大厂专区
FBHM：用于仇恨模因检测的功能性基准测试与视觉语言模型引导
机构 * Indian Institute of Technology (IIT), Kharagpur（印度理工学院（IIT）卡拉格浦尔） ； Microsoft（微软）
AI总结 针对现有基准无法因果评估视觉语言模型漏洞的问题，提出基于25种修辞功能和10个目标社区构建的FBHM基准，并采用可学习引导向量（LSV）在极低数据量下提升模型性能约30个Macro-F1点。
迈向基于原则性样本选择的高效LLM退火
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Fudan University（复旦大学） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 本文通过损失景观的谱几何特性，将退火阶段的数据选择建模为有约束优化问题，提出DiReCT框架，利用Hessian谱对梯度施加方向约束，实现高效样本选择，显著提升模型性能。
D$^3$: 面向LLM训练的动态有向图约束数据调度
机构 * Microsoft Research（微软研究院）
AI总结 提出D$^3$框架，通过动态有向图建模训练单元间的有向影响关系，并求解约束优化问题以确定训练顺序，从而提升LLM预训练和后训练阶段的效率。
任意状态空间上的自由能估计
机构 * University of Cambridge（剑桥大学） ； Imperial College London（伦敦帝国理工学院） ； Xaira Therapeutics（Xaira制药） ； Microsoft Research New England（微软研究院新英格兰分部）
AI总结 提出一种基于广义神经传输学习的框架，将自由能估计推广到任意状态空间，并揭示时间反演与Doob h-变换的群论结构。
用于3D CT重建、增强和生成的基础VAE
机构 * Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Duke-NUS Medical School（duke-nus 医学院） ； Microsoft Research（微软研究院）
AI总结 本文发现，在自然图像上预训练的基础VAE可直接用于CT重建、增强和生成，无需训练或微调，通过冻结编解码器实现解剖结构保留和噪声抑制，并在分割和生成任务上取得显著提升。
Comments ICML 2026 Accepted
OpenSTBench：超越语义评估的语音翻译
机构 * MoE Key Lab of Artificial Intelligence（摩埃人工智能关键实验室） ； Jiangsu Key Lab of Language Computing（江苏语言计算重点实验室） ； X-LANCE Lab（X-LANCE实验室） ； School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； Shanghai Innovation Institute（上海创新研究院） ； Microsoft（微软） ； University of the Chinese Academy of Sciences（中国科学院大学）
AI总结 提出OpenSTBench统一多维评估框架，联合评估语音翻译系统的翻译质量、语音质量、时间一致性等，揭示系统间跨维度差异。
Comments Submitted to EMNLP 2026
早期采用者如何在全球范围内使用生成式AI：按国家收入和语言的差异
机构 * Microsoft AI Economy Institute（微软人工智能经济研究所）
AI总结 基于大规模匿名化AI聊天机器人交互数据，实证分析了不同国家早期采用者在使用生成式AI上的差异，发现教育用途在低收入国家更普遍，休闲用途与收入正相关，且英语交互在非英语主导国家中过度代表，表明语言性能改进可能影响数字鸿沟或跨越式发展。
拉取请求作为仓库级代码编辑的训练信号
机构 * King's College London, UK（伦敦国王学院） ； Chinese University of Hong Kong, HK（香港中文大学） ； National University of Singapore, SG（新加坡国立大学） ； Microsoft Research Asia, CN（微软亚洲研究院） ； The Alan Turing Institute, UK（艾伦·图灵研究所）
AI总结 提出Clean-PR方法，利用真实GitHub拉取请求作为训练信号，通过重建和验证转换为搜索/替换编辑块，结合无代理对齐的监督微调，在SWE-bench上显著提升仓库级代码编辑性能。
Comments Accepted at ICML 2026
超越听觉：通过生理学启发的标记化从耳机学习任务无关的ExG表示
机构 * KAIST（韩国科学技术院） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Cambridge（剑桥大学） ； Shanghai Jiao Tong University（上海交通大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； UCLA（加州大学洛杉矶分校） ； Northwest University（北华大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft Research（微软研究院）
AI总结 提出一种基于耳机的生理学启发的多频带标记化方法（PiMT），通过无干扰的日常ExG数据采集和重建任务学习鲁棒表示，实现跨多种任务（包括五种人类感官）的通用ExG监测。
Comments Accepted to ICLR 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