Representational Similarity and Model Behavior in Multi-Agent Interaction
多智能体交互中的表征相似性与模型行为
机构 * University of Washington（华盛顿大学）
AI总结 研究LLM对间的表征相似性对合作与创新的影响，发现高相似性促进合作但降低新颖性，且早期层相似性关联最强。
Comments ICML 2026
期刊&会议
ICML
International Conference on Machine Learning · 会议 · Machine Learning
Memetic Capture: A Pluralistic Policy Framework for Governing AI-Driven Cultural Disempowerment
模因捕获：治理AI驱动的文化去权能的多元政策框架
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出“模因捕获”概念，指AI通过文化影响削弱人类自主性，并构建四层文化多元治理框架（CPGF），强调多元主义是结构性必需。
Comments Paper accepted in Pluralistic Alignment Workshop at ICML 2026
scCBGM: Interpretable Single-Cell Counterfactual Editing
scCBGM：可解释的单细胞反事实编辑
机构 * University of Copenhagen（哥本哈根大学） ； University of Cambridge（剑桥大学） ； University of Amsterdam（阿姆斯特丹大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Tokyo（东京大学） ； University of Washington（华盛顿大学） ； University of Oxford（牛津大学）
AI总结 提出scCBGM框架，通过概念瓶颈架构和解耦惩罚实现单细胞反事实编辑，在组合泛化和反事实预测上表现优异。
Comments Accepted to ICML 2026; code at https://github.com/almaan/scCBGM
Cutting LLM Evaluation Costs with SySRs: A Bandit Algorithm that Provably Exploits Model Similarity
利用SySRs降低LLM评估成本：一种可证明利用模型相似性的Bandit算法
机构 * ETH Zurich（苏黎世联邦理工学院） ； Centrale Supélec（中央理工-高等电力学院） ； ENS de Cachan（卡尚高等师范学校） ； MPI for Intelligent Systems, Tübingen（马克斯·普朗克智能系统研究所，图宾根）
AI总结 提出SySRs算法，通过配对比较和自适应分配评估预算，利用模型相似性降低LLM评估成本，在15个基准上平均错误率最低。
Comments Published at ICML 2026
Semantic Cache Distillation: Efficient State Transfer via Reuse and Selective Patching
语义缓存蒸馏：通过重用和选择性修补实现高效状态传输
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对大语言模型推理中KV缓存传输的通信瓶颈和跨模型重用时的语义错位问题，提出语义缓存蒸馏（SCD）框架，通过低秩子空间重建和稀疏过渡层归一化输入预测，实现高达2.65倍的首令牌时间加速，且生成质量接近理想情况。
Comments Accepted to ICML 2026
Disentangling Latent Risk Pathways via Bayesian Hypergraph Inference
通过贝叶斯超图推断解缠潜在风险路径
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出贝叶斯超图推断框架，通过风险因子调节的潜在疾病路径建模多疾病，实现可解释的高阶结构、校准的不确定性估计和罕见病改进预测。
Comments ICML 2026 Oral
AVI-Bench: Toward Human-like Audio-Visual Intelligence of Omni-MLLMs
AVI-Bench：迈向全模态大语言模型的人类级视听智能
机构 * Nanyang Technological University（南洋理工大学）
AI总结 提出AVI-Bench基准，通过感知、理解、推理三阶段跨模态任务评估全模态大语言模型的视听智能，并引入AVI-Bench-PriSe测试原始视听感知，揭示当前模型局限，构建四级AVI分类体系。
Comments 31 pages, 8 figures, ICML 2026
Evaluation of ML Resource Utilization Requires Model Life Cycle Assessment
评估机器学习资源利用需要模型生命周期评估
AI总结 本文提出应用生命周期评估方法全面核算AI系统从硬件制造到训练推理的全链条资源消耗与环境影响，以弥补传统单一训练或推理成本评估的不足。
Comments ICML 2026: Position Paper Track
Active Learning with Foundation Model Priors: Efficient Learning under Class Imbalance
基于基础模型先验的主动学习：类别不平衡下的高效学习
机构 * University of California, Riverside（加州大学河滨分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Worcester Polytechnic Institute（伍斯特理工学院）
AI总结 针对现实数据中的类别不平衡和噪声标注问题，提出一种利用基础模型先验的主动学习框架，通过不平衡感知的协同决策选择信息量最大的样本，在图像和文本数据集上实现超过50%的标注节省。
Comments To appear at ICML 2026
Large Language Models Should Learn Personalized Rather Than Aggregated Human Preferences
大型语言模型应学习个性化而非聚合的人类偏好
机构 * University of Chicago, Data Science Institute（芝加哥大学数据科学学院）
AI总结 本文主张大型语言模型应学习个性化偏好而非聚合偏好，分析聚合偏好的理论局限与实证问题，提出通过有界个性化框架兼顾个体自主与集体安全。
Comments Accepted to ICML 2026
Query Lens: Interpreting Sparse Key-Value Features with Indirect Effects
Query Lens: 通过间接效应解释稀疏键值特征
机构 * KAIST（韩国科学技术院）
AI总结 提出Query Lens方法，通过考虑编码器侧键特征和解码器侧值特征以及下游模块的间接效应，实现对稀疏自编码器特征更全面、忠实的解释。
Comments Accepted to ICML 2026
Shortcuts in the Tail: Debiasing via Post-Hoc Spectral Compression of Fine-Tuning Updates
尾部的捷径：通过微调更新的后验谱压缩进行去偏
机构 * UCLA（加州大学洛杉矶分校） ； Northeastern University（东北大学）
AI总结 提出对微调权重更新进行SVD截断尾部，无需重训练或组标签即可减少虚假关联，在多个模型和基准上以<2%的准确率损失将差距降低最多5倍。
Comments ICML Weight Space Symmetries Workshop 2026
UNIQ: Conformal Calibration for Adaptive Conservatism in Offline Reinforcement Learning
UNIQ: 离线强化学习中的自适应保守性共形校准
机构 * IIIT Delhi（印度德里国际信息技术学院）
AI总结 提出UNIQ方法，通过共形预测校准不确定性，实现状态自适应的保守性惩罚，在D4RL基准上以接近IQL的内存开销提升性能。
Comments 19 pages, 2 figures, ICML 2026 Workshop on Decision-Making from Offline Datasets to Online Adaptation: Black-Box Optimization to Reinforcement Learning
When Should an AI Scientist Stop? Verifiable Experiment Steering and Refusal for Autonomous Discovery
AI科学家何时应停止？可验证实验引导与自主发现的拒绝机制
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CARTOGRAPH验证层，通过未解析子空间引导、模糊闭合和残差库检测，在多个测试中优于原始投影，并能识别和撤销库外机制。
Comments Accepted at AI for Science Workshop at ICML 2026
A Systematic Study of Behavioral Cloning for Scientific Data Annotation
行为克隆在科学数据标注中的系统研究
AI总结 针对科学数据标注中人工验证校正耗时问题，提出行为克隆框架，通过9个合成任务模拟专家策略，发现模型层次化技能习得、多任务预训练高效微调、内部表示共享错误模式等关键结论。
Comments ICML 2026 Oral
DIYHealth Suite: Dataset, Model, and Benchmark for Health Management at Home
DIYHealth Suite：家庭健康管理的数据集、模型与基准
机构 * National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 针对家庭健康管理中的数据异构、任务多变和缺乏统一基准等问题，提出包含大规模多模态数据集DIYHealth-900K、自适应基础模型DIYHealthGPT（采用混合超低秩适应技术）和首个家庭护理基准DIYHealthBench的综合框架，在11项任务上达到最优性能。
Comments Accepted by ICML 2026
DyCon: Dynamic Reasoning Control via Evolving Difficulty Modeling
DyCon: 通过演化难度建模的动态推理控制
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Zhongguancun Academy（中关村学院） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； Shenzhen Loop Area Institute（深圳河套学院） ； Tsinghua University（清华大学）
AI总结 提出DyCon框架，利用步骤级嵌入动态建模推理过程中的难度演化，无需训练即可控制推理深度，减少冗余步骤，提升效率且不损失准确性。
Comments Accepted at ICML 2026
GOTabPFN: From Feature Ordering to Compact Tokenization for Tabular Foundation Models on High-Dimensional Data
GOTabPFN: 从特征排序到高维表格基础模型的紧凑分词化
机构 * University of Cambridge（剑桥大学）
AI总结 针对高维小样本表格预测问题，提出GOTabPFN模型，通过图引导排序和神经启发子单元压缩实现紧凑表示，提升TabPFN在严格token预算下的稳定性和准确性。
Comments Accepted to the 43rd International Conference on Machine Learning (ICML 2026). Code and resources GitHub https://github.com/zadid6pretam/GOTabPFN PyPI https://pypi.org/project/gotabpfn Project webpage https://www.zadidhabib.com/gotabpfn.html Hugging Face ZeroGPU https://huggingface.co/spaces/zadid6pretam/GOTabPFN CPU backup https://huggingface.co/spaces/zadid6pretam/GOTabPFN_CPU
Position: Deployed Reinforcement Learning should be Continual
立场：部署的强化学习应该是持续的
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文主张部署的强化学习系统应持续学习，分析了部署后非平稳性的四个来源，并展示了持续RL的优势和实现方法。
Comments Accepted to the ICML 2026 Position Paper Track. See https://icml.cc/virtual/2026/poster/67195
Turning Back Without Forgetting: Selective Backward Refinement for Parameter-Efficient Continual Learning
在不遗忘的情况下回溯：面向参数高效持续学习的选择性反向精炼
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出SABER框架，通过基于提示梯度几何和损失分布相似性的任务相关性准则，在提示型参数高效持续学习中实现受控的正向反向知识迁移，无需重放。
Comments Accepted at ICML 2026
Towards Optimal Robustness in Learning-Augmented Paging
面向学习增强分页的最优鲁棒性
机构 * Department of XXX, University of YYY, Location, Country ； School of ZZZ, Institute of WWW, Location, Country ； Zhejiang University, Hangzhou, China ； Nanjing University of Aeronautics ； Nanyang Technological University, Singapore
AI总结 本文提出一种新框架，通过相对预测预算原语，在学习增强分页中实现最优鲁棒性界 H_k + O(1)，并实验验证其实际性能。
Comments ICML 2026
Quantifying and Optimizing Simplicity via Polynomial Representations
通过多项式表示量化和优化简单性
机构 * [cs.AI]（计算机科学与人工智能）
AI总结 提出多项式表示作为分布感知的低维神经函数代理，通过正交多项式基近似网络预测行为，以有效度作为简单性度量，并导出可微正则化器以提升泛化。
Comments ICML 2026
Diagnosing Multi-step Reasoning Failures in Black-box LLMs via Stepwise Confidence Attribution
通过分步置信度归因诊断黑盒大语言模型的多步推理失败
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出了一种基于分步置信度归因（SCA）的方法，用于诊断黑盒大语言模型在多步推理中的失败，通过信息瓶颈原理对生成的推理轨迹进行置信度评估，并通过实验验证该方法在数学推理和多跳问答任务中的有效性。
Comments Accepted by ICML 2026
Anomaly-Preference Image Generation
异常偏好图像生成
机构 * Nanjing University of Science（南京理工大学） ； Beijing Normal University, Beijing, China（北京师范大学） ； China Academy of Space Technology, Beijing, China（中国航天科技集团）
AI总结 本文提出了一种新的异常生成方法，通过隐式偏好对齐机制和时间感知能力分配模块，提升生成图像的真实性和多样性，实验表明其在真实性和多样性上均优于现有方法。
Comments Accepted by ICML 2026
LEAP: Learnable End-to-End Adaptive Pruning of Large Language Models
LEAP：可学习的端到端无结构剪枝大型语言模型
机构 * University of Maryland（马里兰大学）
AI总结 本文提出LEAP，一种可学习的端到端无结构剪枝方法，通过伯努利-戈姆贝茨松弛替代传统参数化，提高了无结构剪枝的端到端准确率，实验表明在多个LLM家族上平均提升了零样本准确率。
Comments Accepted at the ICML 2026 Workshop on Resource-Adaptive Foundation Model Inference (AdaptFM)
VQ-Atom: Semantic Discretization of Local Atomic Environments for Molecular Representation Learning
原子作为语言：VQ-Atom：用于分子表示学习的语义离散化
机构 * Atoms as Language, LLC（Atoms as Language公司）
AI总结 本文提出VQ-Atom，一种用于分子表示学习的语义离散化框架，通过将连续的原子级图表示转换为对应局部化学环境的离散标记，从而提升分子表示的学习效果。
Comments 7 pages, 6 figures. Submitted to ICML 2026 Workshop on Foundation Models for Life Sciences
Helpful to a Fault: Measuring Illicit Assistance in Multi-Turn, Multilingual LLM Agents
有益于故障：测量多轮、多语言LLM代理中的非法协助
机构 * EPFL（苏黎世联邦理工学院） ； independent（独立研究员） ； tubingen（图宾根大学）
AI总结 本文提出STING框架，用于评估多轮多语言LLM代理在执行非法任务时的协助能力，发现低资源语言中攻击成功率不一致，提供实际部署中的压力测试方法。
Comments Accepted in ICML 2026
Evaluating Design Video Generation: Metrics for Compositional Fidelity
评估设计视频生成：构成保真度的度量标准
机构 * Lica World（Lica世界） ； San Francisco, United States of America（美国旧金山） ； ICML’26 Workshop on Human-AI Co-Creativity, Seoul, South Korea（ICML’26 人类-人工智能协同创作研讨会，韩国首尔）
AI总结 本文提出一个自动化评估框架，用于评估设计动画中布局、动作正确性、时间质量和内容保真度，以替代主观人类评估，为该领域提供统一基准。
Comments ICML 2026 Workshop on Human-AI Co-Creativity
ASH: Agents that Self-Hone via Embodied Learning
ASH: 通过具身学习自我精炼的智能体
机构 * University of Waterloo（多伦多大学） ； National Research Council Canada（加拿大国家研究理事会）
AI总结 提出ASH系统，通过从无标签互联网视频中学习具身策略，利用自改进循环和逆动力学模型，在长时域任务中显著超越基线方法。
Comments Published as a workshop paper at ICML 2026 Workshop on Scalable Learning and Optimization for Efficient Multimodal AI Agents
VideoGPA: Distilling Geometry Priors for 3D-Consistent Video Generation
VideoGPA: 通过几何先验知识蒸馏实现3D一致的视频生成
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 VideoGPA通过几何先验知识蒸馏提升视频生成的3D一致性，利用数据高效的自监督框架引导视频扩散模型，显著增强时间稳定性、几何合理性与运动一致性。
Comments 8 pages, 5 figures, ICML 2026
