大厂专区
GenRec：明确何处重建、何处生成
机构 * KAIST（韩国科学技术院） ； Google（谷歌公司） ； Microsoft（微软公司） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 GenRec 是一种多视图流匹配模型，通过架构等内置重建与生成划分，在 RealEstate10K 等数据集的单视图外推、两视图插值任务中，兼顾观测区域高重建保真度与未观测区域优感知质量。
用多样性轮廓评估AI生成内容的多样性
机构 * Tsinghua University（清华大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Microsoft Research（微软研究院） ； University of Cambridge（剑桥大学） ； McGill University（麦吉尔大学）
AI总结 针对现有AI生成内容多样性评估标量指标的矛盾性与局限性，提出曲线值的多样性轮廓框架，为生成式AI评估提供更透明、感知分辨率的多样性比较方案。
Agent Lightning v1.0：走向可控的智能体强化学习
机构 * Microsoft（微软） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； University of Edinburgh（爱丁堡大学）
AI总结 研究针对可控智能体强化学习的挑战，推出轻量级框架 Agent Lightning v1.0，经评估可将 Qwen3.5-9B 在 SWE-bench Verified 上的性能提升14.6个百分点，发布完整流程脚本以推进相关可复现研究。
ASI-Bench：人工智能超级智能的黎明
机构 * Tsinghua University（清华大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan（密歇根大学） ； University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Boston University（波士顿大学） ； University of Queensland（昆士兰大学） ； University of Science and Technology of China（中国科学技术大学） ； Flatiron Institute（弗拉蒂伦研究所） ； Microsoft Research（微软研究院） ； AG2 AI（AG2 AI公司）
AI总结 研究人员推出首个联合评估AI创新探索与自主科学执行能力的基准ASI-Bench，逐步减少人类方法指导测试AI自主科研能力，发现当前AI仍严重依赖人类指导，该基准面向全球开放邀请贡献。
Comments 16 pages, 5 figures, 2 tables
愚人金：针对开放权重模型安全移除攻击的防御性欺骗
机构 * Microsoft Azure（微软Azure）
AI总结 针对开放权重模型易被移除安全对齐的问题，提出“愚人金”防御，通过训练仅在被攻击状态显现的伪造诱饵，使被攻击模型对危险请求输出高比例假回答，且无法区分真假，同时不影响干净状态的良性行为。
KnowSim：用学习的用户模拟器评估大语言模型助手的信息校准
机构 * University of Michigan（密歇根大学） ； KAIST（韩国科学技术院） ； Microsoft Research（微软研究院）
AI总结 本研究提出KNOWSIM框架，通过带显式知识状态的用户模拟器评估LLMs的信息校准，验证后其性能优于基线，可揭示用户知识水平与LLMs的适配关系。
Comments 30 pages, 6 figures, 16 tables
为什么自蒸馏（有时）会降低大语言模型的推理能力？
机构 * Microsoft Research（微软研究院） ； KAIST（韩国成均馆大学） ； Seoul National University（首尔国立大学）
AI总结 本文研究了自蒸馏在数学推理中降低大语言模型推理能力的原因，发现其通过抑制模型在推理过程中的不确定性表达，导致在未见过的问题上表现下降，强调了适当表达不确定性对鲁棒推理的重要性。
Comments Accepted to COLM 2026. Code is available at https://github.com/beanie00/self-distillation-analysis
ScreenSearch: 带有不确定性的操作系统探索
机构 * Microsoft（微软）
AI总结 ScreenSearch通过结合结构化屏幕检索与基于不确定性的PUCT图强化学习，在大规模桌面探索中有效平衡探索与承诺，生成具有跨应用多样性的探索语料库。
Comments 22 pages, 8 figures, 21 tables
通过记忆增强的规划和前瞻性构建视觉导航的统一世界模型
机构 * University of Washington（华盛顿大学） ； National University of Singapore（新加坡国立大学） ； Apple（苹果公司） ； Microsoft Research（微软研究院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出UniWM，一种整合视觉前瞻性与规划的统一世界模型，通过记忆机制提升导航鲁棒性和泛化能力，在多个基准测试中显著提升导航成功率。
Comments Accepted to ECCV 2026. 22 pages, 12 figures, code: https://github.com/UWMILab/UniWM
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈