ICLR

Foresight Diffusion: Improving Sampling Consistency in Predictive Diffusion Models

前瞻性扩散：改进预测扩散模型中的采样一致性

Yu Zhang, Xingzhuo Guo, Haoran Xu, Jialong Wu, Mingsheng Long

机构 * School of Software, BNRist, Tsinghua University（软件学院，BNRist，清华大学） 纠错

AI总结 本文提出Foresight Diffusion，通过解耦条件理解和目标去噪提升预测扩散模型的采样一致性，实验显示其在机器人视频预测和科学时空预测中表现优异。

Comments Accepted at ICLR 2026

Better Generative Replay for Continual Federated Learning

更高效的生成性重放用于持续联邦学习

Daiqing Qi, Handong Zhao, Sheng Li

机构 * University of Virginia（弗吉尼亚大学） ； Adobe Research（Adobe研究） 纠错

AI总结 本文提出FedCIL模型，通过模型整合和一致性约束解决持续联邦学习中非IID数据导致的训练不稳定问题，实验显示其在多个数据集上优于基线方法。

Journal ref ICLR 2023

Relative Error Embeddings for the Gaussian Kernel Distance

高斯核距离的相对误差嵌入

Di Chen, Jeff M. Phillips

机构 * Noah’s Ark Lab（诺亚实验室） ； University of Utah（犹他大学） ； Huawei Technologies（华为技术） 纠错

AI总结 本文研究了高斯核距离的近似嵌入方法，证明了在有限维欧几里得空间中，通过特定维度可实现相对误差为(1+ε)的核距离近似。

Comments This version corrects Lemma 5, with a new more modern proof. There was an error in the Appendix as pointed out by Cheng etal in ArXiv:2210.00244 (ICLR 2023)

Journal ref This supersedes published version in ALT 2017

Low-pass Personalized Subgraph Federated Recommendation

低通个性化子图联邦推荐

Wooseok Sim, Hogun Park

机构 * Department of Artificial Intelligence（人工智能系） 纠错

AI总结 本文提出LPSFed系统，通过图傅里叶变换和低通谱滤波提取稳定结构信号，结合局部流行度偏差修正提升推荐准确性与模型鲁棒性。

Comments Accepted at ICLR 2026. 31 pages, 3 figures, 12 tables

Me, Myself, and $π$ : Evaluating and Explaining LLM Introspection

我、我自己和π：评估和解释LLM内省

Atharv Naphade, Samarth Bhargav, Sean Lim, Mcnair Shah

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出了一种内省的分类体系，通过Introspect-Bench评估套件验证了LLM的内省能力，并展示了前沿模型在预测自身行为上的优势。

Comments 20 pages, 12 figures, ICLR 2026 Workshop: From Human Cognition to AI Reasoning: Models, Methods, and Applications

SciNav: A General Agent Framework for Scientific Coding Tasks

SciNav：一种通用的科学编码任务代理框架

Tianshu Zhang, Huan Sun

机构 * The Ohio State University（俄亥俄州立大学） 纠错

AI总结 本文提出SciNav框架，用于科学编码任务，通过相对判断指导的top-K搜索提升解决方案探索效率，优于直接提示和现有代理。

Comments Accepted by ICLR 2026

Multi-Agent Debate with Memory Masking

具有记忆掩码的多智能体辩论

Hongduan Tian, Xiao Feng, Ziyuan Zhao, Xiangyu Zhu, Rolan Yan, Bo Han

机构 * TMLR Group, Hong Kong Baptist University（香港 Baptist 大学 TMLR 团队） ； Search Algorithm Group, WeChat, Tencent（微信搜索算法团队，腾讯） 纠错

AI总结 本文提出MAD-M$^2$框架，通过在每轮辩论前屏蔽错误记忆以提升多智能体辩论的鲁棒性，实验证明其在数学和逻辑推理任务中表现更优。

Comments ICLR 2026

Long Chain-of-Thought Reasoning Across Languages

跨语言的长链式推理

Josh Barua, Seun Eisape, Kayo Yin, Alane Suhr

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本研究探讨了跨语言长链式推理能力的扩展机制，发现模型规模扩展提升En-CoT性能，但Target-CoT表现滞后，尤其在数学推理中更为明显。通过预训练和后训练优化，多语言模型在推理效率和稳定性上取得进展，同时揭示了语言特定的失败模式。

Comments Accepted to ICLR 2026. v1 is a workshop version accepted to SCALR @ COLM 2025

LumosX: Relate Any Identities with Their Attributes for Personalized Video Generation

LumosX：通过身份与属性的关系实现个性化视频生成

Jiazheng Xing, Fei Du, Hangjie Yuan, Pengwei Liu, Hongbin Xu, Hai Ci, Ruigang Niu, Weihua Chen, Fan Wang, Yong Liu

机构 * Zhejiang University（浙江大学） ； DAMO Academy, Alibaba Group（阿里云达摩院） ； Hupan Lab（虎斑实验室） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 LumosX通过结合身份与属性关系，提升多主体个性化视频生成的精细度和一致性，采用数据与模型双改进策略，构建了全面的基准测试平台。

Comments ICLR 2026 Camera Ready Version. Code and Models: https://jiazheng-xing.github.io/lumosx-home/

ReLi3D: Relightable Multi-view 3D Reconstruction with Disentangled Illumination

ReLi3D：可重照明的多视角3D重建与解耦照明

Jan-Niklas Dihlmann, Mark Boss, Simon Donne, Andreas Engelhardt, Hendrik P. A. Lensch, Varun Jampani

机构 * University of Tübingen（图宾根大学） ； Stability AI 纠错

AI总结 ReLi3D通过统一端到端管道，从稀疏多视角图像中在一秒内重建完整的3D几何、空间变化的物理材质和环境照明，利用多视角约束提升材质与照明解耦效果。

Comments Project Page: https://reli3d.jdihlmann.com/

Journal ref ICLR 2026

AC-Foley: Reference-Audio-Guided Video-to-Audio Synthesis with Acoustic Transfer

AC-Foley：基于参考音频的视频到音频合成与声学迁移

Pengjun Fang, Yingqing He, Yazhou Xing, Qifeng Chen, Ser-Nam Lim, Harry Yang

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； University of Central Florida（佛罗里达中央大学） 纠错

AI总结 本文提出AC-Foley模型，通过直接利用参考音频实现精确的音频合成与声学迁移，解决传统方法在语义粒度和文本模糊性上的瓶颈，提升音频生成质量与细粒度控制能力。

Comments Accepted at ICLR 2026. 15 pages, 5 figures, add project webpage

Reinforcement Unlearning via Group Relative Policy Optimization

通过群体相对策略优化实现强化反学习

Efstratios Zaradoukas, Bardh Prenkaj, Gjergji Kasneci

机构 * Chair of Responsible Data Science（负责任数据科学教授职位） ； Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML）） 纠错

AI总结 本文提出PURGE方法，通过群体相对策略优化框架将反学习建模为可验证问题，有效减少敏感数据影响，提升模型流畅性和鲁棒性，实验表明其在反学习效果和实用性上优于现有方法。

Comments Accepted to ICLR 2026

Generative Blocks World: Moving Things Around in Pictures

生成块世界：在图像中移动物体

Vaibhav Vavilala, Seemandhar Jain, Rahul Vasanth, D. A. Forsyth, Anand Bhattad

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出生成块世界方法，通过操控简单几何抽象交互生成图像场景，利用不同数量的凸3D基元表示场景，结合流式生成方法生成图像，改进纹理提示提升视觉质量和可编辑性。

Comments ICLR 2026 34 pages, 25 figures, 4 tables

Hidden Breakthroughs in Language Model Training

语言模型训练中的隐藏突破

Sara Kangaslahti, Elan Rosenfeld, Naomi Saphra

机构 * Harvard University（哈佛大学） ； Google Research（谷歌研究） 纠错

AI总结 本文提出POLCA方法，通过分解损失变化来揭示训练过程中的隐藏转折点，通过合成任务验证其在模型能力解读中的潜力。

Comments ICLR 2026 Camera-ready

Test-Time Alignment for Large Language Models via Textual Model Predictive Control

通过文本模型预测控制对大型语言模型进行测试时对齐

Kuang-Da Wang, Teng-Ruei Chen, Yu Heng Hung, Guo-Xun Ko, Shuoyang Ding, Yueh-Hua Wu, Yu-Chiang Frank Wang, Chao-Han Huck Yang, Wen-Chih Peng, Ping-Chun Hsieh

机构 * National Yang Ming Chiao Tung University ； NVIDIA ； National Taiwan University 纠错

AI总结 本文提出TMPC方法，通过文本模型预测控制解决测试时对齐问题，通过分层强化学习原理改进生成过程，提升不同任务的性能。

Comments Accepted for ICLR 2026. Project page: https://rl-bandits-lab.github.io/TMPC/

Subspace Kernel Learning on Tensor Sequences

张量序列的子空间核学习

Lei Wang, Xi Ding, Yongsheng Gao, Piotr Koniusz

机构 * Griffith University（格里菲斯大学） ； Data61 CSIRO ； University of New South Wales（新南威尔士大学） 纠错

AI总结 本文提出UKTL框架，通过不确定性驱动的子空间加权和可扩展的Nyström线性化，实现对多模式张量的高效学习，取得最先进的性能和有意义的模式洞察。

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

Any-Subgroup Equivariant Networks via Symmetry Breaking

通过破译对称性构建任意子群等变网络

Abhinav Goel, Derek Lim, Hannah Lawrence, Stefanie Jegelka, Ningyuan Huang

机构 * MIT（麻省理工学院） ； TUM（技术大学慕尼黑） ； Flatiron Institute（Flatiron研究院） 纠错

AI总结 本文提出Any-Subgroup Equivariant Network，通过调节辅助输入特征实现多组等变，理论证明其能模拟等变MLP，实验验证其在图、图像及序列任务中优于单独等变模型。

Comments Accepted at ICLR 2026

Is Evaluation Awareness Just Format Sensitivity? Limitations of Probe-Based Evidence under Controlled Prompt Structure

评估意识仅仅是格式敏感性？基于探针的证据在受控提示结构下的局限性

Viliana Devbunova

机构 * Yandex Belgrade（Yandex 布尔加斯） 纠错

AI总结 研究探讨了基于探针的证据在受控提示结构下的可靠性，发现其主要追踪基准格式而非评估上下文，限制了现有结果的说服力。

Comments 10 pages, 5 tables, 2 figures. Accepted at ICLR 2026 Workshop "I Can't Believe It's Not Better"

Probing to Refine: Reinforcement Distillation of LLMs via Explanatory Inversion

探测以精炼：通过解释性反向实现大语言模型的强化蒸馏

Zhen Tan, Chengshuai Zhao, Song Wang, Jundong Li, Tianlong Chen, Huan Liu

机构 * Arizona State University（亚利桑那州立大学） ； University of Virginia（弗吉尼亚大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 本文提出ExGRPO框架，通过生成解释性探测和强化学习提升蒸馏模型的推理能力和泛化能力，实验显示在12个数据集上显著提升性能。

Comments Accepted to ICLR 2026

R2-Dreamer: Redundancy-Reduced World Models without Decoders or Augmentation

R2-Dreamer：无需解码器或增强的冗余减少世界模型

Naoki Morihira, Amal Nahar, Kartik Bharadwaj, Yasuhiro Kato, Akinobu Hayashi, Tatsuya Harada

机构 * Honda R&D Co., Ltd.（本田研发株式会社） ； The University of Tokyo（东京大学） ； RIKEN AIP（日本科学技术研究院（RIKEN）先进研究所（AIP）） 纠错

AI总结 R2-Dreamer提出一种无需解码器或增强的基于模型的强化学习框架，通过自监督目标作为内部正则化器，提高表示鲁棒性，训练速度更快且在多个任务中表现优异。

Comments 20 pages, 12 figures, 2 tables

Journal ref Published as a conference paper at ICLR 2026

Not All Features Are Created Equal: A Mechanistic Study of Vision-Language-Action Models

并非所有特征都具有同等价值：一种视觉-语言-动作模型的机制研究

Bryce Grant, Xijia Zhao, Peng Wang

机构 * Case Western Reserve University（凯斯西储大学） 纠错

AI总结 研究通过激活注入、稀疏自编码器和线性探针分析视觉-语言-动作模型，发现视觉路径主导动作生成，语言敏感性取决于任务结构而非模型设计，且专家路径编码运动程序，VLM路径编码目标语义，释放Action Atlas供探索。

Comments Accepted to Multimodal Intelligence Workshop @ ICLR

PromptHub: Enhancing Multi-Prompt Visual In-Context Learning with Locality-Aware Fusion, Concentration and Alignment

PromptHub: 通过局部感知融合、集中和对齐增强多提示视觉上下文学习

Tianci Luo, Jinpeng Wang, Shiyu Qin, Niu Lian, Yan Feng, Bin Chen, Chun Yuan, Shu-Tao Xia

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳分校） ； Meituan, Beijing（美团，北京） 纠错

AI总结 PromptHub通过局部感知融合、集中和对齐方法提升多提示视觉上下文学习性能，验证了其在多种视觉任务中的优越性及泛化能力。

Comments Accepted to ICLR 2026. 17 pages, 11 figures, and 9 tables

FlowCast: Advancing Precipitation Nowcasting with Conditional Flow Matching

FlowCast：通过条件流匹配推进降水现在cast

Bernardo Perrone Ribeiro, Jana Faganeli Pucer

机构 * University of Ljubljana（卢布尔雅那大学） 纠错

AI总结 本文提出FlowCast，一种基于条件流匹配的端到端概率模型，用于降水现在cast，解决了大气动力学不确定性与高维数据建模效率问题，实现了高效准确的预测。

Comments Accepted to ICLR 2026

StreamingThinker: Large Language Models Can Think While Reading

StreamingThinker: 大语言模型在阅读时可以思考

Junlong Tong, Yingqi Fan, Anhao Zhao, Yunpu Ma, Xiaoyu Shen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Eastern Institute of Technology, Ningbo（宁波东部技术研究院） ； Ningbo Key Laboratory of Spatial Intelligence and Digital Derivative, Institute of Digital Twin（宁波空间智能与数字衍生关键实验室，数字孪生研究院） ； Hong Kong Polytechnic University（香港理工大学） ； Munich Center for Machine Learning, LMU（慕尼黑机器学习中心，莱茵-慕尼黑大学） 纠错

AI总结 本文提出StreamingThinker框架，使大语言模型在阅读过程中实现流式思考，通过流式CoT生成、流式约束训练和并行推理提升效率，减少延迟并保持性能。

Comments ICLR 2026

CoPRS: Learning Positional Prior from Chain-of-Thought for Reasoning Segmentation

CoPRS：从链式思维中学习位置先验以进行推理分割

Zhenyu Lu, Liupeng Li, Jinpeng Wang, Yan Feng, Bin Chen, Ke Chen, Yaowei Wang

机构 * Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； Peng Cheng Laboratory（鹏城实验室） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Meituan, Beijing（北京美团） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 本文提出CoPRS模型，通过多模态链式思维生成可解释的位置先验热图，提升推理分割的可解释性和精度，实验表明其在多个数据集上表现优异。

Comments Accepted to ICLR 2026. 20 pages, 8 figures, 4 tables

Milco: Learned Sparse Retrieval Across Languages via a Multilingual Connector

Milco：通过多语言连接器实现跨语言学习稀疏检索

Thong Nguyen, Yibin Lei, Jia-Huei Ju, Eugene Yang, Andrew Yates

机构 * University of Amsterdam（阿姆斯特丹大学） ； Johns Hopkins University, HLTCOE（约翰霍普金斯大学，语言学与认知科学系） 纠错

AI总结 Milco通过多语言连接器将不同语言的查询和文档映射到共享的英语词汇空间，采用两阶段训练策略提升表示透明性和有效性，实现跨语言稀疏检索的最优性能。

Comments ICLR 2026

Soft-Di[M]O: Improving One-Step Discrete Image Generation with Soft Embeddings

Soft-Di[M]O: 通过软嵌入提升一步离散图像生成

Yuanzhi Zhu, Xi Wang, Stéphane Lathuilière, Vicky Kalogeiton

机构 * LIX, École Polytechnique, CNRS, IPP（IX实验室，巴黎高等理工学院，法国国家科学研究中心，IPP） ； Inria at Univ. Grenoble Alpes, CNRS, LJK（里尔大学，法国国家科学研究中心，LJK） 纠错

AI总结 本文提出Soft-Di[M]O框架，通过引入软嵌入解决一步生成器中离散token阻断梯度的问题，实现端到端训练并支持GAN精炼、可微奖励微调和TTEO。

Comments ICLR 2026

Multifidelity Simulation-based Inference for Computationally Expensive Simulators

多保真度模拟基于推断：用于计算昂贵模拟器的推断

Anastasia N. Krouglova, Hayden R. Johnson, Basile Confavreux, Michael Deistler, Pedro J. Gonçalves

机构 * Department of Computer Science, KU Leuven（KU莱文大学计算机科学系） ； VIB Center for AI and Computational Biology (VIB.AI)（VIB人工智能与计算生物学中心） ； VIB-KU Leuven Center for Neuroscience（VIB-KU莱文神经科学中心） ； Gatsby Computational Neuroscience Unit, UCL（Gatsby计算神经科学单元，UCL） ； Machine Learning in Science, University of Tübingen（科学机器学习，图宾根大学） ； Tübingen AI Center（图宾根人工智能中心） ； Max Planck Institute for Biological Intelligence, Martinsried（生物智能马克斯·普朗克研究所，马尔茨里德） ； Department of Electrical Engineering, KU Leuven（KU莱文电子工程系） 纠错

AI总结 本文提出了一种多保真度方法，利用迁移学习高效推断高保真度模拟器参数，通过序列变体提升模拟效率，在基准和神经科学任务中减少高保真度模拟次数达两个数量级。

Comments Accepted at ICLR 2026. Available at OpenReview: https://openreview.net/pdf?id=bj0dcKp9t6

OFTSR: One-Step Flow for Image Super-Resolution with Tunable Fidelity-Realism Trade-offs

OFTSR: 一种用于图像超分辨率的一步流方法，具有可调保真度-现实感权衡

Yuanzhi Zhu, Ruiqing Wang, Shilin Lu, Junnan Li, Hanshu Yan, Kai Zhang

机构 * Nanjing University（南京大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出OFTSR，一种基于流的图像超分辨率框架，通过可调保真度与现实感权衡实现一步生成。通过训练条件流模型并应用特殊约束，使学生模型预测与教师模型采样轨迹对齐，从而提升性能。

Comments ICLR 2026

Revisiting the Last-Iterate Convergence of Stochastic Gradient Methods

重新审视随机梯度方法的最后迭代收敛性

Zijian Liu, Zhengyuan Zhou

机构 * Stern School of Business, New York University（纽约大学斯特恩商学院） 纠错

AI总结 本文研究随机梯度方法的最后迭代收敛性，提出统一证明方法，适用于一般领域、复合目标、非欧几里得范数、Lipschitz条件、光滑性和强凸性，并扩展到重尾和亚Weibull噪声。

Comments The preliminary version has been accepted at ICLR 2024. For the update history, please refer to the PDF