大厂专区
归一化低秩适配
机构 * Yuanshi Intelligence（元氏智能） ； The Chinese University of Hong Kong（香港中文大学） ； Microsoft Research（微软研究院） ； Shenzhen Loop Area Institute（深圳河套学院）
AI总结 针对LoRA训练动态正则化不足的问题，提出归一化低秩适配（NoRA），通过归一化下投影矩阵提升LoRA性能，在多任务中加速收敛、改善稳定性并缓解灾难性遗忘，且无额外计算开销。
TRIPPULSE：基于评论推理的多智能体旅行规划
机构 * Microsoft（微软公司） ； IIT Bhubaneswar（布巴内斯瓦尔印度理工学院）
AI总结 TRIPPULSE是基于评论推理的多智能体旅行规划框架，分解行程生成任务为多智能体并结合10万+评论与RGPA指标，可兼顾约束满足与个性化体验。
Comments 31 pages, EMNLP 2026
学习结果变化的位置：面向多模态几何的信用可寻址推理
机构 * Tsinghua University（清华大学） ； Microsoft Research（微软研究院）
AI总结 该研究针对多模态几何推理中现有方法的缺陷，提出信用可寻址推理，通过Code-CoT和CE-GRPO实现，在9个几何基准上平均准确率达76.04，优于对比模型，凸显协同设计的价值。
SELECT：用于类增量语义分割的选择性上下文迁移
机构 * IIIT Delhi（印度信息技术学院德里校区） ； Microsoft（微软公司） ； IIT Kanpur（印度理工学院坎普尔校区） ； TYUST（太原科技大学）
AI总结 本文针对类增量语义分割的灾难性遗忘与背景偏移问题，提出SELECT选择性上下文迁移方法，通过上下文迁移注意力机制等提升性能，在Pascal VOC和ADE20K上优于现有工作。
Comments Accepted to BMVC 2026
用非推理型大语言模型从自然语言生成工作流有向无环图（DAG）
机构 * Microsoft（微软公司）
AI总结 本文针对企业联络中心自然语言路由转工作流DAG问题，用神经符号分解结合确定性编译器，提升非推理LLM生成质量，在GPT-5.3-chat上与推理模型质量统计等价。
人工神经网络的涌现符号结构
机构 * Yale University（耶鲁大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； New York University（纽约大学） ； Microsoft Research（微软研究院）
AI总结 该研究发现神经网络内部表征隐含符号结构，可通过符号结构近似其向量表征，还能精准干预修改大型语言模型行为，为调和智能的符号概念与现代AI的向量本质提供了新途径。
Comments 30 pages, plus 29 pages of references and appendices
LiteSearch-VL：通过轨迹蒸馏和合成步级DPO实现的小型多模态搜索智能体
机构 * Microsoft AI（微软人工智能） ； Ohio State University（俄亥俄州立大学）
AI总结 该研究提出LiteSearch-VL方案，通过轨迹蒸馏和合成步级DPO，在单节点预算下将多模态搜索智能体能力迁移至Qwen3-VL-2B等小型模型，使其在多模态视觉问答任务上取得接近4B模型的性能，明确小型多模态智能体的下一瓶颈是答案验证而非搜索深度。
迈向文化对齐：五个非洲社区对多模态AI故事的以人为中心的评估
机构 * Microsoft Research Africa（微软研究院非洲分部） ； Swansea University（斯旺西大学） ； Cornell University（康奈尔大学） ； Microsoft Research Cambridge（微软研究院剑桥分部）
AI总结 本文以五个非洲社区为对象，通过混合方法评估AI生成多模态故事的文化对齐情况，构建了相关分类体系，并发现多模态LLM裁判需经社区校准才能可靠评估文化对齐。
Comments Accepted to Findings of EMNLP 2026
RankShift：数据库内分类分布偏移的检测与解释
机构 * Microsoft（微软）
AI总结 RankShift是一种数据库内分类分布偏移检测方法，无需模型训练，在HDFS、BGL等数据集上检测性能接近或优于计数向量自编码器，可检测罕见类别偏移且误报率符合要求。
CaRGo-T：因果推理思维图提升多模态幽默理解能力
机构 * Microsoft Research India（微软研究院印度分部） ； LinkedIn（领英公司） ； Nutanix（Nutanix公司） ； Indian Institute of Science（印度科学学院） ； Apple（苹果公司） ； Fujitsu Research India（富士通印度研究院） ； Indian Institute of Technology Kharagpur（印度克勒格布尔印度理工学院）
AI总结 本研究提出CaRGo-T因果推理思维图框架，在四类含讽刺等喜剧内容的数据集上，提升VLMs的幽默理解与检测性能，相关代码已公开。
Comments 18 pages, 5 figures
单次成功并非可靠：Thinkingbox——面向有状态业务工作流智能体的沙箱与基准测试集
机构 * University of Pittsburgh（匹兹堡大学） ； Northwestern University（西北大学） ； University of California Irvine（加州大学欧文分校） ； Microsoft（微软公司）
AI总结 研究人员推出面向有状态业务工作流智能体的沙箱Thinkingbox及基准测试集Thinkingbox-bench，发现现有智能体在该基准上可靠完成任务的表现远逊于单次成功表现，凸显了端到端任务可靠评估的必要性。
ReViV：从单目自我中心视频中重建4D中的观看者和视图
机构 * ETH Zurich（苏黎世联邦理工学院） ； Delft University of Technology（代尔夫特理工大学） ； Microsoft（微软）
AI总结 研究旨在从单目自我中心视频重建4D中的观看者和视图，提出ReViV框架，将任务建模为学习多模态信号联合概率分布，由掩码生成自我中心变压器驱动，在多基准测试中展现出高精度和效率，还保持了竞争力强的自我中心深度估计，且代码模型开源。
Comments Accepted to ECCV 2026. The first two authors contributed equally, and their author order is interchangeable
回顾性工具优化：通过轨迹回滚上的自我偏好改进LLM智能体
机构 * City University of Hong Kong（香港城市大学） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 提出一种自监督方法RHO，利用历史轨迹回滚和自偏好选择优化智能体工具集，无需真实标签，在SWE-Bench Pro上通过单轮优化将通过率从59%提升至78%。
Comments Accepted to EMNLP 2026 (Findings). Code: this https URL (https://github.com/wbopan/retro-harness); Project website: this https URL (https://paper-rho.wenbo.io)
低秩矩阵的Hadamard积的黎曼优化
机构 * Centre for Machine Intelligence and Data Science, Indian Institute of Technology Bombay, India（机器智能与数据科学中心，印度班加罗尔理工学院，印度） ； Microsoft India（微软印度）
AI总结 针对低秩矩阵Hadamard积因子的耦合缩放对称性，提出一种基于黎曼商流形的块对角度量，并开发了线性复杂度的梯度下降算法。
Comments Added second-order discussion
FBHM：用于仇恨模因检测的功能性基准测试与视觉语言模型引导
机构 * Indian Institute of Technology (IIT), Kharagpur（印度理工学院（IIT）卡拉格浦尔） ； Microsoft（微软）
AI总结 针对现有基准无法因果评估视觉语言模型漏洞的问题，提出基于25种修辞功能和10个目标社区构建的FBHM基准，并采用可学习引导向量（LSV）在极低数据量下提升模型性能约30个Macro-F1点。
最强的教师并不总是最好的教师：以学生为中心的答案选择
机构 * University of Washington（华盛顿大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Southern California（南加州大学） ； Independent Researcher（独立研究者） ； National University of Singapore（新加坡国立大学） ； Microsoft（微软） ； Google（谷歌） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Northwestern University（西北大学） ； Allen Institute for AI (AI2)（人工智能研究院（AI2））
AI总结 提出以学生为中心的答案采样（SCAS）框架，通过估计学生中心的学习成本选择教师生成的答案，从而提升学生模型性能。
采用 ≠ 适应：野外LLM对话的纵向分析
机构 * Cornell University（康奈尔大学） ； Microsoft Research（微软研究院）
AI总结 通过分析约12,000名Microsoft Bing Copilot用户的对话轨迹及WildChat-4.8M数据，发现用户行为高度固化，活跃用户更倾向复杂专业任务，且WildChat数据集偏向高熟练度“超级用户”，表明现有用户行为难以改变并揭示用户异质性。
WebXSkill：自主网页代理的技能学习
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Microsoft（微软）
AI总结 WebXSkill通过可执行技能框架解决自主网页代理在长周期任务中的执行与适应问题，提升任务成功率。
Comments Accepted to Findings of EMNLP2026
EpiQAL：大型语言模型在流行病学问答与推理中的基准测试
机构 * Emory University（埃默里大学） ； University of Illinois Chicago（伊利诺伊大学香槟分校） ； Microsoft（微软公司）
AI总结 提出EpiQAL基准，通过三个子集（事实回忆、多步推理、不完整信息下结论重建）评估LLM在流行病学推理中的表现，发现当前模型在多步推理上表现有限。
Comments Accepted to EMNLP 2026 Main Conference. 35 pages, 5 figures, 31 tables
DesignAsCode：在图形设计生成中弥合结构可编辑性与视觉保真度
机构 * School of Software and Microelectronics, Peking University, Beijing, China（软件与微电子学院，北京大学，北京，中国） ； Microsoft（微软公司） ； ShanghaiTech University, Shanghai, China（上海交通大学，上海，中国）
AI总结 DesignAsCode 通过 HTML/CSS 程序化合成方法，实现了图形设计生成中结构可编辑性与视觉保真度的平衡，提升了设计质量和生成能力。
AgentRx: 从执行轨迹诊断AI代理故障
机构 * Microsoft Research（微软研究院） ； Microsoft（微软）
AI总结 AgentRx通过自动化诊断框架，从执行轨迹中定位AI代理的关键故障步骤，并提升跨领域的故障归因能力。
Comments Accepted to EMNLP Findings 2026
X-Coder：通过完全合成任务、解决方案和测试推进竞争性编程
机构 * Tsinghua University（清华大学） ； Microsoft Research（微软研究院） ； Wuhan University（武汉大学）
AI总结 X-Coder通过完全合成数据提升竞争性编程模型性能，采用领域特定进化和双验证策略，在LiveCodeBench上取得显著成果。
Comments Accepted by EMNLP 2026 Main
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