ICLR

LumosX: Relate Any Identities with Their Attributes for Personalized Video Generation

LumosX：通过身份与属性的关系实现个性化视频生成

Jiazheng Xing, Fei Du, Hangjie Yuan, Pengwei Liu, Hongbin Xu, Hai Ci, Ruigang Niu, Weihua Chen, Fan Wang, Yong Liu

机构 * Zhejiang University（浙江大学） ； DAMO Academy, Alibaba Group（阿里云达摩院） ； Hupan Lab（虎斑实验室） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 LumosX通过结合身份与属性关系，提升多主体个性化视频生成的精细度和一致性，采用数据与模型双改进策略，构建了全面的基准测试平台。

Comments ICLR 2026 Camera Ready Version. Code and Models: https://jiazheng-xing.github.io/lumosx-home/

ReLi3D: Relightable Multi-view 3D Reconstruction with Disentangled Illumination

ReLi3D：可重照明的多视角3D重建与解耦照明

Jan-Niklas Dihlmann, Mark Boss, Simon Donne, Andreas Engelhardt, Hendrik P. A. Lensch, Varun Jampani

机构 * University of Tübingen（图宾根大学） ； Stability AI 纠错

AI总结 ReLi3D通过统一端到端管道，从稀疏多视角图像中在一秒内重建完整的3D几何、空间变化的物理材质和环境照明，利用多视角约束提升材质与照明解耦效果。

Comments Project Page: https://reli3d.jdihlmann.com/

Journal ref ICLR 2026

AC-Foley: Reference-Audio-Guided Video-to-Audio Synthesis with Acoustic Transfer

AC-Foley：基于参考音频的视频到音频合成与声学迁移

Pengjun Fang, Yingqing He, Yazhou Xing, Qifeng Chen, Ser-Nam Lim, Harry Yang

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； University of Central Florida（佛罗里达中央大学） 纠错

AI总结 本文提出AC-Foley模型，通过直接利用参考音频实现精确的音频合成与声学迁移，解决传统方法在语义粒度和文本模糊性上的瓶颈，提升音频生成质量与细粒度控制能力。

Comments Accepted at ICLR 2026. 15 pages, 5 figures, add project webpage

Reinforcement Unlearning via Group Relative Policy Optimization

通过群体相对策略优化实现强化反学习

Efstratios Zaradoukas, Bardh Prenkaj, Gjergji Kasneci

机构 * Chair of Responsible Data Science（负责任数据科学教授职位） ； Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML）） 纠错

AI总结 本文提出PURGE方法，通过群体相对策略优化框架将反学习建模为可验证问题，有效减少敏感数据影响，提升模型流畅性和鲁棒性，实验表明其在反学习效果和实用性上优于现有方法。

Comments Accepted to ICLR 2026

Generative Blocks World: Moving Things Around in Pictures

生成块世界：在图像中移动物体

Vaibhav Vavilala, Seemandhar Jain, Rahul Vasanth, D. A. Forsyth, Anand Bhattad

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出生成块世界方法，通过操控简单几何抽象交互生成图像场景，利用不同数量的凸3D基元表示场景，结合流式生成方法生成图像，改进纹理提示提升视觉质量和可编辑性。

Comments ICLR 2026 34 pages, 25 figures, 4 tables

Hidden Breakthroughs in Language Model Training

语言模型训练中的隐藏突破

Sara Kangaslahti, Elan Rosenfeld, Naomi Saphra

机构 * Harvard University（哈佛大学） ； Google Research（谷歌研究） 纠错

AI总结 本文提出POLCA方法，通过分解损失变化来揭示训练过程中的隐藏转折点，通过合成任务验证其在模型能力解读中的潜力。

Comments ICLR 2026 Camera-ready

Test-Time Alignment for Large Language Models via Textual Model Predictive Control

通过文本模型预测控制对大型语言模型进行测试时对齐

Kuang-Da Wang, Teng-Ruei Chen, Yu Heng Hung, Guo-Xun Ko, Shuoyang Ding, Yueh-Hua Wu, Yu-Chiang Frank Wang, Chao-Han Huck Yang, Wen-Chih Peng, Ping-Chun Hsieh

机构 * National Yang Ming Chiao Tung University ； NVIDIA ； National Taiwan University 纠错

AI总结 本文提出TMPC方法，通过文本模型预测控制解决测试时对齐问题，通过分层强化学习原理改进生成过程，提升不同任务的性能。

Comments Accepted for ICLR 2026. Project page: https://rl-bandits-lab.github.io/TMPC/

Subspace Kernel Learning on Tensor Sequences

张量序列的子空间核学习

Lei Wang, Xi Ding, Yongsheng Gao, Piotr Koniusz

机构 * Griffith University（格里菲斯大学） ； Data61 CSIRO ； University of New South Wales（新南威尔士大学） 纠错

AI总结 本文提出UKTL框架，通过不确定性驱动的子空间加权和可扩展的Nyström线性化，实现对多模式张量的高效学习，取得最先进的性能和有意义的模式洞察。

Comments Accepted at the Fourteenth International Conference on Learning Representations (ICLR 2026)

Any-Subgroup Equivariant Networks via Symmetry Breaking

通过破译对称性构建任意子群等变网络

Abhinav Goel, Derek Lim, Hannah Lawrence, Stefanie Jegelka, Ningyuan Huang

机构 * MIT（麻省理工学院） ； TUM（技术大学慕尼黑） ； Flatiron Institute（Flatiron研究院） 纠错

AI总结 本文提出Any-Subgroup Equivariant Network，通过调节辅助输入特征实现多组等变，理论证明其能模拟等变MLP，实验验证其在图、图像及序列任务中优于单独等变模型。

Comments Accepted at ICLR 2026

Is Evaluation Awareness Just Format Sensitivity? Limitations of Probe-Based Evidence under Controlled Prompt Structure

评估意识仅仅是格式敏感性？基于探针的证据在受控提示结构下的局限性

Viliana Devbunova

机构 * Yandex Belgrade（Yandex 布尔加斯） 纠错

AI总结 研究探讨了基于探针的证据在受控提示结构下的可靠性，发现其主要追踪基准格式而非评估上下文，限制了现有结果的说服力。

Comments 10 pages, 5 tables, 2 figures. Accepted at ICLR 2026 Workshop "I Can't Believe It's Not Better"

Probing to Refine: Reinforcement Distillation of LLMs via Explanatory Inversion

探测以精炼：通过解释性反向实现大语言模型的强化蒸馏

Zhen Tan, Chengshuai Zhao, Song Wang, Jundong Li, Tianlong Chen, Huan Liu

机构 * Arizona State University（亚利桑那州立大学） ； University of Virginia（弗吉尼亚大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 本文提出ExGRPO框架，通过生成解释性探测和强化学习提升蒸馏模型的推理能力和泛化能力，实验显示在12个数据集上显著提升性能。

Comments Accepted to ICLR 2026

R2-Dreamer: Redundancy-Reduced World Models without Decoders or Augmentation

R2-Dreamer：无需解码器或增强的冗余减少世界模型

Naoki Morihira, Amal Nahar, Kartik Bharadwaj, Yasuhiro Kato, Akinobu Hayashi, Tatsuya Harada

机构 * Honda R&D Co., Ltd.（本田研发株式会社） ； The University of Tokyo（东京大学） ； RIKEN AIP（日本科学技术研究院（RIKEN）先进研究所（AIP）） 纠错

AI总结 R2-Dreamer提出一种无需解码器或增强的基于模型的强化学习框架，通过自监督目标作为内部正则化器，提高表示鲁棒性，训练速度更快且在多个任务中表现优异。

Comments 20 pages, 12 figures, 2 tables

Journal ref Published as a conference paper at ICLR 2026