ICLR

Do We Really Need Permutations? Impact of Model Width on Linear Mode Connectivity

我们真的需要排列吗？模型宽度对线性模式连接的影响

Akira Ito, Masanori Yamada, Daiki Chijiwa, Atsutoshi Kumagai

机构 * Tohoku University（东大理工大学） ； NTT DOCOMO, INC.（NTT DOCOMO公司） ； NTT Computer and Data Science Laboratories（NTT计算机与数据科学实验室） 纠错

AI总结 本研究发现，通过扩大模型宽度并使用合适的softmax温度校准，无需排列即可实现线性模式连接。

Comments Accepted to the Fourteenth International Conference on Learning Representations (ICLR 2026). OpenReview: https://openreview.net/forum?id=ll8GLAic7q

Decoding Partial Differential Equations: Cross-Modal Adaptation of Decoder-only Models to PDEs

解码偏微分方程：解码器-only模型在偏微分方程上的跨模态适应

Paloma García-de-Herreros, Philipp Slusallek, Dietrich Klakow, Vagrant Gautam

机构 * Saarland University（萨尔兰大学） ； DFKI ； Heidelberg Institute for Theoretical Studies（海德堡理论研究所） 纠错

AI总结 本文研究了解码器-only模型在偏微分方程时间依赖模拟任务中的跨模态适应，提出并行翻转和序列加倍两种方法，提升模型性能，缩小与编码器-only模型的差距。

Comments ICLR 2026 Workshop on AI and Partial Differential Equations

TCR-EML: Explainable Model Layers for TCR-pMHC Prediction

TCR-EML: 用于TCR-pMHC预测的可解释模型层

Jiarui Li, Zixiang Yin, Zhengming Ding, Samuel J. Landry, Ramgopal R. Mettu

机构 * Department of Computer Science, Tulane University（计算机科学系，路易斯安那大学） ； Department of Biochemistry and Molecular Biology, Tulane University School of Medicine（生物化学与分子生物学系，路易斯安那大学医学学院） 纠错

AI总结 本文提出TCR-EML模型层，通过整合已知的TCR-pMHC结合机制，提升TCR-pMHC预测的可解释性与预测准确性。

Comments [Abstract] Learning Meaningful Representations of Life (LMRL) Workshop at ICLR 2026 (Project Page: https://tcreml.jiarui.li/)

Self-Speculative Masked Diffusions

自推测掩码扩散

Andrew Campbell, Valentin De Bortoli, Jiaxin Shi, Arnaud Doucet

机构 * Google DeepMind（谷歌DeepMind） 纠错

AI总结 自推测掩码扩散通过非因子化预测减少计算负担，实现文本和蛋白质序列生成的高效样本生成。

Comments 32 pages, 7 figures, 4 tables

Journal ref ICLR 2026

Online Minimization of Polarization and Disagreement via Low-Rank Matrix Bandits

在线最小化极化和分歧的低秩矩阵老虎机

Federico Cinus, Yuko Kuroki, Atsushi Miyauchi, Francesco Bonchi

机构 * Intesa Sanpaolo AI Research（Intesa Sanpaolo人工智能研究） 纠错

AI总结 本文提出了一种基于低秩矩阵老虎机的在线算法，用于在不完全信息下最小化社交媒体上的极化和分歧，通过两阶段方法实现低维结构估计与线性老虎机算法结合，有效降低累积后悔。

Comments Accepted at ICLR 2026

Diffusion Alignment as Variational Expectation-Maximization

扩散对齐作为变分期望最大化

Jaewoo Lee, Minsu Kim, Sanghyeok Choi, Inhyuck Song, Sujin Yun, Hyeongyu Kang, Woocheol Shin, Taeyoung Yun, Kiyoung Om, Jinkyoo Park

机构 * KAIST（韩国科学技术院） ； MongooseAI ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； University of Edinburgh（爱丁堡大学） ； Mila, Université de Montréal（魁北克大学Mila） ； Omelet 纠错

AI总结 DAV通过变分期望最大化框架，在文本生成和DNA设计中实现奖励优化与多样性保持。

Comments ICLR 2026

Reasoned Safety Alignment: Ensuring Jailbreak Defense via Answer-Then-Check

理性安全对齐：通过答案后检查确保对抗攻击防御

Chentao Cao, Xiaojun Xu, Bo Han, Hang Li

机构 * TMLR Group, Department of Computer Science, Hong Kong Baptist University（TMLR小组，计算机科学系，香港 Baptist大学） 纠错

AI总结 本文提出答案后检查方法，通过推理增强模型对抗攻击防御能力，实验表明其在安全性和效率上的优势。

Comments ICLR 2026

One Model for All Tasks: Leveraging Efficient World Models in Multi-Task Planning

一个模型用于所有任务：利用高效的world models进行多任务规划

Yuan Pu, Yazhe Niu, Jia Tang, Junyu Xiong, Shuai Hu, Hongsheng Li

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong MMLab（香港中文大学 MMLab） ； University of Science and Technology of China（中国科学技术大学） ； Novosibirsk State University（新西伯利亚州立大学） ； Centre for Perceptual and Interactive Intelligence（感知与交互智能中心） 纠错

AI总结 ScaleZero通过混合专家架构和动态参数扩展策略，实现单一模型在多任务规划中的高效性能。

Comments 55 pages, 20 figures. Accepted as a conference paper at ICLR 2026

A Geometric Perspective on the Difficulties of Learning GNN-based SAT Solvers

从几何视角看基于GNN的SAT求解器学习难题

Geri Skenderi

机构 * Department of Computing Sciences, Bocconi University, Milan, Italy（计算机科学系，博科尼大学，米兰，意大利） ； Bocconi Institute for Data Science and Analytics (BIDSA)（博科尼数据科学与分析研究所） 纠错

AI总结 本文从几何视角分析了基于GNN的SAT求解器学习难题，揭示了曲率与问题复杂性及泛化误差的关系，并提出了改进求解器设计的思路。

Comments Accepted in the Proceedings track of the GRaM Workshop @ ICLR 2026

Quantifying Cross-Attention Interaction in Transformers for Interpreting TCR-pMHC Binding

量化Transformer中跨注意力交互以解释TCR-pMHC结合

Jiarui Li, Zixiang Yin, Haley Smith, Zhengming Ding, Samuel J. Landry, Ramgopal R. Mettu

AI总结 QCAI是一种新的事后方法，用于解释Transformer解码器中的跨注意力机制，通过定量评估在TCR-pMHC结合基准中实现最佳性能。

Comments The Fourteenth International Conference on Learning Representations (Project Page: https://qcai.jiarui.li/)

VisioMath: Benchmarking Figure-based Mathematical Reasoning in LMMs

VisioMath: 评估LMMs中基于图的数学推理能力的基准测试

Can Li, Ying Liu, Ting Zhang, Mei Wang, Hua Huang

机构 * School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院） ； Beijing Key Laboratory of Artificial Intelligence for Education（北京人工智能教育重点实验室） ； Engineering Research Center of Intelligent Technology and Educational Application, Ministry of Education（教育部智能技术与教育应用工程研究中心） 纠错

AI总结 VisioMath是一个针对LMMs中基于图表的数学推理能力的基准测试，通过1,800个高质量K-12数学问题评估模型在视觉相似图像间的推理能力，并提出三种提升对齐效果的策略。

Comments Accepted to ICLR 2026

Maximizing Asynchronicity in Event-based Neural Networks

在事件驱动神经网络中最大化异步性

Haiqing Hao, Nikola Zubić, Weihua He, Zhipeng Sui, Davide Scaramuzza, Wenhui Wang

机构 * State Key Laboratory of Precision Measurement Technology and Instrument, Department of Precision Instrument, Tsinghua University（精密测量技术与仪器国家重点实验室，精密仪器系，清华大学） ； Robotics and Perception Group, University of Zurich（机器人与感知组，苏黎世大学） 纠错

AI总结 EVA通过借鉴语言建模技术，提出一种新的A2S框架，生成高表达性和通用性的事件特征，在识别和检测任务中表现出色。

Comments 22 pages, 7 figures, 15 tables, ICLR 2026 Camera Ready paper

Journal ref International Conference on Learning Representations (ICLR), Brazil, 2026

RM-R1: Reward Modeling as Reasoning

RM-R1: 作为推理的奖励建模

Xiusi Chen, Gaotang Li, Ziqi Wang, Bowen Jin, Cheng Qian, Yu Wang, Hongru Wang, Yu Zhang, Denghui Zhang, Tong Zhang, Hanghang Tong, Heng Ji

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； Texas A&M University（德克萨斯A&M大学） ； Stevens Institute of Technology（史蒂文斯理工学院） 纠错

AI总结 RM-R1通过将奖励建模作为推理任务，提升模型的可解释性和性能，实验证明其在多个基准测试中表现优于现有模型。

Comments ICLR 2026

FragFM: Hierarchical Framework for Efficient Molecule Generation via Fragment-Level Discrete Flow Matching

FragFM：基于片段级离散流匹配的高效分子生成分层框架

Joongwon Lee, Seonghwan Kim, Seokhyun Moon, Hyunwoo Kim, Woo Youn Kim

机构 * Department of Chemistry, KAIST（韩国科学技术院化学系） ； InnoCORE AI-CRED Institute, KAIST（韩国科学技术院InnoCORE AI-CRED研究所） ； College of Pharmacy, Dongguk University（东国大学药学院） ； Department of Data Science, KAIST（韩国科学技术院数据科学系） 纠错

AI总结 FragFM通过片段级离散流匹配实现高效分子生成，优于原子级方法，并提出NPGen基准评估自然产物生成能力。

Comments Published in International Conference on Learning Representations (ICLR), 2026

Journal ref Proceedings of the Fourteenth International Conference on Learning Representations (ICLR 2026), 2026