大厂专区
从原始经验到技能消费：模型生成智能体技能的系统研究
机构 * Fudan University（复旦大学） ； Microsoft Research（微软研究院） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文系统研究了模型生成技能在语言智能体中的全生命周期（经验生成、技能提取、技能消费），通过构建效用评估框架发现技能平均有益但存在负迁移，并提出了元技能以提升技能质量。
压缩即适应：基于扩散基础模型的隐式视觉表示
机构 * Microsoft Research Asia（微软亚洲研究院） ； University of Cambridge（剑桥大学）
AI总结 提出一种将视觉信号编码为函数的新框架，通过冻结的视觉生成模型附加低秩适应参数实现隐式表示，并进一步哈希为紧凑向量，在极低比特率下实现强感知视频压缩，同时支持推理时缩放和调控，统一了视觉压缩与生成。
Comments ICML 2026
HARNESS-LM: 一种在赞助搜索中利用小语言模型的三阶段训练方案
机构 * Microsoft AI（微软人工智能）
AI总结 提出HARNESS-LM三阶段训练框架，通过知识蒸馏将大规模检索器能力迁移至紧凑模型，在Bing Ads上恢复98%以上精度并实现27倍延迟降低。
Comments 9 pages, 3 figures, 10 tables
AutoResearch AI：迈向人工智能驱动的科研自动化以实现科学发现
机构 * Huazhong University of Science and Technology（华中科技大学） ； Lehigh University（莱斯大学） ； Tsinghua University（清华大学） ； Wuhan University（武汉大学） ； Salesforce Research（Salesforce研究） ； Squirrel AI Learning（Squirrel AI学习） ； Northwestern University（西北大学） ； Independent（独立） ； Shanghai Jiao Tong University（上海交通大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Chinese University of Hong Kong（香港中文大学） ； University of Illinois Chicago（伊利诺伊大学香槟分校） ； Stanford University（斯坦福大学） ； Google Cloud AI Research（谷歌云AI研究） ； Recursive Superintelligence（递归超级智能） ； Microsoft Research（微软研究院）
AI总结 本文综述了AI驱动的科研工作流自动化（AutoResearch）的发展，分析了从任务级AI到工作流级研究自动化的转变，并提出了五个评估维度（新颖性、有效性、影响力、可靠性和溯源），指出自主性受领域条件限制。
Comments 49 pages, 12 figures, 10 tables
用于知识产权保护的具有最小语义失真的鲁棒LLM水印
机构 * State University of New York at Albany（纽约州立大学阿尔巴尼分校） ； New Jersey Institute of Technology（新泽西理工学院） ； Microsoft（微软） ； Kent State University（肯特州立大学）
AI总结 提出SAFESEAL框架，通过密钥条件锦标赛采样和对比检测器，在保持语义保真度的同时实现强可检测性、高实用性和鲁棒性，用于保护专有大语言模型的知识产权。
GenAI驱动的威胁检测与Microsoft Security Copilot
机构 * Microsoft Security Research（微软安全研究）
AI总结 提出动态威胁检测代理（DTDA），结合统一活动时间线、版本化LLM提示合同、规划器-执行器调查循环和动态告警生成，在Microsoft Security Copilot中实现持续、可解释的威胁检测，在线评估精确率80.1%，离线F1分数0.78。
利用大语言模型进行情感分析：Decentraland的MANA代币多模态分析
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Microsoft（微软） ； Duke Kunshan University（杜克昆山大学）
AI总结 本研究利用基于BERT的大语言模型对Decentraland的Discord社区进行情感分析，并结合多模态金融数据（历史价格、情感分数、交易量和市值）构建LSTM模型，发现多模态模型在MANA代币回报预测中显著优于仅基于价格的基线模型。
AI评估应要求标准化的项目级数据发布
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Microsoft Research Asia（微软亚洲研究院） ； Stanford University（斯坦福大学） ； North Carolina State University（北卡罗来纳州立大学） ； Tsinghua University（清华大学）
AI总结 本文主张AI评估应标准化发布项目级数据，以解决当前评估中项目选择不明确、构造错位和泛化能力差的问题，并通过OpenEval项目展示其可行性和价值。
HTMuon：通过重尾谱校正改进Muon
机构 * Dartmouth College（达特茅斯学院） ； Microsoft（微软） ； International Computer Science Institute（国际计算机科学研究所） ； University of California, Berkeley（加州大学伯克利分校） ； Meta
AI总结 针对Muon优化器正交化更新规则抑制重尾权重谱并过度强调噪声方向训练的问题，提出HTMuon方法，通过重尾自正则化理论产生更重尾的更新和权重谱，在LLM预训练和图像分类中提升性能。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈