PAS: Estimating the target accuracy before domain adaptation
PAS：在域适应之前估计目标准确性
AI总结 本文提出PAS，一种用于在实际域适应前评估源域和预训练特征提取器转移性的新指标，通过预训练模型的泛化能力评估源-目标兼容性，提升目标精度并减少计算开销。
Comments Published as a conference paper at ICLR 2026
期刊&会议
ICLR
International Conference on Learning Representations · 会议 · Machine Learning
ExecTune: Effective Steering of Black-Box LLMs with Guide Models
ExecTune: 通过引导模型有效控制黑盒大语言模型
机构 * AWS AI（亚马逊云科技人工智能）
AI总结 本文提出ExecTune方法，通过结合教师引导采样、监督微调和结构感知强化学习，优化引导模型生成策略的可执行性与效率，提升大语言模型在数学推理和代码生成任务中的性能。
Comments Accepted at Lifelong Agents Workshop at ICLR 2026
Spatial Competence Benchmark
空间能力基准
机构 * Independent Researcher（独立研究员） ； Maptek
AI总结 本文提出空间能力基准(SCBench)，通过三级能力层级评估大模型的空间能力，发现模型在能力层级上准确性呈递减趋势，且低预算下准确性提升显著。
Comments Accepted at the ICLR 2026 Workshop on Efficient Spatial Reasoning
Exploring Knowledge Purification in Multi-Teacher Knowledge Distillation for LLMs
探索多教师知识蒸馏中知识净化
机构 * Department of Automation, Tsinghua University（清华大学自动化系） ； Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）
AI总结 本文提出知识净化方法，通过整合多个教师模型的推理以减少冲突并提升效率，实验表明其在知识蒸馏中提升性能并促进轻量模型部署。
Comments ICLR 2026
Riemannian Zeroth-Order Gradient Estimation with Structure-Preserving Metrics for Geodesically Incomplete Manifolds
黎曼度量下不完整流形上的零阶梯度估计
机构 * University of Maryland（马里兰大学）
AI总结 本文研究了在底层黎曼度量不完整的情况下，如何通过保持结构的度量近似 stationary 点。基于对称两点零阶估计器的分析，建立了随机梯度下降的收敛性保证，并在合成数据和实际网格优化任务中验证了方法的稳定性。
Comments Accepted by ICLR 2026
What's In My Human Feedback? Learning Interpretable Descriptions of Preference Data
我的人类反馈中有什么？通过稀疏自编码器学习可解释的偏好数据描述
机构 * UC Berkeley（加州大学伯克利分校） ； FAIR at Meta（Meta AI研究院）
AI总结 本文提出WIMHF方法，通过稀疏自编码器解释人类反馈数据，揭示偏好数据中的人类可解释特征，发现不同数据集中的偏好差异及潜在不安全偏好，为数据筛选和个性化调整提供支持。
Comments ICLR 2026 (oral). v2 adds SAE ablations and robustness checks. Code: https://github.com/rmovva/wimhf; Demo: https://rajivmovva.com/demo-wimhf/
DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment
DistDF：时间序列预测需要联合分布Wasserstein对齐
机构 * Xiaohongshu Inc.（小红书公司） ； College of Control Science and Technology, Zhejiang University（浙江大学控制科学与工程学院） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； School of Computing and Artificial Intelligence, Shanghai University of Finance and Economics（上海财经大学计算与人工智能学院） ； State Key Lab of General AI, School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院通用人工智能国家重点实验室） ； Squirrel AI（松鼠AI） ； Center for Data Science, Peking University（北京大学数据科学中心） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）
AI总结 DistDF通过最小化预测序列与标签序列条件分布之间的分布差异，解决传统直接预测方法在标签序列自相关时的偏差问题，提升多种预测模型性能。
Journal ref ICLR 2026
HiPRAG: Hierarchical Process Rewards for Efficient Agentic Retrieval Augmented Generation
HiPRAG：分层过程奖励用于高效代理检索增强生成
机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Adobe Inc.（Adobe公司）
AI总结 HiPRAG通过引入细粒度的知识引导过程奖励，优化代理检索增强生成的推理过程，提升搜索效率并减少无效搜索。
Comments Accepted to ICLR 2026
FS-DFM: Fast and Accurate Long Text Generation with Few-Step Diffusion Language Models
FS-DFM: 一种快速且准确的长文本生成方法：基于少步扩散语言模型
机构 * The Ohio State University（俄亥俄州立大学） ； Apple（苹果公司）
AI总结 FS-DFM通过减少采样步骤数提升生成速度，同时保持生成质量，在语言模型基准测试中实现与传统扩散模型相当的性能，显著降低采样延迟和吞吐量。
Comments Accepted to ICLR 2026
TokUR: Token-Level Uncertainty Estimation for Large Language Model Reasoning
TokUR：用于大语言模型推理的令牌级不确定性估计
机构 * Rutgers University（罗格斯大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊） ； Red Hat AI Innovation（红帽AI创新）
AI总结 本文提出TokUR框架，通过引入低秩随机权重扰动生成令牌级不确定性分布，提升大语言模型在数学推理中的可靠性和可解释性。
Comments Accepted to International Conference on Learning Representations (ICLR) 2026
DecAlign: Hierarchical Cross-Modal Alignment for Decoupled Multimodal Representation Learning
DecAlign：解耦多模态表示学习的分层跨模态对齐
机构 * Texas A&M University（德克萨斯A&M大学） ； University of Southern California（南加州大学）
AI总结 DecAlign通过分层跨模态对齐框架解耦多模态表示，结合原型引导最优传输策略和多模态Transformer提升语义一致性，实验显示在四个基准上优于现有方法。
Comments Accepted by ICLR 2026
