证任务

Yifei Xu, Tusher Chakraborty, Srinagesh Sharma, Leonardo Nunes, Swati Sharma, Kate Drakos Demopulos, Emre Kıcıman, Songwu Lu, Ranveer Chandra

机构 * Microsoft（微软公司） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 本文提出了一种约束强化学习框架，通过令牌级推理反射奖励和评分门控优化不可验证任务的推理质量与学习效率。