大厂专区
SchGen: 基于语义接地代码表示的PCB原理图生成
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Microsoft Research Asia（微软亚洲研究院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出SchGen，首个从自然语言请求生成可编辑PCB原理图的大语言模型，通过语义接地代码表示将几何驱动问题转化为语义驱动匹配任务，并构建大规模数据集，在连线准确性和功能正确性上显著优于现有方法。
Comments 19 pages, 7 figures
揭秘数据组织以增强大语言模型训练
机构 * Nanyang Technological University（南洋理工大学） ； Microsoft Research（微软研究院） ； The Hong Kong University of Science and Technology（香港科技大学）
AI总结 本文系统探索数据组织对大语言模型训练的影响，提出边界锐化、循环调度、课程连续性和局部多样性四项优化准则，并基于此设计了两种新的数据排序方法STR和SAW，实验验证了其在预训练和微调阶段的有效性。
Comments ACL 2026 Main Conference
主动型智能体真的需要LLM来决定何时唤醒和锚定什么吗？
机构 * Purdue University（普渡大学） ； Microsoft（微软） ； Michigan State University（密歇根州立大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出用时间图学习（TGL）模型替代LLM作为主动智能体的触发器，通过图更新而非文本处理用户活动，实现高效、低延迟的触发决策。
Comments 31 pages, 5 figures, 7 tables
测试时训练用于监督因果学习
机构 * Peking University（北京大学） ； Shanghai Jiao Tong University（上海交通大学） ； Microsoft（微软） ； Sony Research（索尼研究）
AI总结 针对监督因果学习在分布外泛化中的不足，提出测试时训练框架TTT-SCL，通过动态生成与测试实例对齐的训练集，显著提升因果发现性能。
评估混合语码与印度语言中的跨语言知识一致性：基于IndiKLAR
机构 * Indian Institute of Science Education and Research（印度科学教育与研究学院） ； Microsoft Corporation（微软公司） ； UNSW Sydney（新南威尔士大学悉尼分校）
AI总结 本文通过构建IndiKLAR基准，评估大语言模型在英语、混合语码和印度本土语言上的知识召回一致性，发现混合语码输入能显著缩小与英语的性能差距，并识别出从本土语言到混合语码的“翻转点”。
Comments 23 pages
非遗忘知识分配与双层竞争用于类增量学习
机构 * South China University of Technology（华南理工大学） ； Hong Kong Polytechnic University（香港理工大学） ； Agency for Science, Technology and Research（科技研究局） ； Microsoft（微软） ； Guilin University of Electronic Technology（桂林电子科技大学） ； Sun Yat-sen University（中山大学）
AI总结 针对基于预训练模型的类增量学习中适配器知识分配不均和遗忘问题，提出非遗忘分配与双层竞争方法（NoFA-BC），通过递归最小二乘构建非遗忘分配器，并引入任务内赢家通吃和任务间最后淘汰机制优化适配器利用。
ORACLE-SWE：量化Oracle信息信号对SWE代理的贡献
机构 * Microsoft（微软公司） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出Oracle-SWE方法，通过隔离和提取SWE基准测试中的Oracle信息信号，量化每种信号对代理性能的贡献，并评估强语言模型提取的信号对基础代理的性能提升。
Comments Under peer review; 37 pages, 10 figures, 5 tables
Battery-Sim-Agent: 利用LLM智能体进行电池逆参数估计
机构 * Peking University（北京大学） ； Microsoft Research（微软研究院） ； Zhejiang University（浙江大学） ； Chalmers University of Technology（皇家理工学院）
AI总结 提出Battery-Sim-Agent框架，将电池逆参数估计重构为推理任务，利用LLM智能体与高保真模拟器闭环交互，通过物理假设和结构化参数更新，显著优于贝叶斯优化等黑箱优化方法。
KLAS：利用相似性拼接神经网络以改进精度-效率权衡
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Microsoft M365 Research（微软M365研究） ； Cisco Research（思科研究） ； Georgia Tech Research Institute（佐治亚理工研究机构）
AI总结 提出KLAS框架，通过KL散度度量中间表示相似性自动选择最佳拼接配置，在相同微调成本下提升拼接模型的精度-效率曲线。
采用 ≠ 适应：野外LLM对话的纵向分析
机构 * Cornell University（康奈尔大学） ； Microsoft Research（微软研究院）
AI总结 通过分析约12,000名Microsoft Bing Copilot用户的对话轨迹及WildChat-4.8M数据，发现用户行为高度固化，活跃用户更倾向复杂专业任务，且WildChat数据集偏向高熟练度“超级用户”，表明现有用户行为难以改变并揭示用户异质性。
PrecisionCUA：代码编辑器中像素级光标定位的迭代视觉细化
机构 * Microsoft（微软公司） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出PrecisionCUA方法，通过迭代视觉反馈细化机制实现代码编辑器中像素级光标定位，显著提升点击精度和任务成功率。
价格反转现象：当更便宜的推理模型成本更高时
机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； CMU（卡内基梅隆大学） ； Microsoft Research（微软研究院）
AI总结 本文首次系统研究推理模型标价与实际成本的偏差，发现32%的模型对比较中存在价格反转现象，并基于Shapley值建立成本归因框架，揭示思考令牌消耗和交互轮次的高度异质性是主要原因。
关于推理的推理：LLM中思维链令牌复杂度的BAPO界限
机构 * Microsoft Research, Redmond, WA（微软研究院，西雅图，华盛顿）
AI总结 通过扩展BAPO模型，证明二元多数、三元组匹配和图可达性三个任务需要Ω(n)个思维链令牌，实验验证了线性缩放与理论下界一致。
Comments 31 pages; accepted to ICML '26
MENTOR: 面向自回归视觉生成模型的高效多模态条件微调
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Microsoft（微软公司）
AI总结 提出MENTOR框架，通过两阶段训练范式实现自回归图像生成器与多模态输入的细粒度token级对齐，无需辅助适配器或交叉注意力模块，在DreamBench++上取得优异性能。
Comments Findings of ACL 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