SCOPE: Self-Play via Co-Evolving Policies for Open-Ended Tasks
SCOPE：面向开放式任务的协同演化策略自我对弈
机构 * University of Edinburgh（爱丁堡大学） ； Imperial College London（伦敦帝国学院）
AI总结 提出SCOPE框架，通过协同演化挑战者和求解者策略，实现无数据自我对弈，在开放式任务上提升性能并超越依赖人工提示的方法。
高校专区
Imperial College London（帝国理工学院）
MoE-dqINR: A Unified Mixture-of-Experts Implicit Neural Representation Framework for Scan-Specific Dynamic and Quantitative MRI Reconstruction
MoE-dqINR：用于特定扫描动态和定量MRI重建的统一混合专家隐式神经表示框架
机构 * Department of Bioengineering and I-X, Imperial College London（生物工程系和I-X，帝国理工学院伦敦分校） ； Cardiovascular Research Centre, Royal Brompton Hospital（心脏血管研究中心，皇家布隆特医院） ； National Heart and Lung Institute, Imperial College London（国家心脏和肺研究所，帝国理工学院伦敦分校） ； School of Biomedical Engineering & Imaging Sciences, King’s College London（生物医学工程与成像科学学院，伦敦国王学院） ； Shanghai Pudong Hospital and Human Phenome Institute, Fudan University（上海浦东医院和人类表型研究所，复旦大学） ； International Human Phenome Institute (Shanghai), Shanghai, China（国际人类表型研究所（上海），上海，中国）
AI总结 提出MoE-dqINR框架，通过共享空间专家和状态条件路由路径，实现高效、统一的特定扫描多线圈动态和定量MRI重建，优化时间约30秒。
Free energy Estimation on Any State Space
任意状态空间上的自由能估计
机构 * University of Cambridge（剑桥大学） ； Imperial College London（伦敦帝国理工学院） ； Xaira Therapeutics（Xaira制药） ； Microsoft Research New England（微软研究院新英格兰分部）
AI总结 提出一种基于广义神经传输学习的框架，将自由能估计推广到任意状态空间，并揭示时间反演与Doob h-变换的群论结构。
Diffusion Models Preferentially Memorize Prototypical Examples or: Why Does My Diffusion Model Love Slop?
扩散模型优先记忆原型样本，或：为什么我的扩散模型喜欢“潦草”？
机构 * Department of Mathematics, Imperial College London, UK ； ML Lab, Capital Fund Management, France ； Department of Physics, \'Ecole Polytechnique F\'ed\'erale de Lausanne (EPFL), Switzerland
AI总结 本文通过随机层次模型生成的字符串训练扩散模型，发现模型优先记忆常见子串组成的样本，即使数据完全去重，表明点级去重无法保证隐私，而数据集多样性（尤其是高层抽象）能延缓记忆，并识别出部分记忆的中间状态导致生成均值回归的“潦草”现象。
Linear Ensembles Wash Away Watermarks: On the Fragility of Distributional Perturbations in LLMs
线性集成洗去水印：论LLMs中分布扰动的脆弱性
机构 * Department of Informatics, King's College London, UK（伦敦国王学院信息学院） ； Department of Mathematics, Imperial College London, UK（伦敦帝国学院数学系） ； Department of Statistics, University of Warwick, UK（沃里克大学统计系）
AI总结 本文通过理论和实验证明，当用户访问多个模型时，对输出概率分布进行简单平均即可消除水印，并提出了WASH方法解决集成中的词汇对齐和分词差异问题。
CoMo3R-SLAM: Collaborative Monocular Dense SLAM with Learned 3D Reconstruction Priors for Outdoor Multi-Agent Systems
CoMo3R-SLAM: 面向室外多智能体系统的协作式单目稠密SLAM与学习型3D重建先验
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Liverpool（利物浦大学） ； Harbin Engineering University（哈尔滨工程大学） ； University of Ottawa（Ottawa大学） ； Shanghai Jiao Tong University（上海交通大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 提出首个协作式单目稠密RGB SLAM系统CoMo3R-SLAM，利用学习的前馈3D重建先验实现室外多智能体地图构建，无需深度传感器即可生成全局一致的度量地图。
Dex2HOI: Dexterous Bimanual Two-Object Interaction Generation
Dex2HOI: 灵巧双手双物体交互生成
机构 * Imperial College London, UK（伦敦帝国学院） ； University of Alicante, Spain（阿利坎特大学）
AI总结 提出Dex2HOI统一扩散模型，通过双流扩散和运动融合网络，实现从文本生成单/双物体灵巧双手交互，速度提升达540倍。
Learned Relay Representations for Forward-Thinking Discrete Diffusion Models
学习的中继表示用于前向思考的离散扩散模型
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of Toronto（多伦多大学） ； Stanford University（斯坦福大学） ； Imperial College London（伦敦帝国学院） ； Mila ； Vijil
AI总结 提出Learned Relay Representations (Relay)方法，通过可微通道传递潜在信息，使掩码扩散模型在去噪步骤间前向思考，减少推理延迟并提升性能。
Comments 16 pages, 3 figures. Equal contribution: Benjamin Rozonoyer, Jacopo Minniti, and Dhruvesh Patel. Code: https://github.com/jacopo-minniti/relay
Progress in Formalizing Sphere Packing in Dimension 8
八维球堆积形式化进展
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of East Anglia（东安格利亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Warwick（沃里克大学） ； Imperial College London（伦敦帝国理工学院） ； Math, Inc（Math公司） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
AI总结 本文介绍了使用Lean定理证明器形式化验证Viazovska在8维球堆积问题上的解，并讨论了与自动形式化模型Gauss的合作及剩余目标。
Comments 8 pages, title updated
Variational Routing: A Scalable Bayesian Framework for Calibrated Mixture-of-Experts Transformers
变分路由：用于校准混合专家Transformer的可扩展贝叶斯框架
机构 * Department of Computing, Imperial College London（伦敦帝国理工学院计算机系）
AI总结 提出变分混合专家路由（VMoER），通过将贝叶斯推断限制在专家选择阶段，实现大规模模型的不确定性校准，在微调基础模型上显著提升路由稳定性、降低校准误差并提高分布外检测AUROC，且额外计算开销极小。
Comments 8 pages, 7 figures for main text; 16 pages for Appendix; Accepted by ICML 2026;
KernelCraft: Benchmarking for Agentic Close-to-Metal Kernel Generation on Emerging Hardware
KernelCraft: 面向新兴硬件的近底层内核生成的智能体基准测试
机构 * Department of Computer Science and Technology, University of Cambridge, Cambridge, United Kingdom（计算机科学与技术系，剑桥大学，剑桥，英国） ； Department of Electrical and Electronic Engineering, Imperial College London, London, United Kingdom（电气与电子工程系，伦敦帝国理工学院，伦敦，英国） ； School of Informatics, University of Edinburgh, Edinburgh, United Kingdom（信息学院，爱丁堡大学，爱丁堡，英国）
AI总结 提出KernelCraft基准，通过函数调用和反馈驱动的工作流评估LLM智能体为新兴加速器生成和优化底层内核的能力，在多个任务上验证其能快速生成正确且高效的内核。
Biases in the Blind Spot: Detecting What LLMs Fail to Mention
盲点中的偏见：检测大语言模型未能提及的内容
机构 * Poseidon Research（Poseidon研究） ； University College London, United Kingdom（伦敦大学学院, 英国） ； Imperial College London, United Kingdom（伦敦帝国学院, 英国）
AI总结 提出全自动黑盒流水线，通过统计测试和思维链分析，自动检测大语言模型在任务中未明确表述的偏见。
Comments Published at the 43rd International Conference on Machine Learning (ICML 2026)
Adaptive Physics Transformer with Fused Global-Local Attention for Subsurface Energy Systems
自适应物理Transformer融合全局-局部注意力用于地下能源系统
机构 * Department of Energy Science and Engineering, Stanford University（斯坦福大学能源科学与工程系） ； Department of Earth Sciences and Engineering, Imperial College London（伦敦帝国理工学院地球科学与工程系） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； EarthFlow AI, Inc.（EarthFlow AI公司）
AI总结 提出自适应物理Transformer（APT），通过融合图编码器和全局注意力机制，高效处理地下能源系统中的异构网格和物理耦合问题，在规则与不规则网格上均优于现有架构，并首次直接从高分辨率自适应网格细化模拟中学习。
Stop the Flip-Flop: Context-Preserving Verification for Fast Revocable Diffusion Decoding
停止翻转：面向快速可撤销扩散解码的上下文保持验证
机构 * King's College London, UK ； Centre for AI, Data Science \& Artificial Intelligence, BioPharmaceuticals R\&D, AstraZeneca, UK ； The Alan Turing Institute, UK ； Imperial College London, UK
AI总结 针对并行扩散解码中因激进并行导致的翻转振荡问题，提出COVER方法，通过KV缓存覆盖和稳定性感知评分实现单次前向传递中的留一验证与稳定草稿，减少不必要修订并加速解码。
UniMedVL: Unifying Medical Multimodal Understanding and Generation through Observation-Knowledge-Analysis
UniMedVL: 通过观察-知识-分析统一医学多模态理解与生成
机构 * Shanghai Artificial Intelligence Laboratory ； Shanghai Innovation Institute ； Shanghai Jiao Tong University ； Shanghai Institute of Optics ； Fudan University ； University of Cambridge ； Monash University ； DAMO Academy, Alibaba Group ； Imperial College London ； The University of Hong Kong ； The Hong Kong University of Science ； Hupan Lab ； The Chinese University of Hong Kong
AI总结 提出首个统一医学模型UniMedVL，通过渐进式训练流水线融合多模态理解与生成能力，并在8种影像模态的5.6M实例数据集上验证其性能。
Comments This submission has been converted to the ICML template
