ICLR

Efficient Zero-Shot Inpainting with Decoupled Diffusion Guidance

高效零样本修复与解耦扩散引导

Badr Moufad, Navid Bagheri Shouraki, Alain Oliviero Durmus, Thomas Hirtz, Eric Moulines, Jimmy Olsson, Yazid Janati

机构 * CMAP, Ecole Polytechnique（高等理工学院CMAP） ； Institute of Foundation Models（基础模型研究所） ； MBZUAI（穆扎夫技术研究院） ； EPITA ； Sorbonne University（索邦大学） ； Lagrange Mathematics and Computing Research Center（拉格朗日数学与计算研究中心） ； EPITA Research Lab（EPITA研究实验室） ； KTH Royal Institute of Technology（皇家理工学院） 纠错

AI总结 本文提出了解耦扩散引导方法，通过简化采样过程降低内存和运行开销，实现高效的零样本修复。

Journal ref ICLR 2026

Self-Jailbreaking: Language Models Can Reason Themselves Out of Safety Alignment After Benign Reasoning Training

自我越狱：语言模型在良性推理训练后可通过推理自行摆脱安全对齐

Zheng-Xin Yong, Stephen H. Bach

机构 * Brown University（布朗大学） 纠错

AI总结 研究发现推理语言模型在良性训练后可能通过引入良性假设来规避安全限制，提出通过增加安全推理数据训练可缓解该问题。

Comments Published in The Fourteenth International Conference on Learning Representations (ICLR) 2026

ChinaTravel: An Open-Ended Travel Planning Benchmark with Compositional Constraint Validation for Language Agents

ChinaTravel: 一个带有组合约束验证的开放旅行规划基准，用于语言代理

Jie-Jing Shao, Bo-Wen Zhang, Xiao-Wen Yang, Baizhi Chen, Si-Yu Han, Jinghao Pang, Wen-Da Wei, Guohao Cai, Zhenhua Dong, Lan-Zhe Guo, Yu-Feng Li

机构 * State Key Laboratory of Novel Software Technology, Nanjing University, China（南京大学新型软件技术国家重点实验室） ； School of Intelligence Science and Technology, Nanjing University, China（南京大学智能科学与技术学院） ； School of Artificial Intelligence, Nanjing University, China（南京大学人工智能学院） ； Noah’s Ark Lab, Huawei, China（华为诺亚实验室） 纠错

AI总结 ChinaTravel通过开放数据集和组合通用领域语言，提升语言代理在复杂真实场景中的约束满足能力，实现37%的约束满足率，比纯神经模型提升10倍。

Comments ICLR 2026. Webpage: https://www.lamda.nju.edu.cn/shaojj/chinatravel

OMEGA: Optimizing Machine Learning by Evaluating Generated Algorithms

OMEGA：通过评估生成算法优化机器学习

Jeremy Nixon, Annika Singh

机构 * Infinity Artificial Intelligence Institute（无限人工智能研究所） ； Stanford University（斯坦福大学） 纠错

AI总结 OMEGA框架结合结构化元提示工程与可执行代码生成，创建新型ML分类器，在20个基准数据集上超越scikit-learn基线。

Comments ICLR 2026: Workshop on AI with Recursive Self-Improvement

Spatially-constrained clustering of geospatial features for heat vulnerability assessment of favelas in Rio de Janeiro

基于空间约束的地理空间特征聚类用于里约热内卢贫民窟的热脆弱性评估

Baptiste Clemence, Thomas Hallopeau, Vanderlei Pascoal De Matos, Laurent Demagistri, Joris Guerin

机构 * UMR Espace-Dev, French National Research Institute for Sustainable Development (IRD)（法国可持续发展国家研究所空间发展研究中心） ； Fundação Oswaldo Cruz (Fiocruz)（奥斯沃阿尔多·克鲁兹基金会） 纠错

AI总结 本文通过结合空间约束聚类与地表温度分析，揭示了里约热内卢贫民窟两种不同形态对热暴露的影响差异，为全球无房者社区的针对性规划提供框架。

Comments Workshop Publication (ICLR ML4RS 2026)

ViPO: Visual Preference Optimization at Scale

ViPO：大规模视觉偏好优化

Ming Li, Jie Wu, Justin Cui, Xiaojie Li, Rui Wang, Chen Chen

机构 * University of Central Florida（中央佛罗里达大学） ； ByteDance Seed（字节跳动种子） ； UCLA（加州大学洛杉矶分校） 纠错

AI总结 本文提出ViPO大规模偏好数据集和Poly-DPO方法，通过提升数据质量和算法鲁棒性，实现视觉生成模型的高效偏好优化。

Comments ICLR 2026 Paper. Project Page: https://liming-ai.github.io/ViPO ; Code: https://github.com/liming-ai/ViPO

Grounding Generative Planners in Verifiable Logic: A Hybrid Architecture for Trustworthy Embodied AI

基于可验证逻辑的生成规划器：一种可信具身AI的混合架构

Feiyu Wu, Xu Zheng, Yue Qu, Zhuocheng Wang, Zicheng Feng, Hui Li

机构 * School of Cyber Engineering, Xidian University（电子科技大学信息工程学院） 纠错

AI总结 本文提出VIRF框架，通过逻辑导师与LLM的对话机制实现主动协作，提升具身AI的安全性与可靠性，实验显示其在家庭安全任务中表现优异。

Comments Accepted to ICLR 2026. Project page. https://openreview.net/forum?id=wb05ver1k8&noteId=v1Ax8CwI71

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

Training-Free Loosely Speculative Decoding: Accepting Semantically Correct Drafts Beyond Exact Match

无需训练的宽松推测解码：在精确匹配之外接受语义正确的草稿

Jinze Li, Yixing Xu, Guanchen Li, Shuo Yang, Jinfeng Xu, Xuanwu Yin, Dong Li, Edith C. H. Ngai, Emad Barsoum

机构 * Advanced Micro Devices, Inc.（先进微器件公司） ； Department of Electrical and Electronic Engineering, The University of Hong Kong（香港大学电子与电气工程系） 纠错

AI总结 本文提出无需训练的宽松推测解码方法FLy，通过利用目标模型的自我纠正行为来判断草稿-目标不匹配是否仍具有语义有效性，从而在保持高精度的同时提升解码效率。

Comments Published as a conference paper at ICLR 2026

The Serial Scaling Hypothesis

序列扩展假说

Yuxi Liu, Konpat Preechakul, Kananart Kuwaranancharoen, Yutong Bai

机构 * UC Berkeley（加州大学伯克利分校） ； Independent Researcher（独立研究者） 纠错

AI总结 研究指出某些问题本质上是顺序的，无法高效并行化，提出扩散模型无法解决此类问题，对机器学习和硬件发展有深远影响。

Comments ICLR 2026. Equal contribution by the first two authors. Project page: https://serial-scaling-hypothesis.github.io