Microsoft（微软）

Abstracting Cross-Domain Action Sequences into Interpretable Workflows

将跨领域动作序列抽象为可解释的工作流

Gaurav Verma, Scott Counts

机构 * Microsoft Corporation（微软公司） 纠错

AI总结 提出WorkflowView框架，利用大语言模型将低层动作序列抽象为高层活动，在三个不同任务中验证了有效性和泛化能力，实现高语义相似度和预测性能。

Comments preprint; 9 pages, 5 figures

LLMs Contain Multitudes: How Deployment Context Reshapes Model-Level Preferences and Values

LLM 蕴含多重性：部署上下文如何重塑模型层面的偏好与价值观

Filip Trhlik, Aoife O'Flynn, Angela Yu, Arduin Findeis, Paula Buttery

机构 * University of Cambridge（剑桥大学） ； ALTA Institute（ALTA研究所） ； Leverhulme Centre for the Future of Intelligence（勒沃霍姆未来智能中心） ； Microsoft UK（微软英国） 纠错

AI总结 本研究通过两个成对比较范式（国家偏好排序和效用判断）发现，部署上下文（如撰写Reddit帖子或新闻文章）对LLM偏好和价值观的影响远大于提示改写和温度控制，表明模型层面的偏好是上下文依赖的。

Comments 68 pages, 54 figures, 54 tables

Overhead Wildlife Locator (OWL): Benchmarking Weakly Supervised Learning for Aerial Wildlife Surveys

Overhead Wildlife Locator (OWL): 用于航空野生动物调查的弱监督学习基准测试

Isai Daniel Chacón, Zhongqi Miao, Bruno Demuro, Caleb Robinson, Rahul Dodhia, Lasha Otarashvili, Jason Holmberg, Kirk Larsen, Howard Frederick, Nathan J. Pamperin, Pablo Arbeláez, Juan M. Lavista Ferres

机构 * Microsoft AI for Good Lab（微软人工智能公益实验室） ； Center for Research and Formation in Artificial Intelligence (Cinfonia), Universidad de los Andes（安第斯大学人工智能研究与培训中心） ； Conservation X Labs（保护X实验室） ； Kirk Larsen Consulting（Kirk Larsen咨询公司） ； Tanzania Wildlife Research Institute（坦桑尼亚野生动物研究所） ； Alaska Department of Fish and Game（阿拉斯加渔猎局） 纠错

AI总结 提出弱监督密度估计框架OWL，含三种变体，在五个公开航空数据集上超越现有方法，并在阿拉斯加驯鹿普查中验证了操作可行性。

Comments 16 pages, 4 figures, 3 tables

SuperThoughts: Reasoning Tokens in Superposition

SuperThoughts: 叠加中的推理令牌

Zheyang Xiong, Shivam Garg, Max Yu, Vaishnavi Shrivastava, Haoyu Zhao, Anastasios Kyrillidis, Dimitris Papailiopoulos

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Microsoft Research（微软研究院） ； Independent（独立机构） ； Princeton University（普林斯顿大学） ； Rice University（莱斯大学） 纠错

AI总结 提出SuperThoughts方法，通过将连续CoT令牌对压缩为单一潜在表示并利用多令牌预测模块解码，在保持训练监督的同时将推理吞吐量翻倍，实现约20-30%的CoT长度缩减且精度损失极小。