CRAFT: Cost-aware Refinement And Front-aware Tuning of Prompts
CRAFT: 成本感知的提示精炼与前沿感知的调优
机构 * MBZUAI ； Microsoft（微软）
AI总结 提出CRAFT方法，通过帕累托前沿优化提示的准确性和成本，避免标量化崩溃，在多个基准上实现更广泛的准确-成本权衡。
大厂专区
Microsoft（微软）
Ultra-Fast Neural Video Compression
超快神经视频压缩
机构 * Microsoft Research Asia（微软亚洲研究院） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出基于块的编码框架DCVC-UF，通过联合时空建模和并行重建实现超快编解码，显著提升率失真-复杂度权衡。
Comments CVPR 2026
Read the Trace, Steer the Path: Trajectory-Aware Reinforcement Learning for Diffusion Language Models
读取轨迹，引导路径：面向扩散语言模型的轨迹感知强化学习
机构 * Microsoft AI, India（微软印度人工智能）
AI总结 提出CAPR算法，通过缓存轨迹状态和块级价值头，利用去噪轨迹提供类似树搜索的细粒度监督，在降低计算成本的同时提升扩散语言模型的强化学习效果。
Comments 19 pages, 10 figures, 7 Tables
Physics-Informed Machine Learning for Short-Term Flood Prediction
物理信息机器学习用于短期洪水预测
机构 * IEEE Service Center（IEEE服务中心） ； National Science Foundation（国家科学基金会） ； Microsoft（微软）
AI总结 提出一种物理信息机器学习框架，通过将水文知识作为趋势对齐约束嵌入LSTM损失函数，在数据稀缺和极端天气下提升洪水预测的物理一致性和可靠性。
Comments This paper has been accepted for publication in IGARSS 2026. The final authenticated version will be available through IEEE Xplore
Beyond Pixel Histories: World Models with Persistent 3D State
超越像素历史：具有持久3D状态的世界模型
机构 * University of Edinburgh（爱丁堡大学） ； Microsoft Research（微软研究院）
AI总结 提出PERSIST范式，通过模拟潜在3D场景（环境、相机、渲染器）的演化，实现具有持久空间记忆和一致几何的世界模型，显著提升3D一致性、空间记忆和长期稳定性。
Comments Accepted to the International Conference on Machine Learning (ICML) 2026. To appear in the Proceedings of Machine Learning Research (PMLR). 9 pages
Learning When to Act or Refuse: Guarding Agentic Reasoning Models for Safe Multi-Step Tool Use
学习何时行动或拒绝：为安全的多步骤工具使用守护代理推理模型
机构 * Microsoft Research（微软研究院）
AI总结 提出MOSAIC框架，通过显式安全推理和基于偏好的强化学习，使代理模型在工具使用中安全决策，减少有害行为并保持良性性能。
Comments Accepted to the 43rd International Conference on Machine Learning (ICML 2026)
UniFine: A Unified and Fine-grained Approach for Zero-shot Vision-Language Understanding
UniFine: 一种统一且细粒度的零样本视觉-语言理解方法
机构 * Columbia University（哥伦比亚大学） ； Microsoft Research（微软研究院） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 提出UniFine框架，通过利用句子关键词和图像对象等细粒度信息进行图像-文本匹配，在零样本设置下统一处理VQA、SNLI-VE和VCR等视觉-语言任务，并在多个数据集上取得显著改进。
Comments 14 pages, 4 figures, ACL 2023 Findings
Some Limit Properties of Markov Chains Induced by Stochastic Recursive Algorithms
由随机递归算法诱导的马尔可夫链的一些极限性质
机构 * Electrical and Computer Engineering Department, The Ohio State University（俄亥俄州立大学电气与计算机工程系） ； Microsoft Corp（微软公司）
AI总结 本文研究了由随机递归算法诱导的马尔可夫链的极限性质，通过分析迭代随机算子的收敛性，证明了随机序列的分布弱收敛于收缩算子生成的轨迹，并进一步展示了随机序列的时间平均收敛于不变分布的空间均值。
Comments Accepted in SIMODS, 37 pages
SOTER: A Runtime Assurance Framework for Programming Safe Robotics Systems
SOTER：一种用于安全机器人系统编程的运行时保证框架
机构 * University of California at Berkeley, CA, USA（加州大学伯克利分校） ； SRI International（SRI国际） ； Microsoft（微软）
AI总结 本文提出SOTER框架，通过一种编程语言和集成的运行时保证系统，为安全机器人系统提供保障，确保在使用未经认证组件时仍能满足安全要求。
Spectrum Approximation Beyond Fast Matrix Multiplication: Algorithms and Hardness
超越快速矩阵乘法的谱近似：算法与难度
机构 * MIT（麻省理工学院） ； Microsoft Research（微软研究院） ； Stanford University（斯坦福大学） ； University of Minnesota（明尼苏达大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了如何在比矩阵乘法时间更快的运行时间内近似矩阵的谱，提出了一种基于随机迹估计、多项式逼近和快速系统求解器的算法，能够高效地隔离矩阵谱的不同范围并近似奇异值的数量，从而在许多应用中替代真实的奇异值。
Comments ITCS 2018
A Universal Sampling Method for Reconstructing Signals with Simple Fourier Transforms
一种适用于使用简单傅里叶变换重建信号的通用采样方法
机构 * Tel Aviv University（特拉维夫大学） ； EPFL（瑞士联邦理工学院） ； Microsoft Research（微软研究院） ； Princeton University（普林斯顿大学） ； Google Research（谷歌研究院）
AI总结 本文提出了一种通用采样方法，用于通过少量离散样本重建连续信号，该方法基于信号的傅里叶结构约束，并展示了其在多带信号重建和高斯过程回归等任务中的有效性。
Algorithmic Theory of ODEs and Sampling from Well-conditioned Logconcave Densities
ODEs的算法理论与从良好条件的logconcave密度采样
机构 * University of Washington & Microsoft Research（华盛顿大学与微软研究院） ； UT-Austin & University of Washington（德克萨斯大学奥斯汀分校与华盛顿大学） ； Georgia Tech（佐治亚理工学院）
AI总结 本文提出了一种求解多元微分方程的通用算法，其解接近已知基函数的张成，从而实现了近线性时间复杂度的HMC采样方法，适用于广泛使用的logistic回归损失函数。
Verifying Controllers Against Adversarial Examples with Bayesian Optimization
通过贝叶斯优化验证控制器对抗示例
机构 * Microsoft Research, Redmond（微软研究院（红mond））
AI总结 本文提出基于贝叶斯优化的主动测试框架，用于验证控制器的安全性，通过逻辑定义安全约束并高效搜索行为空间以发现违反安全规范的对抗示例。
Comments Proc. of the IEEE International Conference on Robotics and Automation, 2018
Satyam: Democratizing Groundtruth for Machine Vision
Satyam: 机器视觉领域地面真实数据的民主化
机构 * University of Southern California（南加州大学） ； Microsoft Research（微软研究院）
AI总结 本文提出Satyam系统，通过简化流程使非专业人员能够高效收集机器视觉的地面真实数据，从而提升自动驾驶、交通监控和视频监控系统的性能。
ArduSoar: an Open-Source Thermalling Controller for Resource-Constrained Autopilots
ArduSoar：一种为资源受限自动驾驶仪设计的开源热气球控制器
机构 * Glasgow, Scotland（格拉斯哥，苏格兰） ； Australian National University（澳大利亚国立大学） ； Microsoft Research（微软研究院）
AI总结 本文提出ArduSoar，首个集成于主流小型无人机自动驾驶软件中的热气球控制器，通过算法设计、与ArduPlane的集成及实飞测试验证其在非理想大气条件下的鲁棒性。
Autonomous Thermalling as a Partially Observable Markov Decision Process (Extended Version)
自主热力上升作为部分可观测马尔可夫决策过程（扩展版本）
机构 * Australian National University（澳大利亚国立大学） ； Microsoft Research（微软研究院）
AI总结 本文提出将自主热力上升建模为POMDP，并设计基于此的递推地平线控制器，通过在ArduPlane中实现并对比现有方法，验证了其在多架sUAV同时热力上升时的显著优势。
Evaluating Hospital Case Cost Prediction Models Using Azure Machine Learning Studio
利用Azure机器学习工作室评估医院病例成本预测模型
机构 * Microsoft Azure Machine Learning Studio（微软Azure机器学习工作室）
AI总结 本文提出了一种利用Azure机器学习工作室快速评估多种回归模型的工具，评估了鲁棒回归、提升决策树回归和决策森林回归在医院病例成本预测中的优势。
AirSim: High-Fidelity Visual and Physical Simulation for Autonomous Vehicles
AirSim：面向自动驾驶车辆的高保真视觉与物理模拟
机构 * Microsoft Research（微软研究院） ； Redmond, WA, USA（华盛顿州雷蒙德）
AI总结 本文提出基于Unreal引擎的AirSim模拟器，用于高效开发和测试自动驾驶算法，支持高频率物理模拟和多种协议，通过四旋翼实验验证其有效性。
Comments Accepted for Field and Service Robotics conference 2017 (FSR 2017)
