PI-Light: Physics-Inspired Diffusion for Full-Image Relighting
PI-Light：基于物理的扩散用于全图像重照明
AI总结 PI-Light通过结合物理引导的神经渲染模块和基于物理的损失函数，提升全图像重照明的泛化能力与现实场景适应性。
Comments Accepted at ICLR 2026
期刊&会议
ICLR
International Conference on Learning Representations · 会议 · Machine Learning
RefAny3D: 3D Asset-Referenced Diffusion Models for Image Generation
RefAny3D: 3D资产参考扩散模型用于图像生成
机构 * ShanghaiTech University（上海科技大学） ； Sun Yat-sen University（中山大学） ； University of Toronto（多伦多大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； SynWorld ； Macau University of Science and Technology（澳门科学理工学院）
AI总结 RefAny3D通过整合3D资产，提出一种双分支扩散模型，实现2D图像与3D资产的协同生成，提升图像生成的精确性和多样性。
Comments ICLR 2026. Project page: https://judgementh.github.io/RefAny3D Codes: https://github.com/JudgementH/RefAny3D
Exploring Diverse Generation Paths via Inference-time Stiefel Activation Steering
通过推理时间的Stiefel激活引导探索多样生成路径
机构 * The Chinese University of Hong Kong（香港中文大学） ； Hong Kong Polytechnic University（香港理工大学）
AI总结 STARS通过在推理时间利用Stiefel流形优化，提升语言模型生成路径的多样性，无需训练并在多个基准中表现更优。
Comments 34 pages, 2 figures. Accepted for publication at ICLR 2026
ToolWeaver: Weaving Collaborative Semantics for Scalable Tool Use in Large Language Models
ToolWeaver: 为大语言模型中的可扩展工具使用编织协作语义
机构 * New Laboratory of Pattern Recognition (NLPR), Institute of Automation, Chinese Academy of Sciences (CASIA)（模式识别新实验室（NLPR），自动化研究所，中国科学院（CASIA）） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（人工智能学院，中国科学院大学） ； Zhongguancun Academy（中关村学院） ； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究所）
AI总结 ToolWeaver通过编码工具为层次序列，解决大语言模型中工具使用中的语义和可扩展性问题，提升工具协作学习的效率与效果。
Comments 10pages, 12 figures, Accepted to ICLR 2026
Perturbation-Induced Linearization: Constructing Unlearnable Data with Solely Linear Classifiers
扰动诱导线性化：仅使用线性分类器构造不可学习数据
机构 * Huazhong University of Science and Technology（华中科技大学）
AI总结 本文提出PIL方法，利用线性分类器生成扰动，以高效构建不可学习数据，减少计算成本并提升数据保护效果。
Comments This paper has been accepted to ICLR 2026
Near-Optimal Online Deployment and Routing for Streaming LLMs
面向流式LLM的近优在线部署与路由
机构 * Stony Brook University（史泰森布鲁克大学）
AI总结 StageRoute算法通过优化部署和路由策略，在流式LLM管理中实现近最优的并发和成本控制。
Comments ICLR 2026
Evaluating Text Creativity across Diverse Domains: A Dataset and Large Language Model Evaluator
在不同领域评估文本创造力：一个数据集和大语言模型评估器
机构 * Renmin University of China（中国人民大学） ； Beijing Normal University（北京师范大学） ； Kuaishou Technology（快手科技）
AI总结 本文提出了一种基于CreataSet数据集的CrEval评估器，通过结合人类和合成数据提升大语言模型的创造力评估效果。
Comments Accepted by ICLR 2026
FreqKV: Key-Value Compression in Frequency Domain for Context Window Extension
FreqKV: 频域中的键值压缩用于上下文窗口扩展
机构 * LUMIA Lab, Shanghai Jiao Tong University（上海交通大学LUMIA实验室） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 FreqKV通过频域键值压缩技术，实现长上下文处理，使LLaMA-2-7B的上下文窗口扩展至256K个令牌，同时保持稳定的困惑度。
Comments ICLR 2026
Why Attention Patterns Exist: A Unifying Temporal Perspective Analysis
为何存在注意力模式：一种统一的时间视角分析
机构 * MoE Key Laboratory of Brain-inspired Intelligent Perception and Cognition, University of Science and Technology of China（脑启发智能感知与认知教育部重点实验室，中国科学技术大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； College of Intelligence and Computing, Tianjin University（智能与计算学院，天津大学）
AI总结 本文提出TAPPA框架，从时间连续性角度分析注意力模式，揭示其可预测性与查询自相似性关系，并通过KV缓存压缩和剪枝任务验证其有效性。
Comments ICLR 2026
Gauge-invariant representation holonomy
规范不变的表示形变
机构 * Athena RC Democritus University of Thrace Xanthi（阿塔尼亚RC德摩根大学特拉奇分校） ； Athena RC University Campus Kimmeria Xanthi（阿塔尼亚RC大学校园基米里亚分校）
AI总结 本文提出表示形变，一种规范不变的统计量，用于衡量深度学习中表示的路径依赖性，通过几何结构分析提升模型的鲁棒性与泛化能力。
Comments 14th International Conference on Learning Representations (ICLR)
CORDS: Continuous Representations of Discrete Structures
CORDS：离散结构的连续表示
机构 * UvA-Bosch Delta Lab University of Amsterdam（乌得勒支大学-博世Delta实验室大学阿姆斯特丹） ； AMLab University of Amsterdam（AMLab大学阿姆斯特丹） ； Tübingen AI Center Eberhard Karls Universität Tübingen（图宾根人工智能中心图宾根大学）
AI总结 CORDS通过将可变大小集合预测转化为连续推断问题，提供了一种可逆映射，实现对离散结构的连续表示，从而在多个任务中展示了处理未知集合大小的鲁棒性和准确性。
Comments Preprint, accepted at ICLR 2026
Optimal Transport-Induced Samples against Out-of-Distribution Overconfidence
最优传输诱导的对抗性样本对抗分布外过度自信
机构 * Guangzhou University（广州大学） ； SmartMore Corporation（SmartMore公司） ； University of Science and Technology of China（中国科学技术大学） ； Northwestern Polytechnical University（西北工业大学） ； Guangdong Key Laboratory of Industrial Control System Security（广东工业控制系统安全重点实验室）
AI总结 本文提出通过最优传输诱导的边界生成分布外样本，以缓解模型在不确定区域的过度自信预测问题。
Comments Accepted by ICLR 2026
Grounding and Enhancing Informativeness and Utility in Dataset Distillation
基于信息性和效用的蒸馏数据集 grounding
机构 * EPIC Lab, SJTU（SJTU实验室） ； Shanghai Jiao Tong University（上海交通大学） ； National University of Singapore（新加坡国立大学） ； Duke University（杜克大学） ； The University of Chicago（芝加哥大学）
AI总结 本文提出InfoUtil框架，通过博弈论和梯度范数优化，提升数据集蒸馏的信息性和效用，实验显示在ImageNet-1K上性能提升6.1%。
Comments Accepted by ICLR 2026, 20 pages, 9 figures, 11 tables
PTQ4ARVG: Post-Training Quantization for AutoRegressive Visual Generation Models
PTQ4ARVG：后训练量化用于自回归视觉生成模型
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
AI总结 PTQ4ARVG提出一种无需训练的后训练量化框架，解决ARVG模型在通道、令牌和样本层面的量化难题，实现8位和6位高效量化。
Comments ICLR 2026
A Federated Generalized Expectation-Maximization Algorithm for Mixture Models with an Unknown Number of Components
一种用于具有未知组件数的混合模型的联邦广义期望最大化算法
机构 * H. Milton Stewart School of Industrial and Systems Engineering（H. Milton Stewart工业与系统工程学院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出FedGEM算法，用于在未知组件数情况下训练混合模型，通过本地EM步骤和不确定性集推断全局聚类数，实验证明其性能优于现有联邦聚类方法。
Comments 49 Pages, Accepted at ICLR 2026
Human-LLM Collaborative Feature Engineering for Tabular Data
人类与大语言模型协作的表格数据特征工程
机构 * Purdue University（普渡大学） ； Adobe（Adobe公司） ； UIUC（伊利诺伊大学香槟分校） ； University of Washington（华盛顿大学） ； UC Davis（加州大学戴维斯分校）
AI总结 本文提出人类与大语言模型协作的表格数据特征工程框架，通过解耦操作提出与选择过程，结合人类专家反馈提升特征工程效率和效果。
Comments ICLR 2026
Everything in Its Place: Benchmarking Spatial Intelligence of Text-to-Image Models
万物皆有其位：文本到图像模型空间智能基准测试
机构 * AMAP, Alibaba Group（AMAP、阿里巴巴集团）
AI总结 本文提出SpatialGenEval基准测试，通过信息密集的提示评估文本到图像模型的空间智能，揭示高阶空间推理的瓶颈，并构建SpatialT2I数据集提升模型性能。
Comments Accepted by ICLR 2026, URL: https://github.com/AMAP-ML/SpatialGenEval
LogicReward: Incentivizing LLM Reasoning via Step-Wise Logical Supervision
LogicReward: 通过逐步逻辑监督激励大语言模型推理
机构 * National University of Singapore（新加坡国立大学） ； University College London（伦敦大学学院） ； University of Manchester（曼彻斯特大学） ； University of Melbourne（墨尔本大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校）
AI总结 LogicReward通过逐步逻辑监督提升大语言模型的推理能力，有效增强推理可信度和泛化能力，实验显示其在自然语言推理和逻辑推理任务中优于GPT-4o和o4-mini。
Comments ICLR 2026
LLM2Fx-Tools: Tool Calling For Music Post-Production
LLM2Fx-Tools: 音乐后期制作中的工具调用
机构 * KAIST（韩国科学技术院） ； Sony AI（索尼人工智能） ； Sony Group Corporation（索尼集团）
AI总结 LLM2Fx-Tools通过LLM实现音频效果模块的工具调用，生成可执行的音频效果序列，提升音乐后期制作的可解释性和可控性。
Comments ICLR 2026
JointDiff: Bridging Continuous and Discrete in Multi-Agent Trajectory Generation
JointDiff: 在多智能体轨迹生成中弥合连续与离散
机构 * Kognia Sports Intelligence（Kognia体育智能） ； Visual Intelligence for Transportation, EPFL（交通视觉智能，EPFL） ； Institut de Robòtica i Informàtica Industrial, CSIC-UPC（机器人与信息工业研究所，CSIC-UPC）
AI总结 JointDiff通过联合生成连续和离散事件，提升多智能体轨迹生成的可控性和真实性。
Comments Accepted at ICLR 2026
SFT Doesn't Always Hurt General Capabilities: Revisiting Domain-Specific Fine-Tuning in LLMs
SFT并不总是损害通用能力：重新审视LLM中的领域特定微调
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University at Buffalo（布法罗大学） ； Northeastern University（东北大学）
AI总结 本文研究了SFT对LLM通用能力的影响，发现较小学习率可缓解性能下降，提出TALR方法在平衡领域特定性能与通用能力方面表现优异。
Comments Accepted by ICLR 2026
Stackelberg Coupling of Online Representation Learning and Reinforcement Learning
Stackelberg耦合在线表示学习与强化学习
机构 * Fordham University（福坦大学） ； City University of Hong Kong（香港城市大学） ； IBM Research（IBM研究院）
AI总结 SCORER通过Stackelberg博弈机制，将表示学习与Q学习分层优化，减少价值估计偏差并提升稳定性的强化学习框架。
Comments The Fourteenth International Conference on Learning Representations (ICLR 2026)
There Was Never a Bottleneck in Concept Bottleneck Models
概念瓶颈模型中从未存在瓶颈
机构 * ViVoLab, I3A University of Zaragoza（ViVoLab，I3A 萨拉戈萨大学）
AI总结 本文提出最小概念瓶颈模型，通过信息瓶颈目标提升表示的可解释性并支持概念层面的干预。
Comments Accepted to ICLR 2026
Towards Anomaly-Aware Pre-Training and Fine-Tuning for Graph Anomaly Detection
面向图异常检测的异常感知预训练与微调
机构 * State Key Laboratory for Novel Software Technology, Nanjing University（新型软件技术国家重点实验室，南京大学） ； HKUST(GZ)（香港科技大学（广州）） ； Tsinghua University（清华大学） ； The University of Queensland（昆士兰大学）
AI总结 本文提出APF框架，通过预训练和微调提升图异常检测的异常感知能力，结合谱多项式滤波器和门控融合机制，实现更有效的异常识别。
Comments Accepted by ICLR 2026
RAS: Retrieval-And-Structuring for Knowledge-Intensive LLM Generation
RAS：基于检索与构建的知识密集型大语言模型生成
机构 * Department of Computer Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算机科学系）
AI总结 RAS通过动态构建问题特定知识图谱，提升大语言模型在知识密集型任务中的推理准确性和鲁棒性。
Comments ICLR 2026
The Ramanujan Library -- Automated Discovery on the Hypergraph of Integer Relations
拉马努金图书馆——整数关系超图上的自动发现
机构 * The Ramanujan Machine Team, Faculty of Electrical and Computer Engineering Technion - Israel Institute of Technology（拉马努金机器团队，电气与计算机工程学院，技术离子理工学院）
AI总结 本文提出一个基于超图的数学常数图书馆，利用PSLQ算法自动发现常数间的新关系，包括对π和e关系的扩展。
Comments 20 pages, 7 figures
Journal ref ICLR 2025 Conference
Scaling Offline Model-Based RL via Jointly-Optimized World-Action Model Pretraining
通过联合优化的世界-动作模型扩展离线模型基于的强化学习
机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所，中国科学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Alibaba Group（阿里巴巴集团）
AI总结 JOWA通过联合优化的世界-动作模型扩展离线RL，实现高效泛化和高性能
Comments Accepted by ICLR 2025
When LLMs Play the Telephone Game: Cultural Attractors as Conceptual Tools to Evaluate LLMs in Multi-turn Settings
当LLMs玩电话游戏：文化吸引子作为评估多轮设置中LLM的观念工具
机构 * Inria（法国国家信息与自动化研究所） ； Université de Bordeaux（波尔多大学） ； MIT（麻省理工学院） ； Computational Cognitive Science Lab（计算认知科学实验室） ； University of California, Berkeley（加州大学伯克利分校） ； Institute for Advanced Study in Toulouse（图卢兹高级研究学院）
AI总结 本文通过电话游戏实验揭示LLM多轮交互中的信息失真与吸引子现象，探讨初始文本、指令等对吸引子效应的影响。
Comments Code available at https://github.com/jeremyperez2/TelephoneGameLLM. Companion website with a Data Explorer tool at https://sites.google.com/view/telephone-game-llm . This paper was published at the 2025 International Conference on Learning Representations (ICLR2025) https://iclr.cc/virtual/2025/poster/28880
Scaling Laws for Downstream Task Performance of Large Language Models
大语言模型下游任务性能的扩展定律
机构 * Google Research（谷歌研究） ； OpenAI（开放人工智能） ； Stanford University（斯坦福大学）
AI总结 本研究探讨了预训练数据规模和分布对齐对大语言模型下游任务性能的影响，揭示了扩展定律在迁移学习中的应用及翻译质量的预测方法。
Comments Published at the International Conference on Learning Representations (ICLR) 2025, with title: "Scaling Laws for Downstream Task Performance in Machine Translation"
