ICLR

TopoBench: Benchmarking LLMs on Hard Topological Reasoning

TopoBench：在复杂拓扑推理上对LLM进行基准测试

Mayug Maniparambil, Nils Hoehing, Janak Kapuriya, Arjun Karuvally, Ellen Rushe, Anthony Ventresque, Noel O'Connor, Fergal Reid

机构 * Intercom Research（Intercom研究院） ； University College Dublin（都柏林大学） ； University of Galway（Galway大学） ； Salk Institute（Salk研究所） ； Dublin City University（都柏林城市大学） ； Trinity College Dublin（都柏林三一学院） 纠错

AI总结 TopoBench通过测试LLM在复杂拓扑推理任务上的表现，揭示了模型在提取空间约束方面的瓶颈，并提出缓解策略。

Comments Accepted, Workshop on Logical Reasoning of Large Language Models at ICLR 2026

Cross-Domain Policy Optimization via Bellman Consistency and Hybrid Critics

跨领域策略优化 via 域间Bellman一致性与混合批评者

Ming-Hong Chen, Kuan-Chen Pan, You-De Huang, Xi Liu, Ping-Chun Hsieh

AI总结 本文提出QAvatar方法，通过域间Bellman一致性与混合批评者解决跨领域RL中的可转移性问题，实现可靠的知识迁移。

Comments Accepted at ICLR 2026

BTZSC: A Benchmark for Zero-Shot Text Classification Across Cross-Encoders, Embedding Models, Rerankers and LLMs

BTZSC：跨跨编码器、嵌入模型、重排序器和大语言模型的零样本文本分类基准

Ilias Aarab

机构 * European Central Bank（欧洲中央银行） 纠错

AI总结 BTZSC是一个涵盖22个公开数据集的零样本文本分类基准，系统比较了跨编码器、嵌入模型、重排序器和LLMs四种模型家族，发现重排序器和LLMs在性能上表现突出，嵌入模型在准确性和延迟之间取得良好平衡。

Comments Accepted at ICLR 2026. 31 pages, 5 figures, 9 tables. Code: https://github.com/IliasAarab/btzsc ; Dataset: https://huggingface.co/datasets/btzsc/btzsc ; Leaderboard: https://huggingface.co/spaces/btzsc/btzsc-leaderboard . Proceedings of the Fourteenth International Conference on Learning Representations (ICLR 2026), 2026

Statistical and structural identifiability in representation learning

表示学习中的统计和结构可识别性

Walter Nelson, Marco Fumero, Theofanis Karaletsos, Francesco Locatello

AI总结 本文提出统计和结构近可识别性概念，通过ICA后处理实现表示学习中的去纠缠，验证了在合成数据和细胞显微镜中的有效性。

Comments International Conference on Learning Representations (ICLR) 2026

Implicit Statistical Inference in Transformers: Approximating Likelihood-Ratio Tests In-Context

Transformer中的隐式统计推断：在上下文中近似似然比检验

Faris Chaudhry, Siddhant Gadkari

AI总结 Transformer通过构建任务自适应的统计估计器实现上下文学习，而非简单相似性匹配。

Comments Accepted at the Latent and Implicit Thinking Workshop (ICLR 2026)

Entropic Confinement and Mode Connectivity in Overparameterized Neural Networks

熵限制与过参数神经网络中的模式连接

Luca Di Carlo, Chase Goddard, David J. Schwab

AI总结 本研究揭示了过参数神经网络中曲率诱导的熵力如何通过熵障碍影响模式连接与优化限制。

Comments ICLR 2026

On the Theoretical Limitations of Embedding-Based Retrieval

基于嵌入的检索的理论限制

Orion Weller, Michael Boratko, Iftekhar Naim, Jinhyuk Lee

机构 * Google DeepMind（谷歌DeepMind） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文揭示了基于嵌入的检索在现实场景中的理论限制，通过理论分析和实验验证，展示了高维嵌入的必要性，并提出了一种名为LIMIT的数据集来测试模型性能，表明现有模型在简单任务上仍存在不足。

Comments Accepted to ICLR'26

Seq vs Seq: An Open Suite of Paired Encoders and Decoders

序列 vs 序列：一个配对编码器和解码器的开放套件

Orion Weller, Kathryn Ricci, Marc Marone, Antoine Chaffin, Dawn Lawrie, Benjamin Van Durme

机构 * Johns Hopkins University（约翰霍普金斯大学） ； LightOn 纠错

AI总结 本文提出SOTA开放数据Ettin模型套件，包含不同规模的编码器和解码器模型，通过统一训练方法在分类、检索和生成任务中取得最佳性能。

Comments Accepted to ICLR'26

NeuralOS: Towards Simulating Operating Systems via Neural Generative Models

NeuralOS: 通过神经生成模型实现操作系统的模拟

Luke Rivard, Sun Sun, Hongyu Guo, Wenhu Chen, Yuntian Deng

机构 * University of Waterloo（滑铁卢大学） ； National Research Council Canada（加拿大国家研究委员会） 纠错

AI总结 NeuralOS通过神经生成模型模拟操作系统GUI，能准确预测用户交互并生成逼真界面，展示了合成数据在模拟未安装应用上的潜力。

Comments ICLR 2026

Strictly Constrained Generative Modeling via Split Augmented Langevin Sampling

通过分裂增广 Langevin 采样实现严格约束生成建模

Matthieu Blanke, Yongquan Qu, Sara Shamekh, Pierre Gentine

AI总结 本文提出 CASAL 算法，通过变量分裂逐步强制约束，用于严格约束生成建模，提升物理系统预测精度和守恒量保持。

Journal ref The Fourteenth International Conference on Learning Representations (ICLR 2026)

HOG-Diff: Higher-Order Guided Diffusion for Graph Generation

HOG-Diff: 基于更高阶引导的图生成扩散模型

Yiming Huang, Tolga Birdal

AI总结 HOG-Diff通过高阶拓扑引导和扩散桥梁，实现图生成的高阶拓扑结构捕捉，展示了方法在多样领域和大规模设置中的优越性能。

Comments Accepted at ICLR 2026

Bounds on Representation-Induced Confounding Bias for Treatment Effect Estimation

对治疗效应估计中表示诱导混淆偏置的界限研究

Valentyn Melnychuk, Dennis Frauen, Stefan Feuerriegel

AI总结 本文提出了一种新的反驳框架，用于估计由降维或其他限制引起的表示诱导混淆偏置的界限，通过理论分析和实验验证其有效性。

Journal ref Proceedings of the Twelfth International Conference on Learning Representations (ICLR 2024), Vienna, Austria

Entropy-Preserving Reinforcement Learning

熵保持强化学习

Aleksei Petrenko, Ben Lipkin, Kevin Chen, Erik Wijmans, Marco Cusumano-Towner, Raja Giryes, Philipp Krähenbühl

AI总结 本文提出熵保持强化学习方法，通过监控和控制熵来维持探索多样性，提升策略性能和可训练性。

Comments Published at ICLR 2026

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

Toward Complex-Valued Neural Networks for Waveform Generation

迈向复值神经网络的波形生成

Hyung-Seok Oh, Deok-Hyeon Cho, Seung-Bin Kim, Seong-Whan Lee

机构 * Department of Artificial Intelligence（人工智能系） 纠错

AI总结 ComVo 是一种复值神经 vocoder，通过复数运算和相位量化提升波形生成质量，训练效率提高25%。

Comments ICLR 2026 (accepted)

Reference-Guided Machine Unlearning

基于参考的机器去学习

Jonas Mirlach, Sonia Laguna, Julia E. Vogt

机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） 纠错

AI总结 本文提出ReGUn框架，通过参考引导蒸馏实现分布不可区分性，提升去学习的遗忘-实用性权衡性能。

Comments 12 pages, 1 figure, 4 tables. Accepted at three ICLR 2026 workshops: Test-Time Updates (TTU), AI with Recursive Self-Improvement (RSI), and Agents in the Wild (AIWILD)

Graph Tokenization for Bridging Graphs and Transformers

图标记化：连接图与变换器

Zeyuan Guo, Enmao Diao, Cheng Yang, Chuan Shi

机构 * Beijing University of Posts and Telecom.（北京邮电大学） 纠错

AI总结 本文提出图标记化框架，结合可逆图序列化与BPE，使变换器模型可直接应用于图结构数据，实现对图基准测试的高性能表现。

Comments Accepted as a poster at ICLR 2026. Code is available at https://github.com/BUPT-GAMMA/Graph-Tokenization-for-Bridging-Graphs-and-Transformers

Structure-Aware Set Transformers: Temporal and Variable-Type Attention Biases for Asynchronous Clinical Time Series

结构感知的集合变换器：用于异步临床时间序列的时序和变量类型注意力偏差

Joohyung Lee, Kwanhyung Lee, Changhun Kim, Eunho Yang

机构 * AITRICS ； Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） 纠错

AI总结 本文提出STAR-Set变换器，通过引入时间局部性惩罚和变量类型亲和力，解决异步临床时间序列中变量轨迹和时间局部上下文丢失的问题，提升预测性能。

Comments ICLR 2026 Workshop on Time Series in the Age of Large Models (TSALM)

On the Value of Tokeniser Pretraining in Physics Foundation Models

在物理基础模型中tokenizer预训练的价值

Hadi Sotoudeh, Payel Mukhopadhyay, Ruben Ohana, Michael McCabe, Neil D. Lawrence, Shirley Ho, Miles Cranmer

AI总结 本文探讨了在物理基础模型中预训练tokenizer对准确性和效率的影响，发现领域内预训练可显著提升模拟性能，并引入灵活的时空压缩操作以适应多样化的下游任务。

Comments 16 pages, 4 figures. Workshop paper at ICLR 2026 AI & PDE

Reasoning Boosts Opinion Alignment in LLMs

推理提升大语言模型中的观点一致性

Frédéric Berdoz, Yann Billeter, Yann Vonlanthen, Roger Wattenhofer

AI总结 本研究通过结构化推理提升大语言模型的观点一致性，验证了推理在改善观点建模中的有效性，但指出仍需进一步机制以减少偏见。

Comments Accepted at ICLR 2026

Subliminal Signals in Preference Labels

偏好标签中的潜意识信号

Isotta Magistrali, Frédéric Berdoz, Sam Dauncey, Roger Wattenhofer

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 研究揭示偏好标签可能传递潜意识行为特征，挑战传统二进制监督假设，强调需机制检测并缓解潜意识偏好传输以确保超对齐的稳健监督。

Comments Accepted at AITW@ICLR 2026

Extending Sequence Length is Not All You Need: Effective Integration of Multimodal Signals for Gene Expression Prediction

扩展序列长度并不足够：有效整合多模态信号用于基因表达预测

Zhao Yang, Yi Duan, Jiwei Zhu, Ying Ba, Chuan Cao, Bing Su

机构 * Gaoling School of Artificial Intelligence, Renmin University of China, Beijing, China（中国人民大学北京校区人工智能学院） ； Zhongguancun Academy, Beijing, China（中关村学院，北京，中国） ； Beijing Key Laboratory of Research on Large Models and Intelligent Governance（北京大型模型与智能治理研究重点实验室） ； Engineering Research Center of Next-Generation Intelligent Search and Recommendation, MOE（下一代智能搜索与推荐工程技术研究中心，教育部） 纠错

AI总结 本文提出Prism框架，通过有效整合多模态表观基因组信号，克服长序列建模对基因表达预测性能的负面影响，实现仅使用短序列的最先进性能。

Comments Accepted at ICLR 2026

Controllable Exploration in Hybrid-Policy RLVR for Multi-Modal Reasoning

混合策略强化学习可调节探索用于多模态推理

Zhuoxu Huang, Mengxi Jia, Hao Sun, Xuelong Li, Jungong Han

机构 * Aberystwyth University（阿伯里斯特维斯大学） ； Institute of Artificial Intelligence (TeleAl)（人工智能研究所） ； China Telecom（中国电信） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出CalibRL框架，通过分布感知优势加权和非对称激活函数实现可控探索，提升多模态推理模型的探索与利用平衡。

Comments Published as a conference paper at ICLR 2026

ResearchGym: Evaluating Language Model Agents on Real-World AI Research

ResearchGym: 在真实世界人工智能研究中评估语言模型代理

Aniketh Garikaparthi, Manasi Patwardhan, Arman Cohan

AI总结 ResearchGym通过重新利用学术论文中的任务环境，评估语言模型代理在真实世界AI研究中的能力，发现其在复杂任务中存在可靠性不足的问题，但偶尔能实现前沿性能。

Comments ICLR 2026 Agents in the Wild Workshop

GTR-Bench: Evaluating Geo-Temporal Reasoning in Vision-Language Models

GTR-Bench：评估视觉-语言模型中的地理时间推理

Qinghongbing Xie, Zhaoyuan Xia, Feng Zhu, Lijun Gong, Ziyue Li, Rui Zhao, Long Zeng

机构 * Tsinghua University（清华大学） ； SenseTime Research（商汤科技研究院） ； Peking University（北京大学） ； Technical University of Munich, Heilbronn Data Science Center, Munich Data Science Institute（慕尼黑技术大学，海德堡数据科学中心，慕尼黑数据科学研究所） 纠错

AI总结 GTR-Bench提出了一种新的基准，用于评估视觉-语言模型在地理时间推理中的能力，揭示了现有模型在空间和时间上下文利用、时间预测能力及地图数据整合方面的不足。

Comments ICLR 2026, 31 pages, 20 figures

Ultra-Fast Language Generation via Discrete Diffusion Divergence Instruct

通过离散扩散发散指导实现超快语言生成

Haoyang Zheng, Xinyang Liu, Cindy Xiangrui Kong, Nan Jiang, Zheyuan Hu, Weijian Luo, Wei Deng, Guang Lin

AI总结 DiDi-Instruct通过离散扩散发散指导实现高效语言生成，提供高达64倍的加速，同时保持高质量输出。

Comments [ICLR 2026] 38 pages, 7 figures, 13 tables

Pyramidal Patchification Flow for Visual Generation

金字塔补丁化流用于视觉生成

Hui Li, Baoyou Chen, Liwei Zhang, Jiaye Li, Jingdong Wang, Siyu Zhu

AI总结 本研究提出金字塔补丁化流方法，通过动态调整补丁大小和线性投影提升视觉生成效率与性能。

Comments ICLR 2026

3DGEER: 3D Gaussian Rendering Made Exact and Efficient for Generic Cameras

3DGEER：为通用相机实现精确且高效的3D高斯渲染

Zixun Huang, Cho-Ying Wu, Yuliang Guo, Xinyu Huang, Liu Ren

机构 * Bosch Research North America（博世北美研究部） ； Bosch Center for AI（博世人工智能中心） 纠错

AI总结 3DGEER提出了一种几何精确且高效的3D高斯渲染框架，通过闭合表达式实现精确渲染和优化，并在通用相机上实现了实时高效和高精度的光场渲染。

Comments Published at ICLR 2026. Code is available at: https://github.com/boschresearch/3dgeer

Journal ref The Fourteenth International Conference on Learning Representations (ICLR 2026)

Diffusion Blend: Inference-Time Multi-Preference Alignment for Diffusion Models

扩散混合：用于扩散模型的推理时间多偏好对齐

Min Cheng, Fatemeh Doudi, Dileep Kalathil, Mohammad Ghavamzadeh, Panganamala R. Kumar

机构 * Texas A&M University（德克萨斯大学阿姆斯特朗分校） ； Qualcomm AI Research（高通人工智能研究） 纠错

AI总结 扩散混合通过混合反向扩散过程实现推理时间多偏好对齐，提升用户驱动的图像生成性能。

Comments Accepted at ICLR 2026

AudioTrust: Benchmarking the Multifaceted Trustworthiness of Audio Large Language Models

AudioTrust: 音频大语言模型多维可信度基准测试

Kai Li, Can Shen, Yile Liu, Jirui Han, Kelong Zheng, Xuechao Zou, Lionel Z. Wang, Shun Zhang, Xingjian Du, Hanjun Luo, Yingbin Jin, Xinxin Xing, Ziyang Ma, Yue Liu, Yifan Zhang, Junfeng Fang, Kun Wang, Yibo Yan, Gelei Deng, Haoyang Li, Yiming Li, Xiaobin Zhuang, Tianlong Chen, Qingsong Wen, Tianwei Zhang, Yang Liu, Haibo Hu, Zhizheng Wu, Xiaolin Hu, Eng-Siong Chng, Wenyuan Xu, XiaoFeng Wang, Wei Dong, Xinfeng Li

AI总结 AudioTrust通过多维度评估音频大语言模型的可信度，揭示其在高风险音频场景下的局限性，为安全部署提供关键洞察。

Comments Accepted to ICLR 2026

GTM: A General Time-series Model for Enhanced Representation Learning of Time-Series Data

GTM：一种通用时间序列模型，用于增强时间序列数据的表示学习

Cheng He, Xu Huang, Gangwei Jiang, Zhaoyi Li, Defu Lian, Hong Xie, Enhong Chen, Xijie Liang, Zengrong Zheng, Patrick P. C. Lee

AI总结 GTM通过频域注意力机制和混合遮蔽策略提升时间序列表示学习，实现跨生成任务的泛化能力。

Comments 10 pages main text, 20 pages appendix. Accepted at ICLR 2026