Microsoft（微软）

Normalized Low-Rank Adaptation

归一化低秩适配

Jiale Kang, Ziyin Yue, Zheng Zhan, Yangyi Huang, Weiyang Liu

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） 纠错

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: Multi-Agent Travel Planning with Review-Grounded Reasoning

TRIPPULSE：基于评论推理的多智能体旅行规划

Priyanshu Karmakar, Borru Vijay Sai, Shubhojit Mallick, Abhik Jana, Shreya Ghosh, Manish Gupta

机构 * Microsoft（微软公司） ； IIT Bhubaneswar（布巴内斯瓦尔印度理工学院） 纠错

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

Learning Where Outcomes Change:Credit-Addressable Reasoning for Multimodal Geometry

学习结果变化的位置：面向多模态几何的信用可寻址推理

Jiani Guo, Junjie Wang, Jie Wu, Pengxiang Zhao, Dongdong Zhang, Shaohan Huang, Yujiu Yang, Furu Wei

机构 * Tsinghua University（清华大学） ； Microsoft Research（微软研究院） 纠错

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: SELEctive Context Transfer for Class-Incremental Semantic Segmentation

SELECT：用于类增量语义分割的选择性上下文迁移

Avi Gupta, Saurabh Yadav, Koteswar Rao Jerripothula, Tammam Tillo

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） 纠错

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

Generating Workflow DAGs from Natural Language with Non-Reasoning LLMs

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）

Anand Iyer, Bhanu Khetharpal, Srinivas Upadhya, Ramkumar Rajagopal

机构 * Microsoft（微软公司） 纠错

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。

The Emergent Symbolic Structure of Artificial Neural Networks

人工神经网络的涌现符号结构

R. Thomas McCoy, Paul Soulos, Tal Linzen, Paul Smolensky

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） 纠错

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: Small Multimodal Search Agents via Trajectory Distillation and Synthetic Step-DPO

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

Saeed Khaki, Nima Safaei, Kamal Ginotra

机构 * Microsoft AI（微软人工智能） ； Ohio State University（俄亥俄州立大学） 纠错

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。

Toward Cultural Alignment: Human-Centered Evaluation of Multimodal AI Stories Across Five African Communities

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

Millicent Ochieng, Felermino D. M. A. Ali, Elizabeth A. Ankrah, Najeeb Gambo Abdulhamid, Migisha Boyd, Stephanie Nyairo, Mercy Muchai, Samuel Chege Maina, Aditya Vashistha, Anja Thieme, Jacki O'Neill

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） 纠错

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: In-Database Detection and Explanation of Categorical Shifts

RankShift：数据库内分类分布偏移的检测与解释

Omair Shafi Ahmed

机构 * Microsoft（微软） 纠错

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。