Microsoft（微软）

Agentic Commerce World: An Auditable and Verifiable Environment for Vibe Commerce

智能体商业世界：一种可审计可验证的氛围式商业环境

Shicheng Fan, Mingdai Yang, Duohao Wang, Canyu Chen, Yongfeng Zhang, Hua Wei, Manling Li, Julian McAuley, Kun Zhang, Philip S. Yu, Kejing Yu, Zhiwei Liu

机构 * University of Illinois at Chicago（伊利诺伊大学芝加哥分校） ； Springbrand（斯普林布兰德公司） ； Northwestern University（西北大学） ； Rutgers University（罗格斯大学） ； Arizona State University（亚利桑那州立大学） ； University of California San Diego（加州大学圣迭戈分校） ； Carnegie Mellon University（卡内基梅隆大学） ； MBZUAI（Mohamed bin Zayed 人工智能大学） ； Microsoft AI（微软人工智能部门） 纠错

AI总结 该研究提出智能体商业世界（ACWorld）环境，通过氛围式商业协议（VCP）实现可审计可验证的氛围式商业智能体评估，构建含两类轨道的基准并验证模型性能，分析得出过程级证据对评估智能体的必要性。

RADAR: Rubric-Aware Dependency and Redundancy Analysis for LLM-as-Judge Evaluation

RADAR：用于LLM作为评判者评估的基于 Rubric 的依赖与冗余分析

Divyansh Singh, Reza Davari, Afra Mashhadi

机构 * Microsoft（微软公司） ； University of Florida（佛罗里达大学） ； University of Washington（华盛顿大学） 纠错

AI总结 本文提出 RADAR 框架，用于在 LLM 作为评判者的大规模评估前，通过少量探针估计评估标准间的耦合，验证显示其可恢复人类标准间高相关性，提供审计信号。

Online Algorithms via Minimax and Posterior Matching

基于极小极大与后验匹配的在线算法

Thomas Kesselheim, Marco Molinaro, Kalen Patton, Sahil Singla

机构 * University of Bonn（波恩大学） ； Institute of Computer Science, University of Bonn（波恩大学计算机科学学院） ； Microsoft Research（微软研究院） ； PUC-Rio（里约热内卢天主教大学） ； Georgia Tech（佐治亚理工学院） ； School of Mathematics, Georgia Tech（佐治亚理工学院数学学院） ； School of Computer Science, Georgia Tech（佐治亚理工学院计算机科学学院） 纠错

AI总结 该研究基于极小极大视角提出后验匹配原理，将在线算法竞争分析简化为贝叶斯在线设计，为多类在线问题提供最优或接近最优保证，构建了可复用的理论框架。

Comments To appear at FOCS 2026

Scoring Rules! Statistical and Strategic Alignment for Text Evaluation Metrics

评分规则！文本评估指标的统计对齐与策略对齐

Shengwei Xu, Yuxuan Lu, Yifan Wu, Jason Hartline, Grant Schoenebeck

机构 * University of Michigan（密歇根大学） ； Peking University（北京大学） ； Microsoft Research（微软研究院） ； Northwestern University（西北大学） 纠错

AI总结 该研究针对文本评估指标，提出统计与策略对齐概念及三项测试原则，开发基于互信息的指标设计框架，发现 LLM-as-a-Judge 相关性高但易操纵，新指标鲁棒性强且相关性具竞争力。

High-Stakes Decisions with Language Models: Insights from Emergency Triage

基于语言模型的高风险决策：来自急诊分诊的见解

Khurram Yamin, Christopher Kelly, Bryan Wilder, Eric Horvitz

机构 * Microsoft（微软） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本研究以急诊分诊为案例，将语言模型的高风险决策置于概率决策框架内，发现语言模型可根据效用调整建议，强调高风险场景下需将其作为概率决策系统评估。

Comments 29 pages

Who Belongs in the Eval Set? A Capability-Taxonomy-Driven Pipeline for Curating Regression Eval Sets in Agent-Extensibility Platforms

哪些应该进入评估集？面向智能体可扩展性平台的、基于能力分类法的回归评估集编建流水线

Tezan Sahu, Aritra Das, Pankaj Mittal, Sudipta Das

机构 * Microsoft（微软） ； Indian Institute of Technology Roorkee（鲁尔基印度理工学院） 纠错

AI总结 针对智能体可扩展性平台的回归评估集编建问题，提出基于能力分类法的流水线，通过三个组件实现查询决策，可适配带类型化能力分类法的各类编建场景。

Comments Extended abstract accepted at the SERI 2026 Industry Track

Agentic Coding in the Wild: Characterizing GitHub Copilot Traces at Production Scale

野外环境下的智能体编码：生产规模下GitHub Copilot轨迹的特征分析

Banruo Liu, Haoran Qiu, Íñigo Goiri, Rodrigo Fonseca, Ricardo Bianchini, Esha Choukse

机构 * Microsoft Azure Research（微软Azure研究院） ； Microsoft Azure（微软Azure） 纠错

AI总结 该研究对GitHub Copilot等AI编码智能体的生产规模轨迹进行特征分析，揭示其工作负载特性，设计轻量级空闲预测器，为智能体原生LLM服务基础设施提供实证基础。

XL-DocBench: Benchmarking Evidence-Grounded Extra-Long Document Understanding

XL-DocBench：基于证据的超长文档理解基准测试

Hongchen Wei, Yuanzhe Wang, Bei Liu, Yifan Yang, Qi Dai, Ruichun Ma, Kai Qiu, Yunsheng Li, Dongdong Chen, Chong Luo, Zhenzhong Chen, Baining Guo

机构 * Wuhan University（武汉大学） ； Microsoft（微软） 纠错

AI总结 XL-DocBench是含1519个问题、最长2303页的人工验证超长文档理解基准，覆盖多页证据、结构化内容等场景，可用于评估LLMs在专业文档理解中的实际表现。