Microsoft（微软）

A Comprehensive Information-Decomposition Analysis of Large Vision-Language Models

大型视觉-语言模型的全面信息分解分析

Lixin Xiu, Xufang Luo, Hideki Nakayama

机构 * The University of Tokyo（东京大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文通过信息分解方法分析大型视觉-语言模型的信息谱，揭示任务模式和模型策略，为模型设计提供新视角。

Comments Accepted at ICLR 2026. Project page: https://riishin.github.io/pid-lvlm-iclr26/

Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model

利用生成虚拟脑模型预测帕金森病的神经调制疗效

Siyuan Du, Siyi Li, Shuwei Bai, Ang Li, Haolin Li, Mingqing Xiao, Yang Pan, Dongsheng Li, Weidi Xie, Yanfeng Wang, Ya Zhang, Chencheng Zhang, Jiangchao Yao

机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与技术学院） ； Shanghai AI Laboratory（上海人工智能实验室） ； University of Science and Technology of China（中国科学技术大学） ； Ruijin Hospital, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属瑞金医院） ； Microsoft Research Asia（微软亚洲研究院） ； Zhongnan Hospital of Wuhan University（武汉大学中南医院） ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Institute of Artificial Intelligence for Medicine, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院人工智能医学研究所） ； Cooperative Medianet Innovation Center, Shanghai Jiao Tong University（上海交通大学协同媒体创新中心） 纠错

AI总结 本文提出一种基于生成虚拟脑模型的预训练-微调框架，通过静息态fMRI预测帕金森病患者接受颞叶干扰和深部脑刺激的疗效，利用生成模型提高个体化虚拟脑的准确性，并通过反事实估计预测临床反应，优于基线方法。

Known Intents, New Combinations: Clause-Factorized Decoding for Compositional Multi-Intent Detection

已知意图，新组合：基于从句分解的多意图检测

Abhilash Nandy

机构 * Microsoft Research India（微软研究院印度） 纠错

AI总结 本文提出Clause-Factorized Decoding方法，通过控制基准CoMIX-Shift评估多意图检测的组合泛化能力，展示ClauseCompose在不同任务上的优越性能。

Comments 6 pages, 3 tables

AXE: Low-Cost Cross-Domain Web Structured Information Extraction

AXE：低成本跨领域网络结构化信息提取

Abdelrahman Mansour, Khaled W. Alshaer, Moataz Elsaban

机构 * Faculty of Computers & Artificial Intelligence - Cairo University（开罗大学计算机与人工智能学院） ； Ejada Systems ； Fawry Integrated Systems ； Microsoft（微软） 纠错

AI总结 AXE通过将HTML DOM视为需修剪的树结构，利用专用修剪机制提取高密度上下文，使小型模型生成精确结构化输出，并通过GXR确保提取可追溯性，实现跨领域信息提取的高性能与低成本。