ICLR

Align Once, Benefit Multilingually: Enforcing Multilingual Consistency for LLM Safety Alignment

一次对齐，多语言受益：为LLM安全对齐强制多语言一致性

Yuyan Bu, Xiaohao Liu, ZhaoXing Ren, Yaodong Yang, Juntao Dai

机构 * Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； National University of Singapore（新加坡国立大学） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） 纠错

AI总结 本文提出一种资源高效的多语言一致性对齐方法，通过多语言一致性损失实现多语言同时对齐，提升跨语言安全性和泛化能力。

Comments Accepted by ICLR 2026

Let's Split Up: Zero-Shot Classifier Edits for Fine-Grained Video Understanding

让我们拆分：用于细粒度视频理解的零样本分类器编辑

Kaiting Liu, Hazel Doughty

机构 * Leiden University（莱顿大学） 纠错

AI总结 本文提出零样本分类器编辑方法，通过细粒度视频理解提升分类精度，优于视觉-语言基线。

Comments ICLR 2026

Lossless Vocabulary Reduction for Auto-Regressive Language Models

无损词汇缩减用于自回归语言模型

Daiki Chijiwa, Taku Hasegawa, Kyosuke Nishida, Shin'ya Yamaguchi, Tomoya Ohba, Tamao Sakao, Susumu Takeuchi

AI总结 本文提出了一种无损词汇缩减框架，使不同分词方式的语言模型能通过最大公共词汇高效合作，提升模型集成效率。

Comments The Fourteenth International Conference on Learning Representations (ICLR 2026)

Language and Experience: A Computational Model of Social Learning in Complex Tasks

语言与经验：复杂任务中的社会学习计算模型

Cédric Colas, Tracey Mills, Ben Prystawski, Michael Henry Tessler, Noah Goodman, Jacob Andreas, Joshua Tenenbaum

机构 * MIT（麻省理工学院） ； Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出了一种计算模型，通过结合语言指导与直接经验，模拟复杂任务中的社会学习过程，并展示了人类与模型之间的知识传递机制。

Comments Code: github.com/ccolas/language_and_experience Demo: cedriccolas.com/demos/language_and_experience

Journal ref ICLR 2026; CogSci 2025

SNAP-UQ: Self-supervised Next-Activation Prediction for Single-Pass Uncertainty in TinyML

SNAP-UQ：单次传递的不确定性估计用于TinyML中的自监督下一次激活预测

Ismail Lamaakal, Chaymae Yahyati, Khalid El Makkaoui, Ibrahim Ouahbi, Yassine Maleh

AI总结 SNAP-UQ通过单次传递的自监督下一次激活预测，为TinyML提供了一种高效且无需额外状态的不确定性估计方法。

Comments Published as a conference paper at ICLR 2026

Pinet: Optimizing hard-constrained neural networks with orthogonal projection layers

Pinet：通过正交投影层优化具有硬约束的神经网络

Panagiotis D. Grontas, Antonio Terpin, Efe C. Balta, Raffaello D'Andrea, John Lygeros

AI总结 Pinet通过正交投影层优化具有硬约束的神经网络，实现快速求解参数约束优化问题，提升训练效率和解的质量。

Comments Accepted for presentation at, and publication in the proceedings of, the Fourteenth International Conference on Learning Representations (ICLR 2026, oral)

Benchmarking Stochastic Approximation Algorithms for Fairness-Constrained Training of Deep Neural Networks

对用于在公平性约束下训练深度神经网络的随机逼近算法进行基准测试

Andrii Kliachkin, Jana Lepšová, Gilles Bareilles, Jakub Mareček

机构 * Artificial Intelligence Center, Czech Technical University in Prague（捷克技术大学布拉格分校人工智能中心） 纠错

AI总结 本文提出了一种用于评估在公平性约束下训练深度神经网络的随机逼近算法的基准测试方法，并展示了三种新算法的实现与比较。

Journal ref 14th International Conference on Learning Representations, 2026

Fused-Planes: Why Train a Thousand Tri-Planes When You Can Share?

融合平面：为什么训练千个三平面时你还能共享？

Karim Kassab, Antoine Schnepf, Jean-Yves Franceschi, Laurent Caraffa, Flavian Vasile, Jeremie Mary, Andrew Comport, Valérie Gouet-Brunet

机构 * Criteo AI Lab（Criteo AI实验室） ； LASTIG, Université Gustave Eiffel, IGN-ENSG（LASTIG，巴黎高等电力学院，IGN-ENSG） ； Université Côte d’Azur, CNRS, I3S（尼斯大学，法国国家科学研究中心，I3S） 纠错

AI总结 Fused-Planes通过共享基础平面提高三平面的效率，实现更快的训练和更低的内存占用，同时保持渲染质量。

Comments Accepted at ICLR 2026. Available at https://fused-planes.github.io

Evaluating Language Model Agency through Negotiations

通过谈判评估语言模型的代理能力

Tim R. Davidson, Veniamin Veselovsky, Martin Josifoski, Maxime Peyrard, Antoine Bosselut, Michal Kosinski, Robert West

机构 * EPFL（瑞士联邦理工学院） ； UGA（普罗万大学） ； CNRS（法国国家科学研究中心） ； LIG（里莫恩-盖朗实验室） ； Stanford University（斯坦福大学） 纠错

AI总结 通过谈判游戏评估语言模型的代理能力，发现封闭源模型更擅长完成任务，合作谈判游戏最具挑战性，且强模型可能输给弱对手。

Comments Accepted to ICLR 2024, code and link to project data are made available at https://github.com/epfl-dlab/LAMEN

Online Prediction of Stochastic Sequences with High Probability Regret Bounds

在线预测随机序列的高概率遗憾界

Matthias Frey, Jonathan H. Manton, Jingge Zhu

AI总结 本文提出了一种在高概率下对随机序列进行在线预测的算法，并推导出具有高概率保证的遗憾界，同时证明了在相同形式下无法进一步改进 δ 的指数。

Comments Accepted for publication at The Fourteenth International Conference on Learning Representations (ICLR 2026)

Towards Efficient Constraint Handling in Neural Solvers for Routing Problems

向神经求解器在路由问题中高效处理约束的方向

Jieyi Bi, Zhiguang Cao, Jianan Zhou, Wen Song, Yaoxin Wu, Jie Zhang, Yining Ma, Cathy Wu

机构 * Nanyang Technological University（南洋理工大学） ； Singapore Management University（新加坡管理学院） ； Shandong University（山东大学） ； Eindhoven University of Technology（埃因霍温理工大学） ； MIT（麻省理工学院） 纠错

AI总结 本文提出了一种新的神经求解器约束处理框架CaR，通过显式学习的可行性细化方法，提升了在复杂约束下的求解效率和质量。

Comments Accepted by ICLR 2026

Verifier-Constrained Flow Expansion for Discovery Beyond the Data

验证器约束的流扩展用于超越数据的发现

Riccardo De Santi, Kimon Protopapas, Ya-Ping Hsieh, Andreas Krause

机构 * ETH Zürich（苏黎世联邦理工学院） ； ETH AI Center（苏黎世联邦理工学院人工智能中心） 纠错

AI总结 本文提出Flow Expander方法，通过验证器约束的熵最大化扩展预训练流模型，以生成超出数据分布的有效设计样本。

Comments ICLR 2026

Do Vision-Language Models Respect Contextual Integrity in Location Disclosure?

视觉-语言模型在位置披露中是否尊重上下文完整性？

Ruixin Yang, Ethan Mendes, Arthur Wang, James Hays, Sauvik Das, Wei Xu, Alan Ritter

AI总结 本文研究了视觉-语言模型在位置披露中的隐私问题，指出现有模型在隐私保护方面存在不足，提出VLM-GEOPRIVACY基准以评估模型对上下文完整性的尊重程度。

Comments Accepted by ICLR 2026. Code and data can be downloaded via https://github.com/99starman/VLM-GeoPrivacyBench

Boosting methods for interval-censored data with regression and classification

区间删失数据的提升方法：回归与分类

Yuan Bian, Grace Y. Yi, Wenqing He

机构 * Columbia University（哥伦比亚大学） ； University of Western Ontario（西方大学） 纠错

AI总结 本文提出非参数提升方法，用于处理区间删失数据的回归与分类任务，通过无偏转换调整损失函数并保持模型准确性，理论和实证均验证其有效性。

Journal ref In The 13th International Conference on Learning Representations (2025)

Synthesizing High-Quality Visual Question Answering from Medical Documents with Generator-Verifier LMMs

从医学文献合成高质量的视觉问答系统：基于生成-验证框架的大型多模态模型

Xiaoke Huang, Ningsen Wang, Hui Liu, Xianfeng Tang, Yuyin Zhou

机构 * UC Santa Cruz（加州大学圣克ruz分校） ； Fudan University（复旦大学） ； Amazon Research（亚马逊研究） 纠错

AI总结 MedVLSynther通过生成-验证框架从开放文献合成高质量医学VQA数据，提升六个基准测试的准确率，达到77.57的VQA-RAD表现。

Comments Project page, code, data, and models: https://ucsc-vlaa.github.io/MedVLSynther/ ; Accepted by ICLR'26

Multilingual Routing in Mixture-of-Experts

混合专家中的多语言路由

Lucas Bandarkar, Chenyuan Yang, Mohsen Fayyaz, Junlin Hu, Nanyun Peng

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Fudan University（复旦大学） 纠错

AI总结 本研究分析了混合专家模型在处理多语言文本时的路由机制，揭示了中间层的跨语言路由对齐现象，并通过简单干预提升了多语言性能。

Comments ICLR 2026, In The Fourteenth International Conference on Learning Representations, 2025

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

Predicting Training Re-evaluation Curves Enables Effective Data Curriculums for LLMs

预测训练重新评估曲线可实现LLMs的有效数据课程

Shane Bergsma, Nolan Dey, Joel Hestness

AI总结 通过预测训练重新评估曲线（TREC）实现LLMs的有效数据课程设计，利用AdamW的隐含EMA系数提前预测TREC，优化数据放置以提升模型性能。

Comments ICLR 2026

Conditionally Whitened Generative Models for Probabilistic Time Series Forecasting

条件性白化生成模型用于概率时间序列预测

Yanfeng Yang, Siwei Chen, Pingping Hu, Zhaotong Shen, Yingjie Zhang, Zhuoran Sun, Shuai Li, Ziqi Chen, Kenji Fukumizu

机构 * Graduate University of Advanced Studies & The Institute of Statistical Mathematics（高级研究大学及统计数学研究所） ； East China Normal University（华东师范大学） ； The Institute of Statistical Mathematics（统计数学研究所） 纠错

AI总结 本文提出条件性白化生成模型，通过整合条件均值和协方差信息，提升多变量时间序列预测性能。

Comments Accepted by the fourteenth International Conference on Learning Representations (ICLR 2026). https://openreview.net/forum?id=GG01lCopSK

Universal Properties of Activation Sparsity in Modern Large Language Models

现代大语言模型中激活稀疏性的通用性质

Filip Szatkowski, Patryk Będkowski, Alessio Devoto, Jan Dubiński, Pasquale Minervini, Mikołaj Piórczyński, Simone Scardapane, Bartosz Wójcik

AI总结 本研究提出了一种通用框架，系统研究了现代大语言模型中激活稀疏性的通用性质，并揭示了其随着模型规模增大而增强的潜力。

Comments ICLR 2026, main track

Attention, Please! Revisiting Attentive Probing Through the Lens of Efficiency

请注意！通过效率的视角重新审视关注性探测

Bill Psomas, Dionysis Christopoulos, Eirini Baltzi, Ioannis Kakogeorgiou, Tilemachos Aravanis, Nikos Komodakis, Konstantinos Karantzalos, Yannis Avrithis, Giorgos Tolias

AI总结 本文提出高效的探测方法EP，通过优化参数效率和准确率的权衡，改进了关注性探测，使其在多个基准和预训练范式中均优于传统方法。

Comments Accepted at the International Conference on Learning Representations (ICLR) 2026. Code available at https://github.com/billpsomas/efficient-probing

Experience-based Knowledge Correction for Robust Planning in Minecraft

基于经验的知识修正以实现Minecraft中的鲁棒规划

Seungjoon Lee, Suhwan Kim, Minhyeon Oh, Youngsik Yoon, Jungseul Ok

机构 * Department of Computer Science and Engineering, POSTECH（POSTECH计算机科学与工程系） ； Graduate School of Artificial Intelligence, POSTECH（POSTECH人工智能研究生院） 纠错

AI总结 XENON通过经验修正知识，提升Minecraft中的鲁棒规划能力，优于现有方法。

Comments ICLR 2026

VerifyBench: Benchmarking Reference-based Reward Systems for Large Language Models

VerifyBench: 大型语言模型参考式奖励系统的基准测试

Yuchen Yan, Jin Jiang, Zhenbang Ren, Yijun Li, Xudong Cai, Yang Liu, Xin Xu, Mengdi Zhang, Jian Shao, Yongliang Shen, Jun Xiao, Yueting Zhuang

机构 * Zhejiang University（浙江大学） ； Meituan Group（美团集团） ； Peking University（北京大学） ； University of Electronic Science and Technology of China（电子科技大学） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 VerifyBench通过设计专门的基准测试评估基于参考的奖励系统，揭示现有验证器在复杂任务中的不足，推动推理模型训练的改进。

Comments ICLR 2026: https://openreview.net/forum?id=JfsjGmuFxz Project Page: https://zju-real.github.io/VerifyBench Dataset: https://huggingface.co/datasets/ZJU-REAL/VerifyBench Code: https://github.com/ZJU-REAL/VerifyBench