TurboBoA: Faster and Exact Attention-aware Quantization without Backpropagation
TurboBoA: 更快且精确的注意力感知量化无需反向传播
机构 * Samsung Research（三星研究院） ； SNU.ac.kr（首尔国立大学）
AI总结 TurboBoA是一种无需反向传播的高效PTQ算法，通过联合量化和误差补偿提升精度与速度，实现比BoA更快的量化过程。
Comments ICLR 2026
期刊&会议
ICLR
International Conference on Learning Representations · 会议 · Machine Learning
Neural Networks Learn Generic Multi-Index Models Near Information-Theoretic Limit
神经网络在信息论极限附近学习通用多索引模型
机构 * Peking University（北京大学） ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 神经网络通过梯度下降在信息论极限内高效学习多索引模型，证明两层网络在特定条件下能以最优样本和时间复杂度实现目标学习。
Comments 85 pages, 2 figures. The order of the first two authors was determined by a coin flip. Accepted by ICLR 2026
How Catastrophic is Your LLM? Certifying Risk in Conversation
你的LLM有多危险？对话中风险的认证
机构 * University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本研究提出C$^3$LLM框架，通过统计方法认证LLMs在多轮对话中的灾难性风险，揭示前沿模型中高达70%的潜在风险，强调改进安全训练的必要性。
Comments Accepted by ICLR 2026
Relational Graph Transformer
关系图变换器
机构 * Stanford University（斯坦福大学） ； NVIDIA
AI总结 RelGT通过新颖的多元素分词策略，解决关系图中异构性、时效性和拓扑结构的编码问题，实现对关系数据的高效建模，优于GNN基线。
Comments ICLR 2026, Code: https://github.com/snap-stanford/relgt
LycheeDecode: Accelerating Long-Context LLM Inference via Hybrid-Head Sparse Decoding
LycheeDecode: 通过混合头稀疏解码加速长上下文LLM推理
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳研究院）
AI总结 LycheeDecode通过混合头稀疏解码方法，实现长上下文LLM推理的高效与高质量
Comments ICLR 2026
Journey to the Centre of Cluster: Harnessing Interior Nodes for A/B Testing under Network Interference
集群中心之旅：利用内部节点在存在网络干扰下的A/B测试
机构 * Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； Tencent Inc.（腾讯公司）
AI总结 本文提出了一种基于内部节点的A/B测试方法，通过直接平均内部节点来降低方差，并利用反事实预测器调整协变量分布偏移，以提高估计精度。
Comments ICLR 2026
Fine-Grained Activation Steering: Steering Less, Achieving More
细粒度激活引导：引导更少，实现更多
机构 * School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（电子与电气工程学院，南洋理工大学，新加坡） ； Home Team Science and Technology Agency (HTX), Singapore（家庭团队科技局（HTX），新加坡）
AI总结 AUSteer通过细粒度激活引导方法，精准干预有益激活单元，提升LLM行为调整的效率与效果。
Comments ICLR 2026
From Assumptions to Actions: Turning LLM Reasoning into Uncertainty-Aware Planning for Embodied Agents
从假设到行动：将大语言模型推理转化为具有不确定性的代理规划
机构 * Department of Computer Science and Engineering, Korea University（计算机科学与工程系，韩国大学）
AI总结 PCE框架通过结构化决策树将LLM推理中的假设转化为可靠策略，提升多智能体环境下的规划效率和任务完成率。
Comments 31 pages, 10 figures, Accepted ICLR 2026
Event-T2M: Event-level Conditioning for Complex Text-to-Motion Synthesis
事件级条件化：复杂文本到动作合成的事件级条件化
AI总结 Event-T2M通过事件级条件化方法提升复杂文本到动作合成的生成质量，验证了事件定义的有效性与多事件动作生成的优越性。
Comments 28 pages, 7 figures. Accepted to ICLR 2026
Pruning for Generalization: A Transfer-Oriented Spatiotemporal Graph Framework
剪枝以提升泛化能力：一种面向转移的时空图框架
机构 * Department of Computer Science Western University London, Canada（计算机科学系 温哥华大学 加拿大伦敦）
AI总结 TL-GPSTGN通过结构感知的上下文剪枝提升时空预测模型的泛化能力与样本效率。
Comments Under review at ICLR 2026 Workshop TSALM
Benchmarking Bias Mitigation Toward Fairness Without Harm from Vision to LVLMs
面向视觉到大视觉语言模型的公平性无害基准测试
机构 * The Ohio State University（俄亥俄州立大学） ； Stevens Institute of Technology（史蒂文斯理工学院）
AI总结 NH-Fair提出一个统一基准，评估视觉到大视觉语言模型的公平性无害性，通过系统调优和数据增强方法减少偏见，提升公平性和准确性。
Comments Accepted at ICLR 26
RF-DETR: Neural Architecture Search for Real-Time Detection Transformers
RF-DETR：实时检测Transformer的神经架构搜索
机构 * Roboflow ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 RF-DETR通过轻量级检测Transformer和神经架构搜索，在实时检测中实现更高的精度和速度，超越现有方法。
Comments This work has been accepted to the International Conference on Learning Representations (ICLR) 2026. Project Page: https://rfdetr.roboflow.com/
Information Shapes Koopman Representation
信息形状Koopman表示
机构 * Dynamic Systems Lab, University College London（伦敦大学学院动态系统实验室） ； Department of Earth Science and Engineering, Imperial College London（伦敦帝国理工学院地球科学与工程系） ； Santa Fe Institute（圣达菲研究所） ； CEREA, ENPC and EDF R&D, Institut Polytechnique de Paris（巴黎理工学院CEREA、ENPC和EDF R&D） ； School of Statistics and Data Science, Shanghai University of Finance and Economics（上海金融学院统计与数据科学学院） ； Institute of Big Data Research, Shanghai University of Finance and Economics（上海金融学院大数据研究所）
AI总结 本文提出了一种基于信息论的拉格朗日方法，平衡Koopman表示的简洁性与表达性，通过可视化和实验验证提升了动态系统建模的性能。
Comments Published as a conference paper at ICLR 2026
Statistical Guarantees for Offline Domain Randomization
离线领域随机化的统计保证
机构 * UC Berkeley（加州大学伯克利分校） ； École Polytechnique（巴黎高等理工学院）
AI总结 本文研究了离线领域随机化（ODR）的统计保证，将其视为参数仿真器家族的最大似然估计，并在温和条件和均匀利普希茨连续性假设下提供弱一致和强一致保证，以指导下游离线强化学习的随机化分布选择。
Comments ICLR 2026
DiffVax: Optimization-Free Image Immunization Against Diffusion-Based Editing
DiffVax: 面向扩散编辑的无优化图像免疫方法
机构 * UIUC（伊利诺伊大学香槟分校） ； UT Austin（得克萨斯大学奥斯汀分校） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 DiffVax通过无优化的损失项实现高效的图像免疫，显著提升防御扩散编辑的速度和鲁棒性。
Comments Accepted into ICLR 2026. Project webpage: https://diffvax.github.io/
SPWOOD: Sparse Partial Weakly-Supervised Oriented Object Detection
SPWOOD：稀疏部分弱监督定向目标检测
机构 * Shanghai Jiao Tong University（上海交通大学） ； Nanjing University of Science and Technology（南京理工大学）
AI总结 SPWOOD提出一种稀疏部分弱监督定向目标检测框架，通过稀疏标注和多级伪标签过滤策略提升检测性能，适用于遥感领域高成本标注问题。
Comments The Fourteenth International Conference on Learning Representations (ICLR 2026)
The Path of Least Resistance: Guiding LLM Reasoning Trajectories with Prefix Consensus
最小阻力路径：利用前缀一致性引导大语言模型推理轨迹
机构 * Fujitsu Research India（富士通印度研究实验室） ； SRID ； Samsung R&D Institute India-Delhi（三星印度德里研发研究所）
AI总结 PoLR通过利用前缀一致性在推理过程中提高计算效率，减少令牌使用和延迟，同时保持自我一致性方法的准确性。
Comments Accepted at ICLR 2026. https://openreview.net/forum?id=hrnSqERgPn
Grokking in LLM Pretraining? Monitor Memorization-to-Generalization without Test
在LLM预训练中“Grokking”？无需测试即可监控记忆到泛化的过程
机构 * Department of Computer Science, University of Maryland, College Park（计算机科学系，马里兰大学，学院公园）
AI总结 本文研究了LLM预训练中“Grokking”现象，通过分析训练数据路径的动态变化，提出两种新度量标准以监控模型泛化能力，无需额外成本。
Comments Accepted at ICLR 2026
Redirection for Erasing Memory (REM): Towards a universal unlearning method for corrupted data
删除记忆的重定向（REM）：一种针对损坏数据的通用反学习方法
机构 * University of Cambridge（剑桥大学） ； Google DeepMind（谷歌DeepMind） ； Google Research（谷歌研究）
AI总结 REM通过重定向损坏数据到专用神经元，有效处理多种损坏数据反学习任务，优于现有方法。
Comments Accepted as a main track paper at ICLR 2026 https://openreview.net/forum?id=xG0mQ4Xsfm
Building spatial world models from sparse transitional episodic memories
从稀疏的过渡性片段记忆中构建空间世界模型
机构 * Department of Computer Science, McGill University（麦吉尔大学计算机科学系） ； Department of Physiology, McGill University（麦吉尔大学生理学系） ； Mila, Université de Montréal（蒙特利尔大学Mila）
AI总结 本文提出ESWM模型，通过稀疏片段记忆构建空间地图，实现环境探索和导航的高效适应能力。
Comments Accepted ICLR 2026
Rethinking Bottlenecks in Safety Fine-Tuning of Vision Language Models
重新审视视觉语言模型安全微调中的瓶颈
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Purdue University（普渡大学） ； Tianjin University（天津大学）
AI总结 本文提出多图像安全数据集，通过增强视觉推理能力，提升模型在安全关键任务中的性能与通用能力。
Journal ref ICLR 2026
From Vicious to Virtuous Cycles: Synergistic Representation Learning for Unsupervised Video Object-Centric Learning
从恶性循环到良性循环：用于无监督视频对象中心学习的协同表征学习
机构 * Sungkyunkwan University（顺天大学）
AI总结 本文提出协同表征学习（SRL）方法，通过编码器与解码器的相互细化打破恶性循环，提升视频对象中心学习的性能。
Comments ICLR 2026; Code is available at https://github.com/hynnsk/SRL
Rethinking Benign Relearning: Syntax as the Hidden Driver of Unlearning Failures
重新思考无害再学习：语法作为消除失败的隐藏驱动因素
机构 * Department of Artificial Intelligence, Yonsei University（人工智能系，延世大学）
AI总结 本文通过语法相似性驱动良性再学习现象，提出语法多样化方法以抑制再学习并提升无学习效果。
Comments Accepted at ICLR 2026
PACE: Pretrained Audio Continual Learning
PACE：预训练音频持续学习
机构 * Department of Psychological and Cognitive Sciences, Tsinghua University（心理与认知科学系，清华大学）
AI总结 PACE通过改进的分析分类器和自适应子空间正交PEFT，提升预训练模型在音频持续学习中的鲁棒性和可扩展性。
Comments Accepted at ICLR 2026
FSOD-VFM: Few-Shot Object Detection with Vision Foundation Models and Graph Diffusion
基于视觉基础模型和图扩散的少样本目标检测：FSOD-VFM
机构 * University of Macau（澳门大学） ； Intellindust AI Lab（Intellindust AI实验室）
AI总结 FSOD-VFM通过结合视觉基础模型和图扩散技术，有效解决少样本目标检测中的边界框碎片化问题，提升检测精度和效率。
Comments Accepted by ICLR 2026. Code is available at: \url{https://intellindust-ai-lab.github.io/projects/FSOD-VFM}
IVC-Prune: Revealing the Implicit Visual Coordinates in LVLMs for Vision Token Pruning
IVC-Prune: 在大型视觉-语言模型中揭示隐式的视觉坐标以进行视觉标记剪枝
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； Xiaohongshu Inc（小红书公司）
AI总结 IVC-Prune通过揭示LVLMs中隐式的视觉坐标，提出一种无训练、提示感知的视觉标记剪枝方法，有效减少标记数量并保持高性能。
Comments Accepted to ICLR 2026
NLI:Non-uniform Linear Interpolation Approximation of Nonlinear Operations for Efficient LLMs Inference
NLI：非均匀线性插值近似非线性操作以实现高效的大语言模型推理
机构 * Houmo AI ； Southeast University（南京东南大学）
AI总结 本文提出NLI框架，通过非均匀线性插值高效近似非线性操作，提升大语言模型推理效率。
Comments Admitted to ICLR 18pages 5 figures
Hierarchical Entity-centric Reinforcement Learning with Factored Subgoal Diffusion
分层实体导向强化学习与分因子子目标扩散
机构 * Brown University（布朗大学） ； UT Austin（得克萨斯大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Technion（技术学院）
AI总结 本文提出分层实体导向强化学习方法，通过分因子子目标生成模型提升多实体领域中长周期任务的性能。
Comments ICLR 2026
SurfSplat: Conquering Feedforward 2D Gaussian Splatting with Surface Continuity Priors
SurfSplat：通过表面连续性先验攻克前馈2D高斯散射
机构 * Shanghai Jiao Tong University（上海交通大学） ； Tianyi Shilian Technology Co., Ltd（天翼视联科技有限公司）
AI总结 SurfSplat通过表面连续性先验和强制alpha混合策略，提升稀疏输入下高保真3D重建的几何精度和纹理一致性
Comments ICLR 2026; Project Page: https://hebing-sjtu.github.io/SurfSplat-website/
A2D: Any-Order, Any-Step Safety Alignment for Diffusion Language Models
A2D: 任意顺序、任意步长的安全对齐用于扩散语言模型
机构 * Department of Artificial Intelligence, Yonsei University（人工智能系，延世大学） ； Department of Computer Science and Engineering, Yonsei University（计算机科学与工程系，延世大学）
AI总结 A2D通过令牌级对齐方法，在扩散语言模型中实现任意顺序和步长攻击的鲁棒防御，显著降低有害输出生成概率并提升安全终止效率。
Comments Accepted at ICLR 2026. Code and models are available at https://ai-isl.github.io/A2D
