ICLR

IMSE: Intrinsic Mixture of Spectral Experts Fine-tuning for Test-Time Adaptation

IMSE：内在光谱专家混合微调用于测试时间适应

Sunghyun Baek, Jaemyung Yu, Seunghee Koh, Minsu Kim, Hyeonseong Jeon, Junmo Kim

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； LG Energy Solution（LG能源解决方案） 纠错

AI总结 本文提出IMSE方法，通过分解线性层并仅更新奇异值，结合多样性最大化损失和领域感知光谱码检索，提升测试时间适应性能，在多种分布偏移基准测试中取得最佳效果，且在连续测试时间适应中提升准确率3.4个百分点，参数量减少385倍。

Comments ICLR 2026

FAST-DIPS: Adjoint-Free Analytic Steps and Hard-Constrained Likelihood Correction for Diffusion-Prior Inverse Problems

FAST-DIPS: 无训练分析步骤和硬约束似然校正用于扩散先验逆问题

Minwoo Kim, Seunghyeok Shin, Hongki Lim

机构 * Department of Electrical and Computer Engineering, Inha University（信息电子工程系，釜山大学） 纠错

AI总结 本文提出一种无训练扩散先验求解器，通过硬测量空间可行性约束和分析最优步长，减少迭代次数，实现高效逆问题求解，实验显示在PSNR/SSIM/LPIPS上表现优异，速度提升达19.5倍。

Journal ref International Conference on Learning Representations 2026

Characterizing Human Semantic Navigation in Concept Production as Trajectories in Embedding Space

表征人类概念生成中的语义导航作为嵌入空间中的轨迹

Felipe D. Toro-Hernández, Jesuino Vieira Filho, Rodrigo M. Cabral-Carvalho

机构 * Center of Mathematics, Computing and Cognition, Federal University of ABC（数学、计算与认知中心，巴西ABC联邦大学） ； Department of Computer Science and Operations Research, Université de Montréal（计算机科学与运筹学系，蒙特利尔大学） 纠错

AI总结 研究通过嵌入空间导航表征人类语义导航，利用不同变换器文本嵌入模型构建参与者特定的语义轨迹，并提取几何和动态指标，以评估跨语言和不同任务的语义表示动态。

Comments 10 pages, 6 figures (excluding refs/appendix). Accepted to ICLR 2026

Journal ref International Conference on Learning Representations (ICLR) 2026

StableToken: A Noise-Robust Semantic Speech Tokenizer for Resilient SpeechLLMs

StableToken：一种抗噪声的语义语音分词器用于鲁棒的语音大语言模型

Yuhan Song, Linhao Zhang, Chuhan Wu, Aiwei Liu, Wei Jia, Houfeng Wang, Xiao Zhou

机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（多媒体信息处理国家重点实验室，计算机学院，北京大学） ； Basic Model Technology Center, WeChat AI, Tencent Inc.（微信AI基础模型技术中心，腾讯公司） 纠错

AI总结 本文提出StableToken，通过共识机制提升语音分词器的稳定性，减少噪声下的单位编辑距离，提升语音大语言模型的鲁棒性。

Comments Accepted to ICLR 2026

Variation in Verification: Understanding Verification Dynamics in Large Language Models

验证的多样性：理解大型语言模型中的验证动态

Yefan Zhou, Austin Xu, Yilun Zhou, Janvijay Singh, Jiang Gui, Shafiq Joty

机构 * Salesforce AI Research（Salesforce AI研究院） ； Dartmouth College（达特茅斯学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 研究大型语言模型中验证动态，分析问题难度、生成器能力及验证器生成能力三个维度，发现验证有效性与问题难度相关，优化TTS应用中的基本验证策略。

Comments ICLR 2026

SmellNet: A Large-scale Dataset for Real-world Smell Recognition

SmellNet：一个大规模数据集用于现实世界中的气味识别

Dewei Feng, Wei Dai, Carol Li, Alistair Pernigo, Yunge Wen, Paul Pu Liang

机构 * MIT Media Lab（麻省理工学院媒体实验室） ； MIT EECS（麻省理工学院电子工程与计算机科学系） 纠错

AI总结 本文提出SmellNet数据集，通过小气体和化学传感器收集82.8万条时间序列数据，用于训练ScentFormer模型，实现对多种物质和混合物的气味识别与分类，展示了基于传感器的嗅觉AI的应用潜力。

Comments Accepted to ICLR 2026; published as a conference paper at ICLR 2026. 32 pages; 21 figures

Exact Certification of Neural Networks and Partition Aggregation Ensembles against Label Poisoning

神经网络与分区聚合集成对抗标签毒化攻击的精确认证

Ajinkya Mohgaonkar, Lukas Gosch, Mahalakshmi Sabanayagam, Debarghya Ghoshdastidar, Stephan Günnemann

机构 * Munich Center for Machine Learning（慕尼黑机器学习中心） ； Australian Institute for Machine Learning, Adelaide University（阿德莱德大学澳大利亚机器学习研究所） 纠错

AI总结 本文提出EnsembleCert框架，通过白盒知识提升分区聚合集成的认证鲁棒性，ScaLabelCert方法利用神经切线核实现神经网络对标签毒化攻击的精确认证，实验显示其在CIFAR-10上认证效果优于现有黑盒方法。

Comments Workshop on Principled Design for Trustworthy AI @ ICLR 2026

AtlasKV: Augmenting LLMs with Billion-Scale Knowledge Graphs in 20GB VRAM

AtlasKV：在20GB VRAM中通过十亿级知识图谱增强大语言模型

Haoyu Huang, Hong Ting Tsang, Jiaxin Bai, Xi Peng, Gong Zhang, Yangqiu Song

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Theory Lab, Huawei（华为理论实验室） 纠错

AI总结 本文提出AtlasKV，一种通过十亿级知识图谱增强大语言模型的方法，利用子线性时间与内存复杂度实现高效知识整合，无需外部检索模块或长上下文先验。

Comments ICLR 2026

SimBench: Benchmarking the Ability of Large Language Models to Simulate Human Behaviors

SimBench：大型语言模型模拟人类行为能力的基准测试

Tiancheng Hu, Joachim Baumann, Lorenzo Lupo, Nigel Collier, Dirk Hovy, Paul Röttger

机构 * University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学） ； Bocconi University（博科尼大学） ； University of Oxford（牛津大学） 纠错

AI总结 SimBench通过统一20个多样化的数据集，评估大型语言模型模拟人类行为的 fidelity，发现模型性能与模型大小呈对数线性关系，但与计算资源无关，且存在指令微调与模拟准确性之间的权衡。

Comments Accepted at ICLR 2026. Project Website: http://simbench.tiancheng.hu/ Data: https://huggingface.co/datasets/pitehu/SimBench

EEPO: Exploration-Enhanced Policy Optimization via Sample-Then-Forget

EEPO：通过采样后遗忘的探索增强策略优化

Liang Chen, Xueting Han, Qizhou Wang, Bo Han, Jing Bai, Hinrich Schutze, Kam-Fai Wong

机构 * The Chinese University of Hong Kong（香港中文大学） ； Microsoft Research Asia（微软亚洲研究院） ； Hong Kong Baptist University（香港浸会大学） ； LMU Munich（慕尼黑大学） ； MoE Key Laboratory of High Confidence Software Technologies（教育部高可信软件技术重点实验室） 纠错

AI总结 EEPO通过两阶段 rollout 和自适应遗忘机制提升探索能力，在五个推理基准中超越 GRPO，取得显著性能提升。

Comments ICLR 2026

ChatInject: Abusing Chat Templates for Prompt Injection in LLM Agents

ChatInject: 利用聊天模板对LLM代理进行提示注入

Hwan Chang, Yonghyun Jun, Hwanhee Lee

机构 * Department of Artificial Intelligence, Chung-Ang University（中央大学人工智能系） 纠错

AI总结 研究提出ChatInject攻击，通过模拟聊天模板诱导LLM代理执行恶意指令，实验显示其攻击成功率显著高于传统方法，且现有防御措施对多轮对话变种效果有限。

Comments ICLR 2026

LingoLoop Attack: Trapping MLLMs via Linguistic Context and State Entrapment into Endless Loops

LingoLoop攻击：通过语言上下文和状态陷阱使大语言模型陷入无限循环

Jiyuan Fu, Kaixun Jiang, Lingyi Hong, Jinglun Li, Haijing Guo, Dingkang Yang, Zhaoyu Chen, Wenqiang Zhang

机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与技术学院） ； College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； Jiiov Technology（极奥科技） 纠错

AI总结 本文提出LingoLoop攻击，通过调整词性标注和隐藏状态限制，使多模态大语言模型生成冗长重复内容，导致资源耗尽和服务降级。

Comments Accepted to ICLR 2026. Code is available at: https://github.com/fuhaha824/LingoLoop-Attack

Seeing Through Deception: Uncovering Misleading Creator Intent in Multimodal News with Vision-Language Models

穿透欺骗：在多模态新闻中揭示误导性创作者意图

Jiaying Wu, Fanxiao Li, Zihang Fu, Min-Yen Kan, Bryan Hooi

机构 * National University of Singapore（新加坡国立大学） ； Yunnan University（云南大学） 纠错

AI总结 本文提出DeceptionDecoded基准数据集，通过意图引导模拟框架生成12000组图像-描述对，旨在揭示多模态虚假信息中的误导性意图，评估14种最新视觉-语言模型，发现其在意图推理上存在不足，提出系统合成数据以提升模型意图理解能力。

Comments ICLR 2026

Defending against Backdoor Attacks via Module Switching

通过模块切换防御后门攻击

Weijun Li, Ansh Arora, Xuanli He, Mark Dras, Qiongkai Xu

机构 * Macquarie University（麦考瑞大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University College London（伦敦大学学院） 纠错

AI总结 本文提出模块切换防御方法，通过验证理论依据和实验效果，展示其在减少后门攻击有效性方面优于现有方法，适用于深层网络和多种架构，实验表明其在较少模型情况下具有更强的防御能力。

Comments Accepted to ICLR 2026

Adversarial Robustness of Graph Transformers

图变换器的对抗鲁棒性

Philipp Foth, Lukas Gosch, Simon Geisler, Leo Schwinn, Stephan Günnemann

机构 * Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） 纠错

AI总结 研究图变换器在结构扰动下的对抗鲁棒性，设计了首个自适应攻击方法，评估了多种任务和扰动模型，发现图变换器在许多情况下存在严重脆弱性。

Comments TMLR 2025 (J2C-Certification: Presented @ ICLR 2026). A preliminary version appeared at the Differentiable Almost Everything Workshop at ICML 2024. Code available at https://github.com/isefos/gt_robustness

Panoptic Pairwise Distortion Graph

全景成对失真图

Muhammad Kamran Janjua, Abdul Wahab, Bahador Rashidi

机构 * Huawei Technologies（华为技术有限公司） 纠错

AI总结 本文提出全景成对失真图任务，通过区域结构化组成图像对，改进现有方法对整体图像分析的局限性，构建PandaSet数据集、PandaBench基准和Panda架构，揭示多模态大语言模型在区域级失真理解上的不足。

Comments Accepted to ICLR 2026

Mitigating Privacy Risk via Forget Set-Free Unlearning

通过遗忘集无关的去学习来缓解隐私风险

Aviraj Newatia, Michael Cooper, Viet Nguyen, Rahul G. Krishnan

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） 纠错

AI总结 本文提出部分盲去学习方法Reload，通过梯度优化和结构化权重稀疏化有效去除训练数据影响，实验证明其在去学习效率和隐私保护方面优于传统方法。

Comments 50 pages, 20 figures, Published at The Fourteenth International Conference on Learning Representations

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

WaveMoE: A Wavelet-Enhanced Mixture-of-Experts Foundation Model for Time Series Forecasting

WaveMoE: 一种用于时间序列预测的小波增强混合专家基础模型

Shunyu Wu, Jiawei Huang, Weibin Feng, Boxin Li, Xiao Zhang, Erli Meng, Dan Li, Jian Lou, See-Kiong Ng

机构 * Sun Yat-sen University（中山大学） ； Xiaomi Corporation（小米集团） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 WaveMoE通过整合小波域表示提升时间序列预测能力，采用双路径架构和共享专家路由机制，实验表明其在16个基准数据集上具有提升预测性能的潜力。

Comments Presented at ICLR 2026 TSALM Workshop (1st Workshop on Time Series in the Age of Large Models)

PepBenchmark: A Standardized Benchmark for Peptide Machine Learning

PepBenchmark：肽机器学习的标准基准

Jiahui Zhang, Rouyi Wang, Kuangqi Zhou, Tianshu Xiao, Lingyan Zhu, Yaosen Min, Yang Wang

机构 * Zhongguancun Academy（中关村学院） ； University of Science and Technology of China（中国科学技术大学） ； Nankai University（南开大学） ； Tianjin University（天津大学） 纠错

AI总结 本文提出PepBenchmark，为肽药物发现提供标准化基准，包含统一的数据集、预处理流程和评估协议，涵盖四种主要方法家族，推动肽机器学习方法的发展。

Journal ref ICLR 2026

Shuffling the Data, Stretching the Step-size: Sharper Bias in constant step-size SGD

打乱数据，扩大步长：在固定步长SGD中更精确的偏倚

Konstantinos Emmanouilidis, Emmanouil-Vasileios Vlatakis-Gkaragkounis, Rene Vidal

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Archimedes Research Unit（阿基米德研究单位） 纠错

AI总结 本文研究了在有限和最小-最大优化问题中，通过随机重洗数据和Richardson-Romberg外推的组合，提升固定步长SGD的收敛性，提供理论保证和实验验证。

Comments Accepted in ICLR 2026 Conference

Aligned Agents, Biased Swarm: Measuring Bias Amplification in Multi-Agent Systems

对齐的智能体，偏见的蜂群：测量多智能体系统中的偏见放大

Keyu Li, Jin Gao, Dequan Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 研究通过实验分析多智能体系统拓扑结构和反馈循环对偏见的影响，发现结构复杂性并不保证伦理鲁棒性，指出系统复杂性可能加剧偏见。

Comments Accepted by ICLR 2026

STDDN: A Physics-Guided Deep Learning Framework for Crowd Simulation

STDDN：一种基于物理的深度学习框架用于人群模拟

Zijin Liu, Xu Geng, Wenshuai Xu, Xiang Zhao, Yan Xia, You Song

机构 * School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院） ； School of Software, Beihang University（北京航空航天大学软件学院） ； Beijing Digital Native Digital City Research Center（北京数字原生数字城市研究中心） 纠错

AI总结 本文提出STDDN框架，通过引入流体动力学的连续方程，结合神经普通微分方程和动态图学习模块，改进人群模拟的物理约束与效率，实现更稳定和高效的模拟性能。

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

Diagnosing Retrieval vs. Utilization Bottlenecks in LLM Agent Memory

诊断LLM代理记忆中的检索与利用瓶颈

Boqin Yuan, Yue Su, Kun Yao

机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of North Carolina（北卡罗来纳大学） 纠错

AI总结 本文通过3x3实验分析写入策略、检索方法和记忆利用行为对性能的影响，发现检索方法是主要瓶颈，且原始分块存储在无需LLM调用时表现优异。

Comments Accepted at the MemAgents Workshop, ICLR 2026

Can Small Training Runs Reliably Guide Data Curation? Rethinking Proxy-Model Practice

小规模训练能否可靠地指导数据整理？重新审视代理模型实践

Jiachen T. Wang, Tong Wu, Kaifeng Lyu, James Zou, Dawn Song, Ruoxi Jia, Prateek Mittal

机构 * Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Virginia Tech（弗吉尼亚理工大学） 纠错

AI总结 本文探讨了小规模代理模型训练在数据整理中的可靠性问题，指出固定配置协议与全规模模型开发流程的差异，并提出通过降低学习率提升小规模实验的可靠性。

Comments ICLR 2026

FlowBind: Efficient Any-to-Any Generation with Bidirectional Flows

FlowBind: 任意到任意生成的高效方法

Yeonwoo Cha, Semin Kim, Jinhyeon Kwon, Seunghoon Hong

机构 * KAIST（韩国科学技术院） 纠错

AI总结 本文提出FlowBind框架，通过共享潜在空间和双向流实现高效任意模态生成，减少数据和计算成本，实验显示生成质量与传统方法相当。

Comments ICLR 2026

BézierFlow: Learning Bézier Stochastic Interpolant Schedulers for Few-Step Generation

BézierFlow：学习Bézier随机插值调度器用于少步生成

Yunhong Min, Juil Koo, Seungwoo Yoo, Minhyuk Sung

机构 * KAIST（韩国科学技术院） 纠错

AI总结 BézierFlow通过学习Bézier随机插值调度器，实现少步生成的性能提升，采用轻量训练方法，在10次NFE内提升2-3倍性能，且训练时间仅需15分钟。

Comments ICLR 2026, Project page: https://bezierflow.github.io

Discrete Bayesian Sample Inference for Graph Generation

图生成的离散贝叶斯采样推断

Ole Petersen, Marcel Kollovieh, Marten Lienen, Stephan Günnemann

机构 * School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Munich Data Science Institute（慕尼黑数据科学研究所） ； Listen Labs 纠错

AI总结 本文提出GraphBSI，一种基于贝叶斯采样推断的图生成模型，通过在分布参数连续空间中迭代优化信念，有效处理离散结构，并在分子和合成图生成中取得最佳性能。

Journal ref ICLR 2026

Proximal Supervised Fine-Tuning

近端监督微调

Wenhong Zhu, Ruobing Xie, Rui Wang, Xingwu Sun, Di Wang, Pengfei Liu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； Large Language Model Department, Tencent（腾讯大语言模型部） ； University of Macau（澳门大学） 纠错

AI总结 本文提出近端监督微调（PSFT），通过引入信任区域方法约束策略漂移，提升模型在新领域中的泛化能力，实验显示其在跨领域泛化和长期稳定性方面优于传统监督微调。

Comments ICLR 2026

Mixture of Cognitive Reasoners: Modular Reasoning with Brain-Like Specialization

认知推理的混合：类脑的专业化模块推理

Badr AlKhamissi, C. Nicolò De Sabbata, Greta Tuckute, Zeming Chen, Martin Schrimpf, Antoine Bosselut

机构 * EPFL（瑞士联邦理工学院洛桑） ； Brain and Cognitive Sciences at MIT（麻省理工学院脑与认知科学系） ； Kempner Institute at Harvard University（哈佛大学肯普纳研究所） 纠错

AI总结 本文提出MiCRo模型，通过类脑专业化模块实现认知行为，提供可解释的推理模块，支持动态路由并优于基线模型。

Comments ICLR 2026. Project Page at https://cognitive-reasoners.epfl.ch

GoT-R1: Unleashing Reasoning Capability of MLLM for Visual Generation with Reinforcement Learning

GoT-R1：通过强化学习提升MLLM的视觉生成推理能力

Chengqi Duan, Rongyao Fang, Yuqing Wang, Kun Wang, Linjiang Huang, Xingyu Zeng, Hongsheng Li, Xihui Liu

机构 * HKU MMLAB（香港大学多媒体实验室） ； CUHK MMLAB（香港中文大学多媒体实验室） ； Sensetime（商汤科技） ； Beihang University（北京航空航天大学） ； SUAT（上海人工智能实验室） 纠错

AI总结 GoT-R1通过强化学习提升视觉生成中的语义-空间推理能力，改进了复杂提示下的图像生成效果，实验表明在T2I-CompBench基准上表现优异。

Comments Github page refer to: https://github.com/gogoduan/GoT-R1. Published as a conference paper at ICLR 2026