You Don't Need to Run Every Eval
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
大厂专区
Microsoft（微软）
Latent Spatial Memory for Video World Models
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)
$p1$: Better Prompt Optimization with Fewer Prompts
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。
Learning to Reason with Curriculum I: Provable Benefits of Autocurriculum
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
Modular Expert Merging for Biomedical Retrieval
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: Benchmarking Computer-Use Agents on Vast-Horizon, Repetitive Tasks
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/)
