Learning to Attack and Defend: Adaptive Red Teaming of Language Models via GRPO
学习攻击与防御：通过GRPO对语言模型进行自适应红队测试
机构 * Microsoft AI Red Team（微软AI红队） ； Microsoft Azure（微软Azure）
AI总结 提出AdvGRPO框架，通过密集多通道奖励和分离优势归一化实现GRPO在攻击者-防御者联合优化中的稳定训练，产生高效可迁移攻击，防御者优于基线。
大厂专区
Microsoft（微软）
PRISM: Recovering Instruction Sets from Language Model Activations
PRISM：从语言模型激活中恢复指令集
机构 * Center for Cybersecurity Systems & Networks, Amrita Vishwa Vidyapeetham（阿姆里塔·维什瓦·维迪亚佩瑟姆网络安全系统与网络中心） ； Microsoft（微软） ； Ben-Gurion University of the Negev（内盖夫本-古里安大学）
AI总结 提出PRISM方法，通过激活条件解码从冻结目标模型隐藏状态中恢复活跃指令集，利用法官引导的GRPO优化，在多种场景下优于基线方法。
Comments Under Review
SIFT: Selective-Index For Fast Compute of RAG Prefill by Exploiting Attention Invariance
SIFT: 利用注意力不变性实现RAG预填充快速计算的索引选择
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Microsoft（微软）
AI总结 针对RAG查询中文档重复导致预填充计算冗余和TTFT增加的问题，提出SIFT方法，通过离线提取文档高注意力分数位置并利用注意力不变性，在预填充时仅计算标记位置，将TTFT提升1.71倍且精度损失在1%以内。
CapRL++: Unified Reinforcement Learning with Verifiable Rewards for Dense Image and Video Captioning
CapRL++：基于可验证奖励的统一强化学习用于密集图像和视频描述生成
机构 * Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； Microsoft（微软） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） ； Alibaba Cloud（阿里云） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 提出CapRL++框架，利用可验证奖励的强化学习（RLVR）优化多模态描述生成，通过非视觉语言模型回答问题的准确性作为奖励，提升密集描述质量，在20多个基准上超越传统监督微调。
Comments 26 pages, 10 figures. Project page: https://github.com/InternLM/CapRL. arXiv admin note: text overlap with arXiv:2509.22647
Is Text All You Need? Text as a Universal Information Bottleneck for Speech LLMs
文本就是一切？文本作为语音大语言模型的通用信息瓶颈
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Microsoft Corporation（微软公司） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 提出Convex Gate（C-Gate）桥接语音与LLM，通过凸包约束将语音表示限制在LLM输入嵌入流形内，在ASR和情感识别上取得联合最优性能，并揭示几何结构而非离散性是关键设计因素。
"So There's a Catch-22 Here": How Early Adopters Who Build Multi-Agent LLM Systems Conceptualize Transparency
"所以这里有个第22条军规"：构建多智能体LLM系统的早期采用者如何概念化透明度
机构 * Purdue University（普渡大学） ； Cornell University（康奈尔大学） ； Microsoft Research（微软研究院）
AI总结 通过访谈13位早期采用者，研究多智能体LLM系统构建者如何理解透明度，提出包含可重复性、调试、边界设定、可视化和审计的多维框架，强调透明度作为情境化的社会技术实践。
Differentially Private Synthetic Data via APIs 4: Tabular Data
通过API实现差分隐私合成数据 4: 表格数据
机构 * Microsoft（微软）
AI总结 提出Tab-PE算法，将Private Evolution框架扩展至表格数据，通过启发式算子迭代优化候选数据集，在保持差分隐私的同时高效处理高阶相关性，相比基线AIM分类准确率提升最高10%，速度提升28倍。
Comments ICML'26
Zero-Shot Learning in Industrial Scenarios: New Large-Scale Benchmark, Challenges and Baseline
工业场景中的零样本学习：新的大规模基准、挑战与基线
机构 * Zhejiang University（浙江大学） ； Alibaba Group（阿里巴巴集团） ； Huawei Technologies（华为技术有限公司） ； Tsinghua University（清华大学） ； Microsoft Research（微软研究院）
AI总结 针对工业场景中视觉语言模型应用难、数据稀缺的问题，提出大规模多模态工业开放数据集MMIO和精炼文本-视觉提示RTVP，实现零样本工业缺陷检测，在MMIO上达到SOTA。
Decoding Naturalistic Emotion Dynamics from the Brain: An LLM-Enhanced Regression Framework
从大脑解码自然情感动态：一种LLM增强的回归框架
机构 * NTNU（挪威科技大学） ； Kavli Institute for Systems Neuroscience, NTNU（挪威科技大学卡弗里系统神经科学研究所） ； Microsoft（微软）
AI总结 提出多目标回归框架，利用LLM从自然叙事中提取连续情感特征，结合动态功能连接和机器学习算法，实现从fMRI数据中解码连续情感轨迹，并揭示可解释的情感特异性脑网络拓扑。
