LiTo: Surface Light Field Tokenization
LiTo: 表面光场令牌化
AI总结 LiTo通过联合建模几何和视点依赖外观，利用表面光场生成高质量3D物体，提升光照和材料一致性。
Comments ICLR 2026; Project page: https://apple.github.io/ml-lito/
期刊&会议
ICLR
International Conference on Learning Representations · 会议 · Machine Learning
Learning What Reinforcement Learning Can't: Interleaved Online Fine-Tuning for Hardest Questions
学习强化学习无法做到的：用于最难问题的交错在线微调
机构 * Peking University（北京大学） ； Zhongguancun Academy（中关村学院） ； Beijing Key Laboratory of Data Intelligence and Security (Peking University)（北京数据智能与安全重点实验室（北京大学）） ； Beijing Key Laboratory of Software and Hardware Cooperative Artificial Intelligence Systems（北京软件与硬件协同人工智能系统重点实验室）
AI总结 ReLIFT通过结合强化学习和在线微调，提升模型在复杂问题上的推理能力，实现超过5.2分的性能提升。
Comments 12 pages, 5 figures
Journal ref ICLR 2026
Are Deep Speech Denoising Models Robust to Adversarial Noise?
深度语音去噪模型是否对对抗噪声具有鲁棒性？
机构 * University of Massachusetts（马萨诸塞大学） ； Dolby Laboratories（杜比实验室）
AI总结 研究发现深度语音去噪模型对特定类型的对抗噪声缺乏鲁棒性，需采取实际防护措施以确保安全应用。
Comments 22 pages, 14 figures. Related conference version accepted to ICLR 2026: see https://openreview.net/forum?id=WtH2JxKJKf
LookaheadKV: Fast and Accurate KV Cache Eviction by Glimpsing into the Future without Generation
LookaheadKV: 通过不生成未来预览实现快速且准确的KV缓存淘汰
机构 * Samsung Research（三星研究院）
AI总结 LookaheadKV通过无需显式生成未来响应的轻量级框架，实现高效准确的KV缓存淘汰，减少淘汰成本并提升推理速度。
Comments ICLR 2026
Dynamics-Predictive Sampling for Active RL Finetuning of Large Reasoning Models
动态预测采样用于主动强化学习微调大推理模型
机构 * Department of Automation, Tsinghua University（清华大学自动化系）
AI总结 DPS通过动态预测方法减少回放成本，提升大推理模型的强化学习微调效率与性能。
Comments Accepted to ICLR 2026
Protein Counterfactuals via Diffusion-Guided Latent Optimization
通过扩散引导的潜在优化进行蛋白质反事实
机构 * Machine Learning Group, Technische Universität Berlin（技术大学柏林机器学习组） ； Berlin Institute for the Foundations of Learning and Data (BIFOLD)（柏林学习与数据基础研究所（BIFOLD）） ； BASF Digital Solutions GmbH（巴斯夫数字解决方案有限公司）
AI总结 MCCOP通过扩散引导的潜在优化生成蛋白质反事实，用于预测和改进蛋白质特性。
Comments 16 pages, 7 figures, accepted at the Gen2 Workshop at ICLR 2026
Regime-aware financial volatility forecasting via in-context learning
基于情境学习的领域感知金融波动预测
机构 * Department of Electrical and Computer Engineering, University of Toronto（多伦多大学电气与计算机工程系） ； Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系）
AI总结 本文提出一种基于情境学习的领域感知金融波动预测方法，通过条件采样策略提升非平稳市场下的预测性能。
Comments 11 pages, 1 figure, Published as a conference paper at ICLR 2026 Workshop on Advances in Financial AI
GSVD for Geometry-Grounded Dataset Comparison: An Alignment Angle Is All You Need
基于几何的数据库比较的GSVD：一个对齐角度就足够
机构 * Institute of Computing, UFRJ（计算学院，UFRJ） ； Institute of Mathematics, UFRJ（数学学院，UFRJ）
AI总结 本文提出基于GSVD的几何对齐角度方法，用于比较数据集，通过角度分数量化样本解释来源，提供可解释的几何诊断工具。
Comments 20 pages, GRaM workshop ICLR 2026
ReMix: Reinforcement routing for mixtures of LoRAs in LLM finetuning
ReMix：用于LoRAs混合的强化路由
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Meta AI ； Washington University St. Louis（华盛顿大学圣路易斯分校）
AI总结 ReMix通过引入不可学习的路由权重和强化学习技术，改进了混合LoRAs模型的路由机制，提升了模型的表达能力和微调效果。
Comments LLA @ ICLR 2026
ES-dLLM: Efficient Inference for Diffusion Large Language Models by Early-Skipping
ES-dLLM：通过早期跳过实现扩散大语言模型的高效推理
AI总结 ES-dLLM通过早期跳过技术提升扩散大语言模型的推理效率，实现高达16.8倍的加速效果。
Comments Accepted at ICLR 2026
Digging Deeper: Learning Multi-Level Concept Hierarchies
深入挖掘：学习多级概念层次结构
AI总结 本文提出多级概念分割和深度HiCEMs，通过仅使用顶层监督发现多级概念层次结构，并在多个抽象层次上进行干预，提升模型的可解释性和任务性能。
Comments Accepted to the ICLR 2026 Workshop on Principled Design for Trustworthy AI
Dissecting Chronos: Sparse Autoencoders Reveal Causal Feature Hierarchies in Time Series Foundation Models
拆解Chronos：稀疏自编码器揭示时间序列基础模型中的因果特征层次
机构 * Rochester Institute of Technology（罗切斯特理工学院）
AI总结 本文通过稀疏自编码器揭示时间序列基础模型中的因果特征层次，发现中编码器的特征对预测质量影响最大，表明Chronos-T5依赖突变动态而非周期性模式识别。
Comments Accepted as a poster in ICLR 2026 Workshop on Time Series in the Age of Large Models (TSALM)
Revisiting Sharpness-Aware Minimization: A More Faithful and Effective Implementation
重新审视锐度感知最小化：一种更忠实且有效的实现
机构 * Key Laboratory of Interdisciplinary Research of Computation and Economics（计算与经济学交叉研究重点实验室）
AI总结 本文提出XSAM，通过显式估计最大值方向和优化搜索空间，改进了锐度感知最小化方法，提升了模型泛化能力。
Comments Published as a conference paper at ICLR 2026
LCA: Local Classifier Alignment for Continual Learning
LCA：连续学习中的局部分类器对齐
AI总结 LCA通过局部分类器对齐方法，解决连续学习中分类器与骨干网络的不匹配问题，提升模型的泛化能力和鲁棒性。
Comments Accepted to the International Conference on Learning Representations (ICLR 2026)
Streaming Autoregressive Video Generation via Diagonal Distillation
通过对角蒸馏实现流式自回归视频生成
机构 * South China University of Technology（南方科技大学） ； Westlake University（西湖大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of California, Merced（加州大学默塞德分校） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 本文提出对角蒸馏方法，通过不对称生成策略和隐式光学流建模，在减少计算步骤的同时提升视频生成的运动质量和效率。
Comments ICLR 2026 (31 pages, 10 figures, project page: https://spherelab.ai/diagdistill/)
Adaptive Loops and Memory in Transformers: Think Harder or Know More?
变换器中的自适应循环与记忆：更努力思考还是更了解更多？
机构 * Lamarr Institute（拉马尔研究所） ； Fraunhofer IAIS（弗劳恩霍夫 IAIS 研究所） ； University of Bonn（波恩大学）
AI总结 本研究提出结合自适应循环和门控记忆的变换器模型，提升数学推理和常识任务性能。
Comments Published at Latent & Implicit Thinking Workshop @ ICLR 2026
ConfHit: Conformal Generative Design with Oracle Free Guarantees
ConfHit: 无Oracle保证的符合生成设计
机构 * Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校Siebel计算与数据科学学院） ； Department of Statistics and Data Science, Wharton School, University of Pennysylvania（宾夕法尼亚大学沃顿商学院统计与数据科学系）
AI总结 ConfHit通过无Oracle保证的符合生成设计框架，在多个置信水平下提供有效的覆盖保证，同时保持紧凑的认证集，为生成建模提供可靠的方法。
Comments Accepted at ICLR 2026
SEED-SET: Scalable Evolving Experimental Design for System-level Ethical Testing
SEED-SET: 可扩展的演进实验设计用于系统层面的伦理测试
AI总结 SEED-SET通过结合客观评估和主观价值判断，提供了一种高效的伦理测试方法，生成更优的测试候选者并提高高维搜索空间的覆盖范围。
Comments 10 main pages along with Appendix containing additional results, manuscript accepted in ICLR 2026
CARE: Towards Clinical Accountability in Multi-Modal Medical Reasoning with an Evidence-Grounded Agentic Framework
CARE：迈向多模态医学推理中的临床问责的证据基础代理框架
机构 * Microsoft Research Asia（微软亚洲研究院） ； Department of Biomedical Engineering, Yale University（耶鲁大学生物医学工程系） ； Department of Radiology & Biomedical Imaging, Yale University（耶鲁大学放射学与生物医学成像系）
AI总结 CARE通过证据基础的代理框架提升多模态医学推理的准确性与问责性，结合解耦的专业模型和明确证据，实现更可靠的医学AI。
Comments Accepted by ICLR 2026
AMLRIS: Alignment-aware Masked Learning for Referring Image Segmentation
AMLRIS: 基于对齐感知的掩码学习用于提及图像分割
AI总结 AMLRIS通过基于对齐感知的掩码学习策略，提升提及图像分割的性能与鲁棒性。
Comments ICLR 2026 conference paper
Learning Transferable Skills in Action RPGs via Directed Skill Graphs and Selective Adaptation
通过定向技能图和选择性适应在动作RPG中学习可转移的技能
机构 * Sharif University of Technology（沙斐大学）
AI总结 本文提出通过定向技能图和选择性适应方法，在动作RPG中实现技能的可转移学习，提高样本效率和适应性。
Comments 5 pages
Journal ref Lifelong Agent Workshop at ICLR 2026
AFTER: Mitigating the Object Hallucination of LVLM via Adaptive Factual-Guided Activation Editing
AFTER: 通过自适应事实引导激活编辑缓解LVLM中的对象幻觉
AI总结 AFTER通过自适应事实引导激活编辑缓解LVLM中的对象幻觉，显著降低幻觉发生率。
Journal ref ICLR 2026
Saddle-to-Saddle Dynamics Explains A Simplicity Bias Across Neural Network Architectures
鞍点到鞍点动力学解释了神经网络架构中的简洁性偏倚
AI总结 该研究通过鞍点到鞍点动力学理论解释了神经网络架构中简洁性偏倚的成因，揭示了不同网络结构在学习过程中复杂度增加的机制。
Comments ICLR 2026
Partially Equivariant Reinforcement Learning in Symmetry-Breaking Environments
部分等价强化学习在对称破坏环境中
机构 * School of Mechanical Engineering, Yonsei University, Seoul, South Korea（延世大学机械工程学院，首尔，韩国） ； Department of Artificial Intelligence, Yonsei University, Seoul, South Korea（延世大学人工智能系，首尔，韩国） ； Department of Mechanical Engineering, University of California, Berkeley, United States（加州大学伯克利分校机械工程系，美国）
AI总结 本文提出部分等价强化学习框架，通过选择性应用群不变或标准贝尔曼备份，提升样本效率和泛化能力，适用于对称破坏环境的离散和连续控制任务。
Comments ICLR 2026
KV Cache Transform Coding for Compact Storage in LLM Inference
KV缓存变换编码用于LLM推理中的紧凑存储
AI总结 KVTC通过变换编码实现LLM推理中的高效缓存压缩，保持推理和长上下文准确性，压缩率可达20倍或更高。
Comments Accepted to ICLR 2026
Predicting kernel regression learning curves from only raw data statistics
仅通过原始数据统计预测核回归学习曲线
AI总结 本研究提出通过Hermite特征结构假设预测学习曲线，展示了在真实数据集上通过数据统计预测模型性能的可行性。
Comments Appeared in ICLR 2026
MVCustom: Multi-View Customized Diffusion via Geometric Latent Rendering and Completion
MVCustom: 通过几何潜在渲染和完成实现多视图定制化扩散
AI总结 MVCustom通过几何潜在渲染和完成技术，实现多视图定制化扩散，解决多视图一致性和定制化保真度的统一问题。
Comments ICLR 2026, Project page: https://minjung-s.github.io/mvcustom
Composer: A Search Framework for Hybrid Neural Architecture Design
Composer: 一种用于混合神经网络架构设计的搜索框架
机构 * FAIR at Meta（Meta 的 FAIR 部门） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 Composer提出了一种模块化框架，通过小规模探索和扩展策略发现优于Llama 3.2的混合LLM架构，提升了模型性能和效率。
Journal ref The International Conference on Learning Representations (ICLR) 2026
BiasBusters: Uncovering and Mitigating Tool Selection Bias in Large Language Models
BiasBusters: 检测和缓解大语言模型中的工具选择偏差
机构 * University of Oxford（牛津大学） ； Microsoft（微软）
AI总结 研究通过基准测试揭示LLM工具选择中的系统性偏差，并提出轻量级缓解策略以减少选择偏差。
Comments ICLR 2026 Camera Ready
RADAR: Reasoning-Ability and Difficulty-Aware Routing for Reasoning LLMs
RADAR: 为推理LLM进行推理能力与难度感知的路由
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Adobe Research（Adobe研究）
AI总结 RADAR通过推理能力与难度感知路由，实现对不同查询的高效模型选择，提升推理性能与可扩展性。
Comments ICLR 2026
