大厂专区
稀疏化平均场朗之万动力学
机构 * University College London（伦敦大学学院） ； Newcastle University（新castle大学） ； The Alan Turing Institute（艾伦·图灵研究所） ； Microsoft Research New England（微软研究院新英格兰分部）
AI总结 提出KT-MFLD算法，通过核稀疏化将粒子交互复杂度从O(N^2)降至O(N^{3/2})，并保持与MFLD相同的收敛保证。
Journal ref International Conference on Machine Learning, 2026
DEPART: 跨多语言大模型的性能差异分解
机构 * Microsoft Research India（微软印度研究院）
AI总结 提出DEPART框架，通过贝叶斯分层模型分解多语言大模型性能差异，发现语言特征解释79%-92%的方差，且模型内部表示与英语的相似性是主要预测因子。
独立于物理模型的高分辨率天气预报
机构 * Microsoft Corporation（微软公司） ； University of Cambridge（剑桥大学） ； The Alan Turing Institute（艾伦·图灵研究所）
AI总结 提出ObsCast系统，仅使用观测数据训练，无需数值天气预报数据，实现短期高分辨率区域预报，性能优于传统NWP。
Comments 26 pages, 10 figures
DeltaMCP: 通过规范感知转换实现MCP服务器的增量再生
机构 * Microsoft（微软） ； University of Adelaide（阿德莱德大学）
AI总结 针对企业级API与MCP工具集同步维护的挑战，提出DeltaMCP，一种基于规范感知的增量再生工具，仅更新受影响的MCP服务器工具，实验表明能减少开发者开销并提升可维护性与版本一致性。
知道何时求助：面向LLM工具使用的片段级信用分配
机构 * Microsoft AI Redmond（微软AI红mond）
AI总结 提出CARL方法，通过强化学习在模型自身轨迹上训练评论家，对每个工具使用片段独立分配信用，使模型学会区分参数知识足够与需要外部帮助的情况，在多个基准上提升准确率并减少不必要的工具调用。
UNIQUE: 通用Top-k稀疏注意力，用于免训练推理和稀疏感知训练
机构 * Microsoft（微软）
AI总结 提出UNIQUE框架，通过基于键均值和标准差的页面重要性评分和软掩码稀疏感知训练，实现LLM长上下文推理中KV缓存的高效稀疏注意力，在保持任务性能的同时显著加速。
激发Pfaffians：跨结构和状态的广义神经波函数
机构 * Department of Computer Science \& Munich Data Science Institute, Technical University of Munich ； Free University of Berlin ； Rice University ； Microsoft Research AI4Science
AI总结 提出多态重要性采样（MSIS）和激发Pfaffians架构，以近恒定样本量高效计算多态重叠，并在单个神经网络中表示多个激发态，实现更快训练和更多状态建模。
MVP-LAM：通过跨视角重建学习以动作为中心的潜在动作
机构 * Seoul National University, Seoul, South Korea（首尔国立大学，首尔，韩国） ； Konkuk University, Seoul, South Korea（韩国konkuk大学，首尔，韩国） ； Microsoft Research Asia, Beijing, China（微软亚洲研究院，北京，中国） ； HodooAI Labs, Seoul, South Korea（HodooAI实验室，首尔，韩国）
AI总结 提出MVP-LAM模型，利用多视角视频通过跨视角重建目标学习与真实动作高度相关的潜在动作，提升动作预测和下游操作性能。
PICACO: 通过总相关优化实现大语言模型的多元情境价值对齐
机构 * Johns Hopkins University, Baltimore, MD, USA（约翰霍普金斯大学） ； North Carolina State University, Raleigh, NC, USA（北卡罗来纳州立大学） ； Microsoft Research Asia, Beijing, China（微软亚洲研究院） ； Tongji University, Shanghai, China（同济大学）
AI总结 针对情境对齐中价值冲突导致的指令瓶颈问题，提出PICACO方法，通过优化元指令并最大化指定价值与模型响应的总相关，无需微调即可实现多元价值平衡对齐。
Comments ICML 2026
PEAR：机器翻译中自动相对评分的成对评估
机构 * Sapienza University of Rome（罗马萨皮恩扎大学） ； Microsoft（微软）
AI总结 提出PEAR，一种监督式质量估计指标族，通过成对比较实现无参考机器翻译评估，预测质量差异方向和幅度，在WMT24基准上优于单候选基线，并有效用于最小贝叶斯风险解码。
Comments ACL 2026 Main Conference. 19 pages
VULPO：基于策略优化的上下文感知漏洞检测
机构 * University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Microsoft（微软）
AI总结 提出VULPO框架，通过构建包含上下文信息和推理轨迹的数据集ContextVul，结合冷启动监督微调和自适应策略优化，显著提升大语言模型在真实仓库中的漏洞检测能力。
xKV：通过对齐奇异向量提取的跨层KV缓存压缩
机构 * Cornell University（康奈尔大学） ； University of Washington（华盛顿大学） ； Department of Computer Science, National Yang Ming Chiao Tung University（国立阳明交通大学计算机科学系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Surrey（塞夫顿大学） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 提出xKV，一种通过跨层共享低秩子空间压缩KV缓存的后训练方法，实现高达8倍压缩且保持长上下文任务精度，并引入选择性重建实现端到端加速。
Comments ICML 2026
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