Tracing Agentic Failure from the Flow of Success
从成功流中追溯智能体失败
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Microsoft Research（微软研究院）
AI总结 研究基于大语言模型的智能体系统失败归因问题，提出OAT方法将其转化为单类学习，用神经控制微分方程建模成功轨迹动态模式，实验表明该方法比基线快且F1分数更高，是诊断智能体系统失败的有效方向。
大厂专区
Microsoft（微软）
Evaluating Health Misinformation in Low-Resource Languages: Integrating Small Language Models with a Culturally-Sensitive Responsible NLP Framework (Bangla as a Case Study)
评估低资源语言中的健康错误信息：将小语言模型与文化敏感的负责任自然语言处理框架相结合（以孟加拉语为例）
机构 * Western Sydney University（西悉尼大学） ； Microsoft（微软公司） ； Excelsia College（埃克塞尔西亚学院） ； Faulconbridge Health Centre（福尔康布里奇健康中心）
AI总结 研究针对低资源语言中健康错误信息难检测问题，提出结合小语言模型与文化敏感的负责任自然语言处理框架，以孟加拉语为例进行实验，证明Phi-4表现优，还设计新框架，为评估低资源语言错误信息提供整体视角。
Comments 39 pages
What Does a Temporal Benchmark Score Measure? Decomposing Channel Use in Video VLM Evaluation
时间基准分数衡量的是什么？分解视频视觉语言模型评估中的通道使用情况
机构 * Microsoft（微软） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 研究视频视觉语言模型评估中时间基准分数衡量问题，提出无标签筛选方法“反转下降”区分模型通道使用情况，如Molmo2和Qwen3-VL，指出综合分数不能反映潜在失败模式，此区分在多基准和任务中成立。
Comments 9 pages, 11 pages supplemental
From Prompt Risk to Response Risk: Paired Analysis of Safety Behavior of Large Language Models
从提示风险到响应风险：大型语言模型安全行为的配对分析
机构 * Microsoft（微软）
AI总结 本研究通过配对分析人类标注的提示和响应记录，探讨了大型语言模型在四个危害类别（性、自残、仇恨和暴力）和有序严重性级别上的安全行为，发现61%的响应比提示减少了危害，3%的响应升级了危害，并揭示了安全行为与无害性之间的权衡。
Rethinking Reward Models for Multi-Domain Test-Time Scaling
重新思考多领域测试时扩展的奖励模型
机构 * KAIST（韩国科学技术院） ； Microsoft Research Asia（微软亚洲研究院） ； TH Nürnberg
AI总结 研究多领域测试时扩展的奖励模型，对四种奖励模型变体进行统一评估，发现dORM与dPRM相当，gPRM无竞争力，gORM最稳健，挑战细粒度监督更好的假设，支持生成式结果验证并公开代码。
