期刊&会议
International Conference on Learning Representations · 会议 · Machine Learning
学习颜色等变表示
机构 * Princeton University（普林斯顿大学） ； University of Oxford（牛津大学）
AI总结 本文提出颜色等变图卷积神经网络，解决颜色变化下的等变问题，通过提升等变性并扩展到饱和度和亮度变化，提升模型泛化能力和样本效率。
Comments Accept to The 13th International Conference on Learning Representations (ICLR 2025)
AI组织在效果上更优但对齐程度更低
机构 * Anthropic ； Constellation Institute（星座研究所） ； MATS Program（MATS项目）
AI总结 研究显示，AI组织在实现业务目标上更有效，但对齐程度低于单一AI代理，通过两个实际场景验证了这一结论，强调了在能力与安全研究中考虑AI代理交互系统的重要性。
Comments ICLR Workshop Version
关系探测：面向金融预测的语言模型到图适应
机构 * University College Dublin（都柏林大学） ； Massive Dublin
AI总结 本文提出关系探测方法，通过将语言模型头部替换为关系头部，直接从隐藏状态生成关系图，并与下游任务联合训练，提升金融预测性能。
Comments Accpeted by The 2nd Workskop on Advances in Financial AI Workshop: Towards Agentic and Responsible Systems at ICLR 2026
基于信用的ICPC风格编码：当代理必须为每个决定付费
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 本文提出USACOArena，通过引入严格的信用经济机制，使代理在决策时考虑成本，解决资源受限下的高效编码问题。
Comments Accepted by ICLR 2026
学习层次化和几何感知的图表示以实现文本到CAD
机构 * South China University of Technology（华南理工大学） ； Zhuzhou CRRC Times Electric Co., Ltd.（株洲中车时代电气股份有限公司） ； Guangdong University of Technology（广东工业大学）
AI总结 本文提出层次化和几何感知的图表示，通过结构预测和约束建模提升CAD代码生成的几何精度和约束满足能力，同时引入渐进课程学习策略和12K数据集进行实验验证。
Comments Accepted by ICLR 2026
大语言模型的新混合微调范式：算法设计与收敛分析框架
机构 * University of Maryland（马里兰大学） ； University of Texas Arlington（德克萨斯大学阿灵顿分校）
AI总结 本文提出一种混合微调方法，结合零阶和一阶优化方法更新LLM和PEFT模块，通过混合平滑条件理论分析其收敛性，并在多种下游任务中验证了有效性。
Comments Accepted by ICLR 2026
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
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
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
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
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
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：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：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: 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：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：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
更多数据值得付出成本吗？在极小注意力解码器中的数据集扩展定律
机构 * Institute of Computer Science, University of St. Gallen（圣加仑大学计算机科学研究所） ； Institute of Computer Science in Vorarlberg, University of St. Gallen（圣加仑大学福拉尔贝格计算机科学研究所）
AI总结 本文通过极小注意力解码器研究数据集规模扩展定律，发现数据量增加带来性能提升但存在边际效益递减，为数据与计算成本平衡提供指导。
Comments Presented as a paper at 3rd DATA-FM workshop @ ICLR 2026, Brazil. Published at 13th IEEE Swiss Conference on Data Science and AI (SDS 2026)
基于生物原理的多编码架构作为抗体设计的可开发性预言机
AI总结 本文提出CrossAbSense框架，通过结合冻结的蛋白质语言模型编码器和可配置的注意力解码器，提升抗体可开发性评估的准确性，显著改进了三种评估 assay 的性能。
Comments ICLR 2026 Workshop on Generative and Experimental Perspectives for Biomolecular Design
AI的混乱：模型智能与任务复杂性如何影响对齐问题
机构 * Anthropic Fellows Program（Anthropic 研究员计划） ； EPFL（瑞士联邦理工学院洛桑） ； University of Edinburgh（爱丁堡大学） ； Constellation ； Anthropic
AI总结 研究探讨了高智能AI模型在复杂任务中失败的机制，发现模型规模越大，失败行为越不一致，强调对齐研究在防止奖励黑客和目标误指定中的重要性。
Comments ICLR 2026. 10 pages main text, 40 total, 27 figures. v2: typos, improved writing, references
VisionLaw: 通过双层优化从视觉观测中推断可解释的内在动力学
机构 * School of Informatics, Xiamen University（厦门大学信息学院） ； Institute of Artificial Intelligence, Xiamen University（厦门大学人工智能研究所） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
AI总结 本文提出VisionLaw框架，通过双层优化从视觉数据中推断可解释的内在动力学，解决了传统方法在可解释性和泛化能力上的不足。
Comments Accepted by ICLR 2026; Project Page: https://github.com/JiajingLin/VisionLaw
CERBERUS：垂直云廓线的三头解码器
机构 * Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
AI总结 CERBERUS通过三头编码器-解码器架构，利用卫星温度、地面气象数据和时间信息生成垂直雷达反射率分布，提升云过程建模的准确性与不确定性估计。
Comments Accepted for oral presentation at 2026 ICLR workshop on Machine Learning for Remote Sensing
状态空间模型是有效的手语学习者：利用语音学的组合性进行词汇级识别
机构 * William A. Shine Great Neck South High School（威廉·A·夏因大颈南高中）
AI总结 本文提出PHONSSM模型，通过语音学分解提升手语识别性能，实现词汇级识别，优于现有方法，尤其在少样本场景下表现更佳。
Comments 8 pages, 3 figures. Accepted to workshop on Algorithmic Fairness Across Alignment Procedures and Agentic Systems at ICLR 2026
通过嵌入匹配高效表示mRNA的基因组模型压缩
机构 * Helical London, UK（Helical 伦敦，英国）
AI总结 本文提出通过嵌入匹配方法将先进基因组基础模型的mRNA表示压缩至更小模型，减少200倍，验证了嵌入级蒸馏优于logit方法，展示了压缩模型在mRNA-bench上的最优性能。
Comments Accepted at the Tiny Papers Track for the Machine Learning for Genomics Explorations Workshop at ICLR 2026 an the Gen2 Workshop at ICLR 2026
GNN-as-Judge: 通过GNN反馈释放LLM在图学习中的潜力
机构 * Northwestern University（西北大学）
AI总结 本文提出GNN-as-Judge框架，通过结合GNN的结构归纳偏差，解决LLM在低资源条件下生成可靠伪标签和缓解标签噪声的问题，提升图学习性能。
Comments ICLR 2026
SkillFactory：用于学习认知行为的自我蒸馏
机构 * New York University（纽约大学） ； Toyota Research Institute（丰田研究所）
AI总结 SkillFactory通过监督微调阶段学习认知技能，为强化学习奠定基础，提升模型在复杂任务中的泛化能力与鲁棒性。
Comments Published at ICLR 2026; code at https://github.com/Zayne-sprague/SkillFactory
生成视图拼接
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Runway ML
AI总结 本文提出生成视图拼接(GVS)，通过并行采样确保生成场景与预定义相机轨迹一致，解决视频生成中因未来条件缺失导致的碰撞问题，实现稳定且一致的相机引导视频生成。
Comments Published at ICLR 2026. Camera-ready Submission. Project website: https://andrewsonga.github.io/gvs
MedVR：通过代理强化学习实现无标注的医学视觉推理
机构 * Tsinghua University（清华大学） ； DAMO Academy, Alibaba Group（阿里巴巴达摩院） ； Hupan Lab（湖畔实验室） ； Key Laboratory of Pervasive Computing, Ministry of Education（教育部普适计算重点实验室） ； Zhejiang University（浙江大学）
AI总结 MedVR通过代理强化学习实现无标注的医学视觉推理，利用熵引导的视觉重定位和基于共识的信用分配机制，在多个公开医学VQA基准上取得最佳性能，提升医疗AI的鲁棒性和透明度。
Comments Accepted by ICLR 2026
WebArbiter: 一种基于原则的推理过程奖励模型用于网络代理
机构 * LMU Munich（慕尼黑大学） ； Technical University of Munich（慕尼黑工业大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
AI总结 本文提出WebArbiter，一种基于原则的推理过程奖励模型，用于网络导航任务。该模型通过文本生成产生结构化的解释，以指导任务完成。通过两阶段训练流程，提升模型的泛化能力，并在WebPRMBench基准测试中优于现有方法。
Comments Published as a conference paper at ICLR 2026. Extended version with additional experiments
SealQA: 提升搜索增强语言模型在事实性问题中的推理能力
机构 * Virginia Tech（弗吉尼亚理工大学）
AI总结 SealQA是一个新的挑战性基准，用于评估搜索增强语言模型在事实性问题上的能力，揭示当前模型在处理冲突、噪声或无用搜索结果时的局限性。
Comments Camera Ready version for ICLR 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈