ICLR

A Single Architecture for Representing Invariance Under Any Space Group

一种适用于任意空间群的单一架构

Cindy Y. Zhang, Elif Ertekin, Peter Orbanz, Ryan P. Adams

机构 * Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Department of Mechanical Science and Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系） ； Gatsby Computational Neuroscience Unit, University College London（伦敦大学学院计算神经科学单元） 纠错

AI总结 本文提出了一种能够自动适应任何空间群的机器学习架构，通过构建对称适应的傅里叶基来实现对称不变性，从而提高材料属性预测和零样本学习的性能。

Comments 24 pages, 7 figures. ICLR 2026

Benchmarking Overton Pluralism in LLMs

对大语言模型中Overton多元主义的基准测试

Elinor Poole-Dayan, Jiayi Wu, Taylor Sorensen, Jiaxin Pei, Michiel A. Bakker

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Brown University（布朗大学） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出OVERTONBENCH框架，通过集合覆盖度量评估大语言模型中多元观点的代表性，揭示模型在多元主义对齐上的改进空间。

Comments Paper accepted to ICLR 2026

Sample-efficient and Scalable Exploration in Continuous-Time RL

在连续时间强化学习中实现高效且可扩展的探索

Klemens Iten, Lenart Treven, Bhavya Sukhija, Florian Dörfler, Andreas Krause

机构 * ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文提出COMBRL算法，通过结合外在奖励和模型不确定性，实现连续时间强化学习中的高效样本利用和可扩展性。

Comments 28 pages, 8 figures, 6 tables. Published as a conference paper at ICLR 2026

VisJudge-Bench: Aesthetics and Quality Assessment of Visualizations

VisJudge-Bench: 可视化美学与质量评估

Yupeng Xie, Zhiyang Zhang, Yifan Wu, Sirong Lu, Jiayi Zhang, Zhaoyang Yu, Jinlin Wang, Sirui Hong, Bang Liu, Chenglin Wu, Yuyu Luo

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； DeepWisdom（深智科技） ； Université de Montréal & Mila（蒙特利尔大学及Mila） 纠错

AI总结 VisJudge-Bench提出首个可视化质量评估基准，通过VisJudge模型显著提升对可视化美学和质量的判断精度。

Comments 62 pages, 27 figures, 8 tables. Accepted at ICLR 2026

Optimistic Task Inference for Behavior Foundation Models

乐观任务推断用于行为基础模型

Thomas Rupf, Marco Bagatella, Marin Vlastelica, Andreas Krause

机构 * ETH Zürich（苏黎世联邦理工学院） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） 纠错

AI总结 OpTI-BFM通过测试时与环境的交互，优化奖励函数推断，减少数据和计算开销。

Comments ICLR 2026

SMOTE and Mirrors: Exposing Privacy Leakage from Synthetic Minority Oversampling

SMOTE与镜子：揭示合成少数族过采样中的隐私泄露

Georgi Ganev, Reza Nazari, Rees Davison, Amir Dizche, Xinmin Wu, Ralph Abbey, Jorge Silva, Emiliano De Cristofaro

AI总结 本文揭示SMOTE在生成合成数据时存在隐私泄露问题，通过构建DistinSMOTE和ReconSMOTE两种攻击，证明其非隐私性并呼吁重新评估其在隐私敏感应用中的使用。

Comments Published at the 14th International Conference on Learning Representations (ICLR 2026). Please cite the ICLR version

Is It Thinking or Cheating? Detecting Implicit Reward Hacking by Measuring Reasoning Effort

这是思考还是作弊？通过测量推理努力来检测隐式奖励黑客

Xinpeng Wang, Nitish Joshi, Barbara Plank, Rico Angell, He He

机构 * LMU Munich（慕尼黑莱茵河大学） ； New York University（纽约大学） ； MCML 纠错

AI总结 TRACE通过测量推理努力检测隐式奖励黑客，通过截断推理链并评估预期奖励来识别模型利用漏洞的行为，提升数学和编码任务的监控效果。

Comments ICLR 2026 Oral Presentation

LVTINO: LAtent Video consisTency INverse sOlver for High Definition Video Restoration

LVTINO：用于高清视频修复的潜在视频一致性逆求解器

Alessio Spagnoletti, Andrés Almansa, Marcelo Pereyra

AI总结 LVTINO是一种基于视频一致性模型的高清视频修复逆求解器，通过无需自动微分的条件机制实现高效高质量的视频重建。

Comments 30 pages, 16 figures. The Fourteenth International Conference on Learning Representations, ICLR 2026

Doubly-Robust LLM-as-a-Judge: Externally Valid Estimation with Imperfect Personas

双重鲁棒的LLM-as-a-Judge：具有不完美人设的外部有效性估计

Luke Guerdan, Justin Whitehouse, Kimberly Truong, Kenneth Holstein, Zhiwei Steven Wu

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

AI总结 本研究提出双重鲁棒的LLM-as-a-Judge框架，通过结合不完美的'人设'评分与受抽样偏差影响的人类评分，实现对外部有效性评估的可靠估计。

Comments ICLR 2026 Camera Ready

Re4: Scientific Computing Agent with Rewriting, Resolution, Review and Revision

Re4: 具有重写、推理、审查和修订的科学计算代理

Ao Cheng, Lei Zhang, Guowei He

AI总结 Re4提出一种基于重写、推理、审查和修订机制的科学计算代理，通过协作框架提升代码生成的可靠性与准确性。

Comments 31 pages, 31 figures, Presented at the ICLR 2026 Workshop on AI and Partial Differential Equations (AI&PDE)

Concept-TRAK: Understanding how diffusion models learn concepts through concept-level attribution

Concept-TRAK: 通过概念层面的归因理解扩散模型如何学习概念

Yonghyun Park, Chieh-Hsin Lai, Satoshi Hayakawa, Yuhta Takida, Naoki Murata, Wei-Hsiang Liao, Woosung Choi, Kin Wai Cheuk, Junghyun Koo, Yuki Mitsufuji

机构 * University of Pennsylvania（宾夕法尼亚大学） ； SONY AI（索尼人工智能） ； Sony Group Corporation（索尼集团） 纠错

AI总结 Concept-TRAK通过概念层面归因方法，提升扩散模型对特定概念的解释能力，适用于图像生成中的版权与透明性问题。

Comments This paper has been accepted at ICLR 2026

SPIRAL: Self-Play on Zero-Sum Games Incentivizes Reasoning via Multi-Agent Multi-Turn Reinforcement Learning

SPIRAL：通过多智能体多轮强化学习进行零和游戏的自我对战以促进推理

Bo Liu, Leon Guertler, Simon Yu, Zichen Liu, Penghui Qi, Daniel Balcells, Mickel Liu, Cheston Tan, Weiyan Shi, Min Lin, Wee Sun Lee, Natasha Jaques

机构 * National University of Singapore（新加坡国立大学） ； Northeastern University（东北大学） ； Sea AI Lab（Sea AI 实验室） ； Centre for Frontier AI Research (CFAR), A*STAR（前沿人工智能研究中心（CFAR），A*STAR） ； Plastic Labs ； University of Washington（华盛顿大学） 纠错

AI总结 SPIRAL通过多智能体多轮强化学习在零和游戏中促进推理，展示了模型在多个基准测试中的显著性能提升。

Comments Accepted at ICLR 2026. Code: https://github.com/spiral-rl/spiral

Branched Schrödinger Bridge Matching

分支薛定谔桥匹配

Sophia Tang, Yinuo Zhang, Alexander Tong, Pranam Chatterjee

AI总结 BranchSBM 通过学习分支薛定谔桥，解决多路径表面导航、细胞命运分叉建模及细胞响应模拟中的挑战。

Comments Published at ICLR 2026. (Proceedings of the 14th International Conference on Learning Representations, Rio de Janeiro, Brazil)

Hyperbolic Aware Minimization: Implicit Bias for Sparsity

双曲意识最小化：隐式偏置用于稀疏性

Tom Jacobs, Advait Gadhikar, Celia Rubio-Madrigal, Rebekka Burkholz

AI总结 本文提出双曲意识最小化方法，通过交替优化步骤与双曲镜像步骤提升模型稀疏性，缓解逆度量瓶颈，提高泛化性能。

Comments 38 pages, 12 figures

Journal ref The Fourteenth International Conference on Learning Representations (2026)

Plan and Budget: Effective and Efficient Test-Time Scaling on Reasoning Large Language Models

计划与预算：在推理大语言模型中实现有效且高效的测试时扩展

Junhong Lin, Xinyue Zeng, Jie Zhu, Song Wang, Julian Shun, Jun Wu, Dawei Zhou

AI总结 Plan-and-Budget通过分解复杂查询并动态分配token预算，提升大语言模型在推理任务中的效率与准确性。

Comments This work has been accepted to the ICLR 2026 (International Conference on Learning Representations)

Exploiting Low-Dimensional Manifold of Features for Few-Shot Whole Slide Image Classification

利用特征的低维流形进行少样本全滑动图像分类

Conghao Xiong, Zhengrui Guo, Zhe Xu, Yifei Zhang, Raymond Kai-Yu Tong, Si Yong Yeo, Hao Chen, Joseph J. Y. Sung, Irwin King

机构 * The Chinese University of Hong Kong（香港中文大学） ； Centre of AI in Medicine, Singapore（新加坡人工智能医学中心） ； The Hong Kong University of Science and Technology（香港科学大学） ； Nanyang Technological University（南洋理工大学） ； Lee Kong Chian School of Medicine, Nanyang Technological University（南洋理工大学Lee Kong Chian医学学院） ； MedVisAI Lab, Singapore（新加坡MedVisAI实验室） 纠错

AI总结 本文提出Manifold Residual块，通过几何意识的残差学习方法，解决少样本全滑动图像分类中的过拟合问题，实现更高效的模型性能。

Comments Accepted to ICLR 2026

Astral: training physics-informed neural networks with error majorants

Astral: 通过误差上界训练物理信息神经网络

Vladimir Fanaskov, Tianchi Yu, Alexander Rudikov, Ivan Oseledets

机构 * INM（研究所） 纠错

AI总结 Astral通过误差上界训练物理信息神经网络，实现更准确的误差估计和更快的收敛速度。

Comments Accepted to ICLR 2026 workshop AI&PDE, reviewed at https://openreview.net/forum?id=TcFpJK2FcN

DGNet: Discrete Green Networks for Data-Efficient Learning of Spatiotemporal PDEs

DGNet: 用于数据高效学习时空偏微分方程的离散绿色网络

Yingjie Tan, Quanming Yao, Yaqing Wang

机构 * Beijing Institute of Mathematical Sciences and Applications（北京数学科学与应用研究所） 纠错

AI总结 DGNet通过离散格林网络实现时空PDE的数据高效学习，利用结构归纳偏置提升样本效率和泛化能力。

Comments Accepted as a conference paper at ICLR 2026

Learning Domain-Aware Task Prompt Representations for Multi-Domain All-in-One Image Restoration

学习多领域任务提示表示以实现多领域一体化图像修复

Guanglu Dong, Chunlei Li, Chao Ren, Jingliang Hu, Yilei Shi, Xiao Xiang Zhu, Lichao Mou

机构 * Sichuan University（四川大学） ； MedAI Technology (Wuxi) Co. Ltd.（MedAI技术（无锡）有限公司） ； Technical University of Munich（慕尼黑技术大学） 纠错

AI总结 提出DATPRL-IR，通过多领域任务提示表示学习实现多领域一体化图像修复，优于现有方法并具备强泛化能力

Comments ICLR 2026

Dual Distillation for Few-Shot Anomaly Detection

双蒸馏用于少样本异常检测

Le Dong, Qinzhong Tan, Chunlei Li, Jingliang Hu, Yilei Shi, Weisheng Dong, Xiao Xiang Zhu, Lichao Mou

机构 * Xidian University（西安电子科技大学） ； MedAI Technology (Wuxi) Co. Ltd.（医影科技（无锡）有限公司） ； Technical University of Munich（慕尼黑技术大学） 纠错

AI总结 D$^2$4FAD通过双蒸馏框架实现少样本医学异常检测，利用预训练编码器和动态加权机制提升检测性能。

Comments ICLR 2026

MVR: Multi-view Video Reward Shaping for Reinforcement Learning

MVR：多视图视频奖励塑造用于强化学习

Lirui Luo, Guoxi Zhang, Hongming Xu, Yaodong Yang, Cong Fang, Qing Li

机构 * School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室） 纠错

AI总结 MVR通过多视角视频和视觉语言模型提升强化学习中的奖励塑造，有效解决复杂动态任务中的状态相关性和视角偏见问题。

Comments ICLR 2026

Chain-of-Context Learning: Dynamic Constraint Understanding for Multi-Task VRPs

上下文链学习：多任务VRP中的动态约束理解

Shuangchun Gui, Suyu Liu, Xuehe Wang, Zhiguang Cao

机构 * School of Computing and Information Systems, Singapore Management University, Singapore（新加坡管理大学计算机与信息学院） ； Guangdong Laboratory of AI and Digital Economy, Shenzhen, Guangdong, China（广东人工智能与数字经济实验室） ； School of Artificial Intelligence, Sun Yat-sen University, Zhuhai, Guangdong, China（中山大学人工智能学院） 纠错

AI总结 CCL通过逐步捕捉动态上下文来改进多任务VRP中的约束理解，通过RGCR和TSNR模块实现细粒度节点适应，有效提升求解性能。

Comments This paper is accepted by ICLR 2026

Boosting Entropy with Bell Box Quantization

通过贝尔盒量化提升熵

Ningfeng Yang, Tor M. Aamodt

机构 * University of British Columbia（不列颠哥伦比亚大学） 纠错

AI总结 BBQ是一种信息最优且计算高效的量化方法，通过在输入领域执行信息最优量化并在输出领域映射到计算高效类型，显著提升了模型的困惑度性能。

Comments Published as a conference paper at ICLR 2026

Scalable Multi-Task Low-Rank Model Adaptation

可扩展的多任务低秩模型适应

Zichen Tian, Antoine Ledent, Qianru Sun

机构 * Singapore Management University（新加坡国立管理学院） 纠错

AI总结 mtLoRA通过频谱感知正则化、块级别适应和细粒度路由，解决多任务低秩适应中的参数和表示不一致问题，实现高效且高准确率的模型适应。

Comments Published as a conference paper at ICLR 2026. 21 pages, 4 figures, 11 tables. Code is available

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

Retrieval, Refinement, and Ranking for Text-to-Video Generation via Prompt Optimization and Test-Time Scaling

通过提示优化和测试时扩展实现文本到视频生成的检索、细化与排序

Zillur Rahman, Alex Sheng, Cristian Meo

机构 * Algoverse AI 纠错

AI总结 本文提出3R框架，通过提示优化和测试时扩展提升文本到视频生成的准确性与效率。

Comments 2026 ICLR TTU Workshop

Inference-Time Safety For Code LLMs Via Retrieval-Augmented Revision

通过检索增强的修订实现代码LLM的推理时安全性

Manisha Mukherjee, Vincent J. Hellendoorn

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

AI总结 通过检索增强的修订机制提升代码LLM的推理时安全性，提高生成代码的安全性并减少漏洞。

Comments Accepted at the ICLR 2026 Workshop on Principled Design for Trustworthy AI: Interpretability, Robustness, and Safety Across Modalities

Radiometrically Consistent Gaussian Surfels for Inverse Rendering

辐射一致的高斯 Surfels 用于反演渲染

Kyu Beom Han, Jaeyoon Kim, Woo Jae Kim, Jinhwan Seo, Sung-eui Yoon

机构 * School of Computing（计算机学院） ； Korea Advanced Institute of Science and Technology（韩国科学技术院） 纠错

AI总结 RadioGS通过引入辐射一致性约束，结合高斯Surfels和二维高斯射线追踪，实现高效的反演渲染，提升对间接光照的建模精度。

Comments 9 pages, 6 figures, ICLR 2026 Oral paper

Enhancing Persona Following at Decoding Time via Dynamic Importance Estimation for Role-Playing Agents

通过动态重要性估计增强解码时的个性跟随以用于角色扮演代理

Yuxin Liu, Mingye Zhu, Siyuan Liu, Bo Hu, Lei Zhang

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 本文提出了一种基于理论的动态重要性估计方法，通过加权奖励引导解码提升角色扮演代理在动态场景中的个性跟随能力。

Comments ICLR 2026

Provable and Practical In-Context Policy Optimization for Self-Improvement

可证明且实用的上下文内策略优化用于自我改进

Tianrun Yu, Yuxiao Yang, Zhaoyang Wang, Kaixiang Zhao, Porter Jenkins, Xuchao Zhang, Chetan Bansal, Huaxiu Yao, Weitong Zhang

AI总结 本文提出ICPO方法，通过上下文内自我反思和最小熵优化，在保持低推理成本的同时实现数学推理任务的高性能

Comments 34 pages, 8 tables, 4 figures, Accepted by ICLR 2026

I Can't Believe It's Not Robust: Catastrophic Collapse of Safety Classifiers under Embedding Drift

我难以相信它不稳健：在嵌入漂移下安全分类器的灾难性崩溃

Subramanyam Sahoo, Vinija Jain, Divya Chaudhary, Aman Chadha

机构 * Independent（独立研究者） ； Meta AI ； AWS Generative AI Innovation Center, Amazon Web Services（AWS生成式AI创新中心，亚马逊网络服务） ； Northeastern University, Seattle, WA, USA（东北大学，西雅图，华盛顿州，美国） ； Stanford University（斯坦福大学） 纠错

AI总结 研究发现嵌入漂移导致安全分类器性能大幅下降，揭示了生产AI安全架构的脆弱性并挑战了安全机制的转移假设。

Comments Accepted at the ICBINB: Where LLMs Need to Improve workshop at ICLR 2026. 12 pages and 3 Figures