大厂专区
GeoMAD：基于可变形融合与分布对齐的几何感知多视图异常检测
机构 * National Taiwan University（台湾大学） ； National Taiwan Normal University（台湾师范大学） ； Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究院） ； Microsoft Taiwan Corporation（微软台湾公司） ； VinUniversity ； National Taiwan University of Science and Technology（台湾科技大学）
AI总结 GeoMAD是一种多视图多类别异常检测框架，通过跨视图可变形融合模块与分布视图对齐，实现几何感知与分布一致的高效融合，在Real-IAD等数据集上表现出色。
Chart2SVG：从栅格图表图像生成可编辑的SVG
机构 * Renmin University of China（中国人民大学） ； State Key Lab of CAD&CG, Zhejiang University（浙江大学CAD&CG国家重点实验室） ； Shandong University（山东大学） ； Microsoft Research（微软研究院） ； Qwen Large Model Application Team, Alibaba（阿里巴巴通义大模型应用团队） ； University of Technology Sydney（悉尼科技大学）
AI总结 Chart2SVG是融合图表语义令牌、Beagle+数据集与Chart Structure Graph的多模态大语言模型，可生成可编辑SVG，在图表重建与编辑任务中性能优于基线，助力智能可视化工具发展。
VFA：通过无视觉适配赋能多语言多模态大语言模型
机构 * Southern University of Science and Technology（南方科技大学） ； Microsoft Research Asia（微软亚洲研究院） ； Shanghai University of Finance and Economics（上海财经大学） ； Peking University（北京大学）
AI总结 本研究针对多模态大语言模型的英语中心化问题，提出VFA框架，通过组合任务向量实现多语言增强与视觉对齐解耦，仅用少量数据就提升了多语言模型性能并保留原有能力。
通过采样引导和扩展大语言模型的方法
机构 * Microsoft（微软公司）
AI总结 本文提出一种灵活的理论框架，基于序贯蒙特卡洛和副本交换两种算法，用于通过采样引导和扩展大语言模型，其扩展性优于Best-of-N和标准MCMC基线。
Comments 13 pages
你不需要运行每个评估
机构 * Microsoft Research, AI Frontiers（微软研究院，AI前沿）
AI总结 研究发现前沿模型在133个基准上的分数主要由两个潜在因素决定，并提出了基于秩-2矩阵补全的BenchPress方法，能用少量基准高精度预测模型在其他基准上的表现。
Comments 49 pages, 14 figures, 18 tables
视频世界模型的潜在空间记忆
机构 * Zhejiang University（浙江大学） ； Microsoft Research（微软研究院） ； Adelaide University（阿德莱德大学） ； Monash University（莫纳什大学）
AI总结 提出潜在空间记忆框架Mirage，通过在扩散潜在空间中直接构建和查询3D缓存，避免像素空间重建，实现高效视频生成，速度提升10.57倍，内存减少55倍。
Comments Project Page: this https URL (https://aka.ms/latent-spatial-memory), Code: this https URL (https://github.com/microsoft/LatentSpatialMemory)
用更少提示实现更好的提示优化
机构 * Cornell University（康奈尔大学） ； Microsoft（微软） ； Harvard University（哈佛大学） ； Databricks AI Research（Databricks AI研究）
AI总结 研究揭示提示优化有效性取决于系统提示与响应方差，提出$p1$过滤方法提升优化效果，实验显示其在推理基准上优于基线方法。
学习与课程学习：自课程学习的可证明收益
机构 * Microsoft Research（微软研究院）
AI总结 本文研究了自课程学习在提升语言模型推理能力方面的有效性，通过自适应数据选择技术，在监督微调和强化学习中分别减少了训练数据和计算成本。
Comments 39 pages, 4 figures
更少微调，更好检索：通过合成数据和模型合并重新思考LLM适应于生物医学检索器
机构 * IKIM, University Hospital Essen（IKIM，埃森大学医院） ； Microsoft Healthcare & Life Sciences（微软医疗与生命科学）
AI总结 本文提出STM框架，通过合成数据和模型合并提升生物医学检索性能，实验显示在任务特定专家上提升23.5%并优于基线模型。
Comments Accepted to Findings of EMNLP 2026
OS-Marathon: 在长周期重复任务上评估计算机使用代理的基准测试
机构 * University of Oxford（牛津大学） ； Microsoft（微软公司） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 OS-Marathon通过建立长周期重复任务的基准测试，评估计算机使用代理在处理复杂工作流中的性能和有效性。
Comments EMNLP 2026 Main Conference, Project Page: this https URL (https://os-marathon.github.io/)
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