Preserving Speech-to-Text LLM Capabilities in Speech-to-Speech Generation
保留语音到文本LLM能力的语音到语音生成
机构 * Microsoft（微软）
AI总结 提出PRIME-Speech框架，通过冻结骨干网络并仅训练语音生成模块，在保持语音到文本性能的同时实现高质量语音到语音转换，支持多轮对话。
大厂专区
Microsoft（微软）
Real-Time Source-Free Object Detection
实时无源目标检测
机构 * IIT Hyderabad（印度理工学院海得拉巴分校） ； Microsoft Research（微软研究院） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
AI总结 提出一种基于YOLOv10的实时无源目标检测方法，通过双头伪标签融合（DHF）和多尺度自适应表示多样化（MARD）损失，在保持实时性和轻量化的同时，显著提升域适应精度。
Comments Accepted to ECCV 2026
HealthAgentBench: A Unified Benchmark Suite of Realistic Agentic Healthcare Environments for Challenging Frontier AI Agents
HealthAgentBench：面向挑战性前沿AI代理的统一真实医疗环境基准套件
机构 * Microsoft（微软）
AI总结 提出包含54个医疗任务的基准套件HealthAgentBench，评估AI代理在真实临床工作流中的端到端多步推理能力，最强代理Codex GPT-5.5仅达42%成功率。
PPT-Eval: A Benchmark for Computer-Use Agents on PowerPoint Tasks
PPT-Eval: 面向PowerPoint任务的计算机使用智能体基准
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Microsoft（微软） ； UMass Amherst（马萨诸塞大学阿默斯特分校） ； Google（谷歌） ； Snowflake
AI总结 提出PPT-Eval基准，包含120个PowerPoint任务，并设计基于评分标准的评估框架，通过部分评分和自然语言反馈衡量智能体表现，发现现有最强模型仅达45%成功率。
Comments Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026
SeKV: Resolution-Adaptive KV Cache with Hierarchical Semantic Memory for Long-Context LLM Inference
SeKV：面向长上下文LLM推理的分辨率自适应KV缓存与层次化语义记忆
机构 * University of British Columbia（不列颠哥伦比亚大学） ； Microsoft Research（微软研究院）
AI总结 提出SeKV，一种分辨率自适应的语义KV缓存方法，通过熵引导的语义片段和GPU-CPU层次化存储，在不丢弃信息的情况下实现按需token级重建，平均性能提升5.9%，GPU内存减少53.3%。
A Single Rewrite Suffices: Empirical Lessons from Production Skill Description Optimization
一次重写就足够：来自生产技能描述优化的经验教训
机构 * Microsoft（微软）
AI总结 针对企业AI代理中技能描述重叠导致路由错误的问题，提出自动化优化管道，在9技能生产系统上达到与手动调优相当的F1值（79.2% vs 79.4%），并将每技能工程时间从120分钟降至3.8分钟。消融实验表明，仅用一次LLM重写即可获得大部分改进。
Comments 12 pages, 4 figures
Diffusion-warm sampling of the XY model enables fast thermalization at scale
XY模型的扩散预热采样实现规模化快速热化
机构 * Institute for Quantum Computing, University of Waterloo（滑铁卢大学量子计算研究所） ； Department of Physics and Astronomy, University of Waterloo（滑铁卢大学物理与天文学系） ； Perimeter Institute for Theoretical Physics（圆周理论物理研究所） ； Microsoft（微软）
AI总结 提出基于扩散模型的连续自旋系统采样方法，在XY模型上训练小尺寸温度条件扩散模型，生成大尺寸晶格精确样本，结合少量MCMC步骤将热化时间降低一个数量级。
Comments 17 pages, 10 figures
Quantization Inflates Reasoning: Token Inflation as a Hidden Cost of Low-Bit Reasoning Models
量化膨胀推理：低比特推理模型的隐藏成本——令牌膨胀
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Microsoft（微软） ； Anyscale ； Snowflake
AI总结 研究发现低比特后训练量化虽保持推理准确性，但会显著增加推理令牌使用量，导致端到端服务性能下降，并提出了CoT令牌膨胀比来量化该效应。
