Is Code Better Than Language for Algorithmic Reasoning
算法推理中代码是否优于语言
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 通过分离中间表示与执行机制，在40个任务上比较代码执行与自然语言推理，发现代码执行优势源于外部执行而非表示变化。
Comments ICML 2026
期刊&会议
ICML
International Conference on Machine Learning · 会议 · Machine Learning
Beyond Classification: A Cough Regression Benchmark for Respiratory Acoustic Foundation Models
超越分类：呼吸声学基础模型的咳嗽回归基准
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出多模型多目标咳嗽回归基准，评估五个基础模型在六个目标上的表现，发现MLP-small优于线性探测，揭示数据集大小与头部容量的权衡，并展示跨数据集迁移的不对称性。
Comments Accepted at the ICML 2026 Workshop on Structured Data for Health
Timestep Rescheduling in Diffusion Inversion
扩散反演中的时间步重调度
机构 * Nanyang Technological University（南洋理工大学）
AI总结 针对扩散反演中时间步选择影响反演精度的问题，提出一种基于全局重缩放和局部动态规划的非均匀时间步调度器，有效降低反演误差，提升图像重建与编辑性能。
Comments Accepted by ICML 2026. 23 pages, including appendices
CODA-BENCH: Can Code Agents Handle Data-Intensive Tasks?
CODA-BENCH：代码智能体能否处理数据密集型任务？
机构 * Renmin University of China（中国人民大学）
AI总结 提出CODA-BENCH基准，在数据密集型环境中联合评估代码与数据智能，包含1009个任务，平均每个环境980个文件，揭示当前智能体在数据发现与代码执行整合上的不足。
Comments Accepted at ICML 2026. 37 pages, 11 figures. Project page: https://coda-bench.github.io/ Code: https://github.com/ruc-datalab/CoDA-Bench Data: https://huggingface.co/datasets/RUC-DataLab/CoDA-Bench
Conformal Candidate Certification for Offline Model-Based Optimization
离线模型优化的共形候选认证
机构 * Seungjin Choi（Choi）
AI总结 提出共形候选认证（CCC）方法，通过加权共形预测为离线模型优化中的候选设计提供校准的单侧下界，确保超过目标阈值的候选被认证，解决了分布偏移下的统计可靠性问题。
Comments ICML 2026 Workshop on Decision-Making from Offline Datasets to Online Adaptation: Black-Box Optimization to Reinforcement Learning
Controlled Dynamics Attractor Transformer
受控动力学吸引子Transformer
机构 * Xi'an Jiaotong University（西安交通大学） ； Tsinghua University（清华大学）
AI总结 提出受控动力学吸引子Transformer（CDAT），通过耦合混合von Mises-Fisher注意力能量与Hopfield精炼能量，并引入CANN启发的兴奋-抑制调制，实现拓扑约束的动力学系统，在图异常检测和图分类任务上达到最优性能。
Comments 20pages,3 figures
Journal ref Forty-Third International Conference on Machine Learning(ICML 2026)
Keep It in Mind: User Centric Continual Spatial Intelligence Reasoning in Egocentric Video Streams
铭记于心：面向用户中心的持续空间智能推理在自我中心视频流中的应用
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出UCS-Bench数据集和DirectMe框架，通过增量构建结构化空间记忆，实现自我中心视频流中动态空间推理、长期记忆与用户实时位置对齐，显著提升多模态大模型的空间推理能力。
Comments 45 pages. https://icml.cc/virtual/2026/poster/63682
Journal ref ICML 2026
Diversity-Driven Offline Multi-Objective Optimization via Nested Pareto Set Learning
基于嵌套帕累托集学习的多样性驱动离线多目标优化
机构 * Shanghai Institute of AI for Education（上海人工智能教育研究院） ； School of Computer Science（计算机科学学院） ； East China Normal University（华东师范大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 针对离线多目标优化中的分布外问题，提出DOMOO方法，通过累积风险控制、嵌套帕累托集学习和多样性驱动选择策略，在合成和真实基准上实现了收敛性和多样性的最佳平均排名。
Comments 32 pages, 7 figures, accepted by ICML 2026. Project: https://github.com/YaolinWen/DOMOO
Think Less, Act Early: Reinforced Latent Reasoning with Early Exit in Vision-Language-Action Models
少思考，早行动：视觉-语言-动作模型中带早退的强化潜在推理
机构 * Tsinghua University, Beijing, China（清华大学）
AI总结 提出AVA-VLA框架，通过强化学习去噪和早退策略优化潜在推理轨迹，在LIBERO上实现6倍推理加速和98.3%平均成功率。
Comments Accepted at ICML 2026
Stop When Further Reasoning Won't Help: Attention-State Adaptive Generation in Reasoning Models
当进一步推理无益时停止：推理模型中的注意力状态自适应生成
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Ubiquitous Intelligence and Trusted Services Key Laboratory of Sichuan Province（四川省 ubiquitous 智能与可信服务重点实验室）
AI总结 针对大型推理模型过度思考导致冗余和准确率下降的问题，提出无需训练的注意力状态自适应生成方法ASAG，通过推断推理状态动态调整生成策略，在多个基准上平均准确率提升3.2%，生成token减少近40%。
Comments ICML 2026 Spotlight
Temporal Difference Learning for Diffusion Models
扩散模型的时间差分学习
机构 * Department of Engineering Science, University of Oxford, Oxford, United Kingdom（牛津大学工程科学系） ； School of Computer Science, Carleton University, Ottawa, Canada（卡尔顿大学计算机科学学院）
AI总结 提出时间差分（TD）目标函数，通过将扩散过程视为马尔可夫奖励过程并利用强化学习中的策略评估，强制去噪轨迹上的跨时间一致性，显著提升少步采样下的生成质量。
Comments 15 pages, 4 figures. Accepted at ICML 2026
AI Engram: In Search of Memory Traces in Artificial Intelligence
AI Engram: 在人工智能中寻找记忆痕迹
机构 * University of California, Berkeley（加州大学伯克利分校） ； KAIST（韩国科学技术院）
AI总结 提出几何框架，通过约束逆问题形式化神经科学标准，识别深度神经网络中的记忆痕迹（AI engram），实现记忆的线性组合与擦除，无需迭代优化。
Comments Accepted to ICML 2026 (Oral). Code is available at https://github.com/jeakwon/ai-engram/
Differentially Private Submodular Maximization with a Knapsack Constraint
带背包约束的差分隐私子模最大化
AI总结 研究带背包约束的子模最大化问题在差分隐私下的算法，针对单调目标提出最优(1-1/e)-近似算法，非单调目标首次给出1/4-近似算法。
Comments ICML 2026
Semantics-Enhanced Retrieval-Augmented Time Series Forecasting
语义增强的检索增强时间序列预测
机构 * University of California, Berkeley（加州大学伯克利分校） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； University of Montreal（蒙特利尔大学）
AI总结 针对非平稳性下仅靠时间序列相似性检索不足的问题，提出SERAF框架，通过双模态检索（时间序列及其自生成文本描述）联合利用历史模式，提升预测性能。
Comments Accepted to the ICML 2026 Workshop on Forecasting as a New Frontier of Intelligence
Relational Structural Causal Models
关系结构因果模型
机构 * Causal Artificial Intelligence Lab, Columbia University（哥伦比亚大学因果人工智能实验室）
AI总结 提出关系结构因果模型，将结构因果模型扩展到对象和关系可变的场景，通过关系因果图和符号识别准则实现未见组合的因果和观测查询识别，并设计关系神经因果模型在交通场景中优于非关系基线。
Comments Proceedings of the Forty-Third International Conference on Machine Learning
Position: The Systemic Lack of Agency in Visual Reasoning
立场：视觉推理中系统性的能动性缺失
机构 * National Engineering Research Center for Multimedia Software, Institute of Artificial Intelligence, School of Computer Science, Wuhan University（武汉大学计算机学院人工智能研究所多媒体软件工程研究中心） ； Hubei Key Laboratory of Multimedia（湖北省多媒体与网络通信工程重点实验室） ； Zhongguancun Academy, Beijing, China. 100094（中关村学院，北京，中国） ； School of Automation, Beijing Institute of Technology（北京理工大学自动化学院） ； Shanda AI Research Tokyo（上海大势人工智能研究东京）
AI总结 本文指出当前视觉语言模型因缺乏自主探索能力而无法进行隐式推理，并提出V-IRD基准来评估这一能力，实验表明强语义识别不等同于主动视觉探索。
Comments Accepted by ICML 2026
Spatial Priors via Space Filling Curves for Small and Limited Data Vision Transformers
基于空间填充曲线的小型与有限数据视觉Transformer的空间先验
机构 * ETH Zürich（苏黎世联邦理工学院）
AI总结 提出VIOLIN，一种轻量级掩码注意力机制，通过空间填充曲线编码空间结构，以极小的参数和计算开销为视觉Transformer注入空间归纳偏置，在小模型和有限数据场景下显著提升性能。
Comments ICML 2026
Divide-and-Denoise: A Game-Theoretic Method for Fairly Composing Diffusion Models
分而除噪：一种公平组合扩散模型的博弈论方法
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Washington（华盛顿大学） ； University of Cambridge（剑桥大学）
AI总结 提出Divide-and-Denoise方法，通过公平分配博弈协调多个预训练扩散模型，在采样时划分区域并引导各模型去噪，解决模型主导或冲突问题，在条件图像生成中优于基线。
Comments Accepted as spotlight at ICML 2026
Quantizing Time-Series Models As Dynamical Systems: Trajectory-Based Quantization Sensitivity Score
将时间序列模型量化为动力系统：基于轨迹的量化敏感度评分
AI总结 提出基于轨迹的量化敏感度评分（TQS），从动力系统稳定性角度分析量化误差传播，实现无需校准数据的混合精度量化。
Comments ICML 2026, Workshop on Forecasting as a New Frontier of Intelligence
When the Chain of Thought Knows Better: Failure Modes in Multi-Turn Reasoning Models
当思维链更清楚时：多轮推理模型的失败模式
AI总结 提出CoT-Output 2x2安全矩阵诊断多轮推理模型隐藏的时间动态失败，发现监督悖论和上下文注入失败两种可复现漏洞。
Comments Accepted at the ICML 2026 Workshop on Failure Modes in Agentic AI (FAGEN)
Anytime-Valid Confirmation of Label-Shift Corrections
标签偏移修正的任意有效确认
机构 * Seungjin Choi
AI总结 针对标签稀缺时预指定偏移修正的确认问题，提出基于条件e值的任意有效序贯检验方法，利用似然比乘积构造非负鞅，将常规模型监测转化为正式检验。
Comments ICML 2026 Workshop on Hypothesis Testing
The Perceived Fragility of Explanations in Audio Models: Manipulation of Attribution with Unchanged Predictions
音频模型中解释的感知脆弱性：在预测不变的情况下操纵归因
机构 * University of Warsaw（华沙大学）
AI总结 提出一种心理声学框架，通过优化不可听扰动来解耦模型归因与分类，证明在音频深度伪造检测中可系统扭曲解释热图而保持预测标签不变。
Comments Accepted to the ICML 2026 Workshop on Machine Learning for Audio: 5 pages, 4 figures
Federated Learning for Feature Generalization with Convex Constraints
基于凸约束的联邦学习特征泛化
机构 * Dongwon Kim（金东Won） ； Donghee Kim（金东浩） ； Sung Kuk Shyn（申 Sung Kuk） ； Kwangsu Kim（金光Su）
AI总结 针对联邦学习中客户端数据异构导致的泛化问题，提出FedCONST方法，利用线性凸约束自适应调整更新幅度，平衡参数学习，并通过梯度信噪比分析验证其有效性，实现跨异构环境的强泛化。
Comments Accepted at the 42nd International Conference on Machine Learning (ICML 2025)
CSPO: Constraint-Sensitive Policy Optimization for Safe Reinforcement Learning
CSPO: 面向安全强化学习的约束敏感策略优化
机构 * University of Luxembourg（卢森堡大学）
AI总结 提出约束敏感策略优化（CSPO），通过引入局部约束敏感性修正原目标，加速安全恢复并减少振荡，在导航与运动基准上取得更高约束回报。
Comments Accepted as a Spotlight paper at the 43rd International Conference on Machine Learning (ICML 2026)
A Low-Rank Subspace Analysis of LLM Interventions
LLM干预的低秩子空间分析
机构 * University of Cambridge（剑桥大学）
AI总结 提出诊断框架，将行为建模为激活空间中的低秩子空间，发现干预一个行为会不对称地影响其他行为，效果与子空间重叠和决策子空间角度相关。
Comments Mechanistic Interpretability Workshop @ ICML 2026
ForceForget: Reinforcement Concept Removal for Enhancing Safety in Text-to-Image Models
ForceForget: 通过强化概念移除增强文本到图像模型的安全性
机构 * Dong Han（董汉） ； Yong Li（李勇）
AI总结 针对文本到图像模型生成不安全内容的问题，提出基于强化学习优化概念擦除奖励的方法，通过安全适配器调节文本嵌入，在消除不安全内容的同时保持模型对安全语义的生成能力。
Comments Accepted to ICML 2026
When Language Representations Interact: Separability and Cross-Lingual Effects in LLMs
当语言表示交互时：LLM中的可分离性与跨语言效应
机构 * University of Oxford（牛津大学） ； Imperial College London（帝国理工学院） ； University of York（约克大学）
AI总结 通过因果几何分析，研究多语言LLM中语言表示的线性可分离性及跨语言结构依赖，发现语言概念在协方差调整内积下可分离，同语系语言呈现单纯形几何结构。
Comments Trustworthy AI for Good (AI4Good) Workshop @ ICML 2026
'AI Alignment' Encompasses Competing Technical Priorities
“AI对齐”包含相互竞争的技术优先级
AI总结 本文指出AI对齐概念存在多种定义，不同研究项目下的对齐干预可能相互冲突，并建议研究者区分政策与科学范围、明确方法分歧、区分理想与代理指标、细化危害/收益来源、承认概念多样性。
Comments 9 pages, 0 figures, 2 tables, ICML 2026
Hierarchical ODE: Learning Continuous-Time Physical Prototypes for Early Link Failure Detection
层次化常微分方程：学习连续时间物理原型用于早期链路故障检测
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出层次化常微分方程聚类网络，利用神经ODE建模连续潜状态演化，解耦随机噪声与动态趋势，自适应确定原型数量，在不规则采样时间序列的早期链路故障检测中有效提取物理原型。
Comments International Conference on Machine Learning 2026
HiST: A Hierarchical Sparse Transformer for Cross-Modal Spatial Transcriptomics Modeling
HiST：用于跨模态空间转录组建模的分层稀疏Transformer
机构 * New Jersey Institute of Technology（新泽西理工学院） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Karolinska Institutet（卡罗林斯卡学院） ； Dartmouth College（达特茅斯学院）
AI总结 提出HiST，一种分层稀疏Transformer，通过稀疏窗口注意力和分辨率变换算子实现高效的多尺度空间转录组推断，显著降低计算开销并提升预测性能。
Journal ref ICML 2026
