Microsoft（微软）

When Personality Meets Quantization: A Layer-wise MBTI Analysis of Quantized LLMs

当人格遇见量化：量化大语言模型的分层MBTI分析

Yao Fu, Lijia Huang, Xiaomin Li, Runchao Li, Yu Yin, Kenneth A. Loparo

机构 * Case Western Reserve University（凯斯西储大学） ； Northeastern University（东北大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本研究对跨多种精度（含4位、2位方法）的开源LLM进行分层MBTI分析，揭示LLM人格是依赖层的涌现决策过程，量化、解码会影响其人格，为量化LLM行为可靠性提供新视角。

Loss-Based Active Learning for Neural Abstractive Summarization

基于损失的神经抽象摘要生成主动学习

Michail Ioannou, Tatiana Passali, George Michalopoulos, Grigorios Tsoumakas

机构 * School of Informatics（信息学院） ； Aristotle University of Thessaloniki（亚里士多德塞萨洛尼基大学） ； Microsoft（微软公司） 纠错

AI总结 针对神经抽象摘要生成标注数据获取成本高的问题，提出LOBSTER主动学习框架，在三个数据集和两个模型上验证其性能优于或相当SOTA，且查询选择速度最高提升665倍

TailSFT: Filtered Fine-Tuning Improves Post-Training Performance

TailSFT：过滤式微调提升后训练性能

Sadhika Malladi, Samy Jelassi, Dylan Foster, Jordan T. Ash, Akshay Krishnamurthy

机构 * University of California San Diego（加州大学圣迭戈分校） ； Microsoft Research NYC（微软研究院纽约分部） 纠错

AI总结 本文提出TailSFT过滤式微调算法，可提升模型后强化学习性能，在OLMo-3 7B上数学与代码评估pass@16最高提17%，后续GRPO的pass@1最高提4%，还引入轻量诊断方法识别适用场景。

LongVU-TTT: Causal Test-Time Training for Visual Resampling in Long Video Understanding

LongVU-TTT：用于长视频理解中视觉重采样的因果测试时训练方法

Mahmoud Ahmed, Sameh Abdulah, Olatunji Ruwase, Sam Ade Jacobs, Mathis Bode, Mohamed Elhoseiny

机构 * KAUST（阿卜杜拉国王科技大学） ； Snowflake（雪花公司） ； Microsoft Inc.（微软公司） ； Jülich Supercomputing Centre, Forschungszentrum Jülich（于利希研究中心于利希超级计算中心） 纠错

AI总结 LongVU-TTT在视觉编码器与LLM间插入带因果快速权重更新的卷积TTT重采样器，通过混合选择器保留帧证据，在五个视频理解基准测试中性能具竞争力，较多种基线方法有明显提升。

See More, Detect Less? Taming Information Leakage in Multi-View Anomaly Detection

看得更多，检测得更少？抑制多视图异常检测中的信息泄漏

Shang-Fu Chen, Kuan-Chuan Peng, Jhih-Ciang Wu, Wen-Huang Cheng, Kai-Lung Hua

机构 * National Taiwan University（台湾大学） ； Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室） ； National Taiwan Normal University（台湾师范大学） ； VinUniversity ； Microsoft Taiwan Corporation（微软台湾公司） ； National Taiwan University of Science and Technology（台湾科技大学） 纠错

AI总结 该研究针对多视图异常检测中的跨视图信息泄漏问题，提出GLAD框架，结合视觉基础模型特征与MMA、OGA模块，在Real-IAD等数据集上优于现有最优方法，证实信息限制的重要性。