ICLR

Flash-Mono: Feed-Forward Accelerated Gaussian Splatting Monocular SLAM

Flash-Mono: 基于前馈加速的高斯点云单目SLAM

Zicheng Zhang, Ke Wu, Xiangting Meng, Keyu Liu, Jieru Zhao, Wenchao Ding

机构 * Fudan University（复旦大学） ； ShanghaiTech University（上海科技大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 Flash-Mono通过前馈预测前端和高效隐藏状态模块，解决了单目高斯点云SLAM在时间效率、几何精度和多视角一致性方面的不足，实现10倍速度提升和高质量渲染。

Journal ref International Conference on Learning Representations, 2026

DeltaLogic: Minimal Premise Edits Reveal Belief-Revision Failures in Logical Reasoning Models

DeltaLogic: 最小前提编辑揭示逻辑推理模型中的信念修正失败

Amit Dhanda

机构 * Amazon（亚马逊） 纠错

AI总结 DeltaLogic通过最小证据变化评估逻辑推理模型的信念修正能力，发现初始推理能力强并不等于修正行为强，Qwen3-4B在修正任务中仍存在惯性失败，Phi-4-mini-instruct表现更优但仍有非 trivial 抽象问题。

Comments ICLR 2026 Workshop on Logical Reasoning of Large Language Models

GBQA: A Game Benchmark for Evaluating LLMs as Quality Assurance Engineers

GBQA：用于评估LLM作为质量保证工程师的博弈基准

Shufan Jiang, Chios Chen, Zhiyang Chen

机构 * The University of Hong Kong（香港大学） ； Independent Researcher（独立研究者） ； Westlake University（西湖大学） ； Datawhale Org（Datawhale组织） 纠错

AI总结 本文提出GBQA基准，通过30款游戏和124个经人类验证的bug测试LLM自主发现软件缺陷的能力，实验表明最佳模型仅能识别48.39%的bug。

Comments Accepted as a workshop paper at the Fourteenth International Conference on Learning Representations (ICLR 2026)

Backdoor Attacks on Decentralised Post-Training

在去中心化后训练中的后门攻击

Oğuzhan Ersoy, Nikolay Blagoev, Jona te Lintelo, Stefanos Koffas, Marina Krček, Stjepan Picek

机构 * University of Neuchâtel（纳沙泰尔大学） ； Radboud University（拉德堡德大学） ； Delft University of Technology（代尔夫特理工大学） ； SecureML ； University of Zagreb（萨格勒布大学） 纠错

AI总结 本文提出首个针对流水线并行的后门攻击，通过控制中间阶段实现模型对齐偏差，实验显示触发词可使对齐率从80%降至6%，且在安全对齐训练下仍成功60%。

Comments Accepted to ICLR 2026 Workshop 'Principled Design for Trustworthy AI - Interpretability, Robustness, and Safety across Modalities'

OPRIDE: Offline Preference-based Reinforcement Learning via In-Dataset Exploration

OPRIDE: 通过数据集内探索实现离线偏好驱动强化学习

Yiqin Yang, Hao Hu, Yihuan Mao, Jin Zhang, Chengjie Wu, Yuhua Jiang, Xu Yang, Runpeng Xie, Yi Fan, Bo Liu, Yang Gao, Bo Xu, Chongjie Zhang

机构 * The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所复杂系统认知与决策智能重点实验室） ； Tsinghua University（清华大学） ； Moonshot AI（月之暗面） ； Amazon（亚马逊） ； University of Arizona（亚利桑那大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） 纠错

AI总结 本文提出OPRIDE算法，通过改进探索策略和折扣调度机制提升离线偏好驱动强化学习的查询效率，实验表明其在多种任务中表现优异。

Journal ref ICLR-2026

From Abstract to Contextual: What LLMs Still Cannot Do in Mathematics

从抽象到语境：大语言模型在数学中仍无法做到的事情

Bowen Cao, Dongdong Zhang, Yixia Li, Junpeng Liu, Shijue Huang, Chufan Shi, Hongyuan Lu, Yaokang Wu, Guanhua Chen, Wai Lam, Furu Wei

AI总结 研究揭示LLM在现实应用中数学推理能力不足，提出ContextMATH基准测试，发现正确问题建模是成功的关键，但建模与推理仍是限制因素。

Comments ICLR 2026

Textual Equilibrium Propagation for Deep Compound AI Systems

文本平衡传播用于深度复合人工智能系统

Minghui Chen, Wenlong Deng, James Zou, Han Yu, Xiaoxiao Li

机构 * Nanyang Technological University（南洋理工大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出文本平衡传播（TEP），通过局部学习原理解决长周期工作流中文本梯度爆炸和消失问题，提升深度复合AI系统的准确性和效率。

Comments Accepted to ICLR 2026

Privacy Beyond Pixels: Latent Anonymization for Privacy-Preserving Video Understanding

隐私超越像素：用于隐私保护视频理解的潜在匿名化

Joseph Fioresi, Ishan Rajendrakumar Dave, Mubarak Shah

机构 * Institute of Artificial Intelligence, University of Central Florida（中佛罗里达大学人工智能研究所） ； Adobe 纠错

AI总结 本文提出了一种在潜在空间中操作的视频基础模型视觉隐私保护新方法，通过轻量级匿名化适配模块在保留任务实用性的同时去除隐私信息，显著降低隐私泄露，适用于多种下游任务。

Comments Accepted to ICLR 2026

f-INE: A Hypothesis Testing Framework for Estimating Influence under Training Randomness

f-INE：一种用于在训练随机性下估计影响的假设检验框架

Subhodip Panda, Dhruv Tarsadiya, Shashwat Sourav, Prathosh A. P, Sai Praneeth Karimireddy

机构 * Indian Institute of Science（印度科学研究所） ； University of Southern California（南加州大学） ； Washington University（华盛顿大学） 纠错

AI总结 本文提出f-influence框架，通过假设检验解决训练随机性导致的影响估计不稳定问题，并设计高效算法f-INE实现单次训练运行内的影响估计，用于数据清理和模型行为归因。

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

ARMOR: High-Performance Semi-Structured Pruning via Adaptive Matrix Factorization

ARMOR：通过自适应矩阵分解实现高性能半结构化剪枝

Lawrence Liu, Alexander Liu, Mengdi Wang, Tuo Zhao, Lin F. Yang

机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of Washington（华盛顿大学） ； Princeton University（普林斯顿大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 ARMOR通过自适应矩阵分解技术，实现高效的半结构化剪枝，保留模型质量的同时提升压缩效率和任务准确性。

Comments ICLR 2026, code: https://github.com/LawrenceRLiu/ARMOR

Beyond Noisy-TVs: Noise-Robust Exploration Via Learning Progress Monitoring

超越噪声TVs：通过学习进度监控实现噪声鲁棒探索

Zhibo Hou, Zhiyu An, Wan Du

AI总结 本文提出学习进度监控(LPM)方法，通过奖励模型改进而非预测误差或新颖性，提升探索效率，实验证明其在噪声环境中的优越性。

Comments Accepted for ICLR 2026

Journal ref International Conference on Learning Representations (ICLR) 2026

LMask: Learn to Solve Constrained Routing Problems with Lazy Masking

LMask: 通过惰性掩码学习解决受约束的路由问题

Tianyou Li, Haijun Zou, Jiayuan Wu, Zaiwen Wen

机构 * Beijing International Center for Mathematical Research, Peking University（北京大学北京国际数学研究中心） ； Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院） ； Department of Statistics and Data Science, University of Pennsylvania（宾夕法尼亚大学统计与数据科学系） 纠错

AI总结 LMask通过动态掩码生成高质量可行解，解决受约束的路由问题，采用惰性掩码解码方法和强化强度嵌入，提升解的质量和效率。

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

Be Careful When Fine-tuning On Open-Source LLMs: Your Fine-tuning Data Could Be Secretly Stolen!

在对开源大语言模型进行微调时要小心：你的微调数据可能被偷偷窃取！

Zhexin Zhang, Yuhao Sun, Junxiao Yang, Shiyao Cui, Yuanchao Zhang, Hongning Wang, Minlie Huang

机构 * The Conversational AI (CoAI) group, DCST, Tsinghua University（清华大学计算机科学与技术系对话式人工智能组） ； The University of Melbourne（墨尔本大学） ； MYbank, Ant Group（蚂蚁集团网商银行） 纠错

AI总结 研究揭示了在开源大语言模型上微调时，通过简单后门训练可能窃取私有微调数据的风险，实验表明提取成功率高达76.3%，并提出检测防御策略但发现其易被绕过。

Comments Accepted to ICLR 2026

gen2seg: Generative Models Enable Generalizable Instance Segmentation

gen2seg：生成模型实现可推广的实例分割

Om Khangaonkar, Hamed Pirsiavash

机构 * University of California, Davis（加州大学戴维斯分校） 纠错

AI总结 本文通过生成模型预训练合成图像，实现对实例分割的可推广方法，使用实例着色损失在特定物体类型上微调，展现零样本泛化能力，优于现有方法。

Comments ICLR 2026 camera ready. Website: https://reachomk.github.io/gen2seg/

Amortized Inference of Causal Models via Conditional Fixed-Point Iterations

通过条件固定点迭代实现因果模型的 amortized 推断

Divyat Mahajan, Jannes Gladrow, Agrin Hilmkil, Cheng Zhang, Meyer Scetbon

机构 * Mila, Université de Montréal（蒙特利尔大学米拉研究所） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出一种 amortized 推断框架，通过条件固定点迭代推断因果模型的因果机制，能够在不更新参数的情况下生成观测和干预数据，实验表明其在数据稀缺时表现更优。

Comments Transactions on Machine Learning Research (TMLR) 2025 (J2C Certification). ICLR 2026