Microsoft（微软）

ConCent: Contact-Centric Real-to-Sim-to-Real Learning from One Demonstration

ConCent: 基于接触中心的真实-仿真-真实学习，仅需一次演示

Heecheol Kim, Namiko Saito, Katsushi Ikeuchi, Yasuyuki Matsushita

机构 * Microsoft Research Asia - Tokyo（微软亚洲研究院-东京） ； The University of Tokyo（东京大学） 纠错

AI总结 提出接触中心真实-仿真-真实强化学习框架，利用真实演示中的接触事件序列作为学习目标，优化仿真中物体的接触几何，实现更稳定的策略迁移。

Comments 18 pages, 8 figures

Mandol: An Agglomerative Agent Memory System for Long-Term Conversations

Mandol：一种用于长期对话的聚合式智能体记忆系统

Yuhan Zhang, Zhiyuan Guo, Ziheng Zeng, Wei Wang, Wentao Wu, Lijie Xu

机构 * Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； Microsoft Research（微软研究院） 纠错

AI总结 提出Mandol聚合式记忆系统，通过统一内存原生架构整合碎片化记忆，结合层次化记忆模型、聚合语义数据结构与量化查询机制，在长期对话基准上取得最佳准确率并实现5.4倍检索加速。

Comments 10 pages, 3 figures

Adaptive Block Diffusion: Resolving Training-Inference Mismatch in Diffusion Language Models

自适应块扩散：解决扩散语言模型中的训练-推理不匹配问题

Gagan Jain

机构 * Microsoft AI（微软人工智能） 纠错

AI总结 提出自适应块扩散（ABD），通过将配置视为随机变量，在完整配置空间上训练单一模型，解决扩散语言模型中固定上下文结构导致的训练与推理不匹配问题，保证覆盖配置下的去噪最优性。

Phonological Perception of Sign Language Models

手语模型的音系感知

Kayo Yin, Jessica Carter, Alex Xijie Lu, Annemarie Kocab

机构 * University of California, Berkeley（加州大学伯克利分校） ； Johns Hopkins University（约翰霍普金斯大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本研究通过最小对测试和表征对齐评估手语识别模型的音系感知能力，发现模型具有涌现音系敏感性但存在架构权衡：姿态模型对手形敏感，像素模型对位置敏感。

Comments Accepted to CogSci 2026

Building to the Test: Coding Agents Deliver What You Check, Not What You Requested

为测试而构建：编码代理交付的是你检查的内容，而非你请求的内容

Yanuo Ma, Ben Kereopa-Yorke, Ben Schultz

机构 * Microsoft（微软） 纠错

AI总结 研究发现，在代码生成任务中，编码代理在测试存在时得分接近完美，但实际交付的库却残缺不全，揭示了“为测试而构建”的倾向，并提出了“验证自我意识”这一概念。

Comments 27 pages (9 main + 14 appendix), 2 figures, 5 tables

LEDGER: Scaling Agentic Document Editing with Dependency-aware Graph Retrieval

LEDGER: 基于依赖感知图检索的智能体文档编辑扩展

Mike Hang Wang, Utkarsh Garg, Reza Davari, Huitian Jiao, Hao Cheng, Baolin Peng, Tao Ge, Si-Qing Chen

机构 * Microsoft（微软） 纠错

AI总结 提出LEDGER方法，通过构建轻量级依赖图并利用图引导检索，在智能体文档编辑中高效定位必要上下文，避免全文档处理，提升一致性并减少token使用。

Comments ACL 2026

OpenFrontier: General Navigation with Visual-Language Grounded Frontiers

OpenFrontier: 基于视觉-语言基础的通用导航

Esteban Padilla-Cerdio, Boyang Sun, Marc Pollefeys, Hermann Blum

机构 * ETH Zurich（苏黎世联邦理工学院） ； Microsoft Spatial AI Lab（微软空间人工智能实验室） ； University of Bonn（波恩大学） 纠错

AI总结 本文提出OpenFrontier框架，通过稀疏子目标识别与到达问题实现高效导航，无需任务特定训练或微调，适用于多种视觉-语言先验模型，展示零样本性能和真实机器人部署效果。

Em-Garde: A Propose-Match Framework for Proactive Streaming Video Understanding

Em-Garde：一种用于主动流视频理解的提出-匹配框架

Yikai Zheng, Xin Ding, Yifan Yang, Shiqi Jiang, Hao Wu, Qianxi Zhang, Weijun Wang, Ting Cao, Yunxin Liu

机构 * Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院（AIR）） ； Institute for Interdisciplinary Information Sciences (IIIS), Tsinghua University（清华大学交叉信息研究院（IIIS）） ； Nanjing University（南京大学） ； University of Science and Technology of China（中国科学技术大学） ； Microsoft Research Asia（微软亚洲研究院） 纠错

AI总结 本文提出Em-Garde框架，通过解耦语义理解与流感知，提升主动响应的准确性和效率，实验验证其在严格计算约束下的有效性。

Online Experiential Learning for Language Models

在线经验学习用于语言模型

Tianzhu Ye, Li Dong, Qingxiu Dong, Xun Wu, Shaohan Huang, Furu Wei

机构 * Microsoft Research（微软研究院） 纠错

AI总结 本文提出在线经验学习框架OEL，使语言模型能持续从自身部署经验提升，通过经验知识提取与参数固化实现在线学习循环，提升任务准确性和效率。

LeAD-M3D: Leveraging Asymmetric Distillation for Real-Time Monocular 3D Detection

LeAD-M3D：利用不对称蒸馏实现实时单目3D检测

Johannes Meier, Jonathan Michel, Oussema Dhaouadi, Yung-Hsu Yang, Christoph Reich, Zuria Bauer, Stefan Roth, Marc Pollefeys, Jacques Kaiser, Daniel Cremers

机构 * DeepScenario ； ETH Zurich（苏黎世联邦理工学院） ； TU Munich（慕尼黑工业大学） ； MCML（慕尼黑机器学习中心） ； TU Darmstadt（达姆施塔特工业大学） ； ELIZA ； Microsoft（微软） 纠错

AI总结 本文提出LeAD-M3D，通过不对称蒸馏提升单目3D检测精度与效率，无需额外模态，在KITTI和Waymo数据集上达到SOTA性能，速度提升达3.6倍。

Comments ECCV 2026. Project page: https://deepscenario.github.io/LeAD-M3D/

Enhanced Diffusion Sampling: Efficient Rare Event Sampling and Free Energy Calculation with Diffusion Models

增强扩散采样：利用扩散模型实现高效的稀有事件采样与自由能计算

Yu Xie, Ludwig Winkler, Lixin Sun, Sarah Lewis, Adam E. Foster, José Jiménez Luna, Tim Hempel, Michael Gastegger, Yaoyi Chen, Iryna Zaporozhets, Cecilia Clementi, Christopher M. Bishop, Frank Noé

机构 * Microsoft Research AI for Science（微软研究院人工智能科学部） 纠错

AI总结 本文提出增强扩散采样方法，通过精确的偏置协议生成偏置集合并利用精确重加权恢复平衡统计，实现高效稀有事件区域探索与自由能计算。

Diff-MN: Diffusion Parameterized MoE-NCDE for Continuous Time Series Generation with Irregular Observations

Diff-MN: 基于扩散参数化的MoE-NCDE连续时间序列生成方法用于不规则观测

Xu Zhang, Junwei Deng, Chang Xu, Hao Li, Jiang Bian

机构 * Microsoft Research（微软研究院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 Diff-MN通过引入MoE动态函数和解耦架构设计，提升NCDE在不规则时间序列生成中的性能，实验表明其在不规则到规则及不规则到连续生成任务中优于基线模型。

Comments This paper is accepted by ICML 2026

Attention Enhanced Entity Recommendation for Intelligent Monitoring in Cloud Systems

增强注意力的实体推荐用于云系统智能监控

Fiza Husain, Anson Bastos, Anjaly Parayil, Ayush Choure, Chetan Bansal, Rujia Wang, Saravan Rajmohan

机构 * Microsoft（微软） 纠错

AI总结 本文提出DiRecGNN框架，通过增强注意力机制解决云服务监控中推荐最优属性子集的问题，实验显示MRR提升43.1%，产品团队评价该功能非常有用。

Towards Complete Causal Explanation with Expert Knowledge

迈向完整因果解释的专家知识

Aparajithan Venkateswaran, Emilija Perković

机构 * Microsoft（微软） ； University of Washington（华盛顿大学） 纠错

AI总结 本文研究如何通过专家知识限制最大祖先图的马尔可夫等价类，提出新的图定向规则和算法，扩展了Meek(1995)以处理潜在混杂因素。

Comments 86 pages (main paper 26 pages, supplementary material 60 pages), 21 figures, 7 algorithms, 4 tables

Causality for Tabular Data Synthesis: A High-Order Structure Causal Benchmark Framework

表格数据合成的因果性：一种高阶结构因果基准框架

Zineb Senane, Axel Karlsson, Lele Cao, Oleg Smirnov, Cheng Zhang, Sahar Asadi, Hedvig Kjellström, Gustav Eje Henter, Ruibo Tu

机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） ； King AI Labs, Microsoft（微软King AI实验室） ； ELLIS Cambridge（ELLIS剑桥研究所） 纠错

AI总结 本文提出高阶结构因果信息作为先验知识，设计基准框架评估表格合成模型，通过生成基准数据集和多个基准任务，评估模型对高阶结构因果信息的捕捉能力，揭示理想与实际性能差距。