ICLR

xLSTM Scaling Laws: Competitive Performance with Linear Time-Complexity

xLSTM缩放定律：具有线性时间复杂度的竞争力表现

Maximilian Beck, Kajetan Schweighofer, Sebastian Böck, Sebastian Lehner, Sepp Hochreiter

机构 * ELLIS Unit Linz, Institute for Machine Learning, JKU Linz, Austria（林茨ELLIS单位、机器学习研究所、JKU林茨，奥地利） ； NXAI GmbH, Linz, Austria（林茨NXAI公司，奥地利） 纠错

AI总结 xLSTM在保持竞争力的同时，展现出线性时间复杂度和更优的缩放性能，优于Transformer架构。

Comments Accepted at ICLR 2026. Code and data available at https://github.com/NX-AI/xlstm_scaling_laws

Revela: Dense Retriever Learning via Language Modeling

Revela：通过语言建模进行密集检索器学习

Fengyu Cai, Tong Chen, Xinran Zhao, Sihao Chen, Hongming Zhang, Sherry Tongshuang Wu, Iryna Gurevych, Heinz Koeppl

机构 * Technical University of Darmstadt（达姆施塔特技术大学） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Microsoft（微软） ； Tencent AI Lab（腾讯人工智能实验室） 纠错

AI总结 Revela通过语言建模方法实现自监督检索器学习，无需标注数据即可在多个基准上超越监督模型。

Comments Accepted to ICLR 2026 (Oral). Camera-ready version

Learning to Weight Parameters for Training Data Attribution

学习权重参数以训练数据归因

Shuangqi Li, Hieu Le, Jingyi Xu, Mathieu Salzmann

机构 * EPFL（苏黎世联邦理工学院） ； Stony Brook University（史蒂文斯理工学院） ； UNC Charlotte（北卡罗来纳大学夏洛特分校） 纠错

AI总结 本文提出一种无需标注标签即可直接从数据学习参数重要性权重的方法，提升训练数据归因的准确性与细粒度分析能力。

Comments 31 pages

Journal ref ICLR 2026

Visual Planning: Let's Think Only with Images

视觉规划：只用图像来思考

Yi Xu, Chengzu Li, Han Zhou, Xingchen Wan, Caiqi Zhang, Anna Korhonen, Ivan Vulić

机构 * Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室） ； Google（谷歌公司） 纠错

AI总结 本文提出视觉规划范式，通过图像进行推理，优于纯文本推理，在视觉导航任务中表现更优。

Comments ICLR 2026 (Oral)

Expressiveness of Multi-Neuron Convex Relaxations in Neural Network Certification

多神经元凸松弛的表达性

Yuhao Mao, Yani Zhang, Martin Vechev

机构 * Department of Computer Science（计算机科学系） ； Department of Information Technology and Electrical Engineering（信息科技与电气工程系） 纠错

AI总结 本研究首次严格分析了多神经元松弛的表达性，发现其本质上不完整，但通过增加神经元或划分输入域可实现完整性，为认证鲁棒性提供了新方向。

Comments ICLR'26

Unifying Formal Explanations: A Complexity-Theoretic Perspective

统一形式解释：一种复杂性理论的视角

Shahaf Bassan, Xuanxiang Huang, Guy Katz

机构 * The Hebrew University of Jerusalem（海法大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文从复杂性理论视角提出统一框架，揭示解释计算的复杂性由单调性、次模性和超模性等属性决定，并在全局可解释性设置中证明多项式时间算法，而在局部设置中计算变得NP难。

Comments To appear in ICLR 2026

Flow Matching with Injected Noise for Offline-to-Online Reinforcement Learning

注入噪声的流匹配用于离线到在线强化学习

Yongjae Shin, Jongseong Chae, Jongeui Park, Youngchul Sung

机构 * KAIST（韩国科学技术院） 纠错

AI总结 本文提出FINO方法，通过注入噪声的流匹配提升离线到在线强化学习的样本效率，结合熵引导采样平衡探索与利用，实现更高效的策略优化。

Comments ICLR 2026 camera-ready

Cut Less, Fold More: Model Compression through the Lens of Projection Geometry

少剪多折：通过投影几何视角进行模型压缩

Olga Saukh, Dong Wang, Haris Šikić, Yun Cheng, Lothar Thiele

AI总结 通过投影几何视角，研究发现模型折叠在无需重新训练的情况下能更有效地压缩神经网络，尤其在中等至高等压缩水平下表现更优。

Comments Accepted by ICLR 2026

Cross-Embodiment Offline Reinforcement Learning for Heterogeneous Robot Datasets

跨体态离线强化学习用于异构机器人数据集

Haruki Abe, Takayuki Osa, Yusuke Mukuta, Tatsuya Harada

机构 * The University of Tokyo（东京大学） ； RIKEN Center for Advanced Intelligence Project（理化学研究所先进情报项目中心） 纠错

AI总结 本文提出跨体态离线强化学习方法，通过整合离线强化学习与跨体态学习，提升异构机器人数据集的预训练效果，有效解决次优数据带来的冲突问题。

Comments ICLR 2026

Flow Actor-Critic for Offline Reinforcement Learning

流Actor-Critic用于离线强化学习

Jongseong Chae, Jongeui Park, Yongjae Shin, Gyeongmin Kim, Seungyul Han, Youngchul Sung

机构 * KAIST（韩国科学技术院） ； UNIST（全南大学） 纠错

AI总结 本文提出流Actor-Critic方法，通过结合流模型提升离线强化学习中策略的表达能力，以应对复杂多模式数据分布，实现新的性能突破。

Comments Accepted to ICLR 2026

MIRA: Memory-Integrated Reinforcement Learning Agent with Limited LLM Guidance

MIRA: 集成记忆的强化学习智能体与有限LLM指导

Narjes Nourzad, Carlee Joe-Wong

机构 * University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 MIRA通过集成记忆图减少对LLM的依赖，提升稀疏奖励环境中的强化学习性能。

Comments International Conference on Learning Representations (ICLR'26)

Breaking the Correlation Plateau: On the Optimization and Capacity Limits of Attention-Based Regressors

突破相关性平台期：关于基于注意力的回归器优化与容量限制的研究

Jingquan Yan, Yuwei Miao, Peiran Yu, Junzhou Huang

机构 * Computer Science and Engineering Department University of Texas at Arlington（计算机科学与工程系得克萨斯大学阿灵顿分校） 纠错

AI总结 本文提出ECA模型，通过理论驱动的机制突破基于注意力的回归器中PCC平台期，提升相关性的同时保持MSE性能。

Comments Accepted by ICLR 2026

Understanding Unreliability of Steering Vectors in Language Models: Geometric Predictors and the Limits of Linear Approximations

理解语言模型中转向向量的不可靠性：几何预测器与线性近似的局限性

Joschka Braun

AI总结 该研究探讨了语言模型中转向向量的可靠性问题，发现训练数据和行为表示对转向效果有显著影响，提出几何预测器和非线性近似方法以提升稳定性。

Comments Master's Thesis, University of Tübingen. 89 pages, 34 figures. Portions of this work were published at the ICLR 2025 Workshop on Foundation Models in the Wild (see arXiv:2505.22637)

Neural Synchrony Between Socially Interacting Language Models

社会交互语言模型间的神经同步

Zhining Zhang, Wentao Zhu, Chi Han, Yizhou Wang, Heng Ji

机构 * Peking University（北京大学） ； Eastern Institute of Technology（东部技术研究所） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 研究通过分析社会交互语言模型间的神经同步，探讨其社会行为表现与神经同步的关联性，揭示了人类与语言模型社会互动的内在相似性。

Comments Accepted at ICLR 2026

Market Games for Generative Models: Equilibria, Welfare, and Strategic Entry

生成模型的市场游戏：均衡、福利与战略进入

Xiukun Wei, Min Shi, Xueru Zhang

机构 * The Ohio State University（俄亥俄州立大学） 纠错

AI总结 本文提出三层市场游戏模型，研究生成模型市场中的均衡存在条件、福利影响及战略进入机制。

Comments Published as a conference paper at ICLR 2026

UrbanGS: A Scalable and Efficient Architecture for Geometrically Accurate Large-Scene Reconstruction

UrbanGS: 一种适用于几何准确大规模场景重建的可扩展高效架构

Changbai Li, Haodong Zhu, Hanlin Chen, Xiuping Liang, Tongfei Chen, Shuwei Shao, Linlin Yang, Huobin Tan, Baochang Zhang

机构 * Hangzhou International Innovation Institute, Beihang University（北京航空航天大学杭州国际创新研究院） ； Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院） ； School of Software, Beihang University（北京航空航天大学软件学院） ； State Key Laboratory of Media Convergence and Communication, Communication University of China（中国传媒大学媒体融合与传播国家重点实验室） ； Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系） ； Control Science and Engineering, Shandong University（山东大学控制科学与工程学院） ； Artificial Intelligence Research Center, Lobachevsky State University（洛夫奇夫斯基国立大学人工智能研究中心） 纠错

AI总结 UrbanGS通过深度一致的D-正则化模块和空间自适应高斯剪枝策略，实现了大规模城市场景的高精度重建。

Comments ICLR 2026

Gradient-Sign Masking for Task Vector Transport Across Pre-Trained Models

任务向量跨预训练模型传输的梯度符号遮蔽

Filippo Rinaldi, Aniello Panariello, Giacomo Salici, Fengyuan Liu, Marco Ciccone, Angelo Porrello, Simone Calderara

机构 * University of Modena and Reggio Emilia（摩德纳和雷吉奥艾米利亚大学） ； Vector Institute（向量研究所） ； University of Toronto（多伦多大学） 纠错

AI总结 GradFix通过近似梯度符号结构，利用少量标记样本实现任务向量跨预训练模型的高效转移，提升多任务和多源模型性能。

Comments Accepted at ICLR 2026

Beyond Simple Graphs: Neural Multi-Objective Routing on Multigraphs

超越简单图：多目标路由的神经网络多图方法

Filip Rydin, Attila Lischka, Jiaming Wu, Morteza Haghir Chehreghani, Balázs Kulcsár

机构 * Chalmers University of Technology（查尔姆斯理工大学） ； University of Gothenburg（哥德堡大学） 纠错

AI总结 本文提出两种神经网络方法，用于解决多图的多目标路由问题，通过自回归选择边或简化图结构，展示出在多图路由中的有效性。

Comments Accepted by ICLR 2026, Final Camera-Ready Version. 34 pages, 6 Figures

Dataset distillation for memorized data: Soft labels can leak held-out teacher knowledge

数据蒸馏用于记忆数据：软标签可以泄露未见的教师知识

Freya Behrens, Lenka Zdeborová

机构 * Freya Behrens Statistical Physics of Computation Laboratory, École polytechnique fédérale de Lausanne (EPFL), Switzerland（弗雷娅·贝亨斯 统计物理计算实验室，瑞士联邦理工学院（EPFL）） ； Lenka Zdeborová Statistical Physics of Computation Laboratory, École polytechnique fédérale de Lausanne (EPFL), Switzerland（伦卡·兹德博罗娃 统计物理计算实验室，瑞士联邦理工学院（EPFL）） 纠错

AI总结 本研究通过软标签蒸馏揭示了学生模型能有效学习并准确预测未见过的记忆数据，其效果依赖于温度参数，且在不同网络和数据设置下均保持稳定。

Comments 9 pages, 21 figures

Journal ref ICLR 2026

PonderLM: Pretraining Language Models to Ponder in Continuous Space

PonderLM：在连续空间中预训练语言模型以进行思考

Boyi Zeng, Shixiang Song, Siyuan Huang, Yixuan Wang, He Li, Ziwei He, Xinbing Wang, Zhiyu Li, Zhouhan Lin

机构 * LUMIA Lab（LUMIA实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Institute for Advanced Algorithms Research Shanghai（上海高级算法研究所） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 PonderLM通过在连续空间中引入思考过程，提升语言模型的认知处理能力，实验表明其在多个基准测试中优于现有模型。

Comments ICLR 2026

Mod-Adapter: Tuning-Free and Versatile Multi-concept Personalization via Modulation Adapter

Mod-Adapter：通过调制适配器实现无需微调的多概念个性化

Weizhi Zhong, Huan Yang, Zheng Liu, Huiguo He, Zijian He, Xuesong Niu, Di Zhang, Guanbin Li

机构 * School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） ； Kolors Team, Kuaishou Technology（快手科技Kolors团队） ； Shenzhen Loop Area Institute, Shenzhen, China（深圳循环区研究所） ； Guangdong Key Laboratory of Big Data Analysis and Processing, Guangzhou, China（广东大数据分析与处理重点实验室） ； South China University of Technology, Guangzhou, China（华南理工大学） 纠错

AI总结 本文提出Mod-Adapter方法，通过调制适配器实现无需微调的多概念个性化，有效定制物体和抽象概念，提升生成质量。

Comments Accepted by ICLR 2026, project page: https://weizhi-zhong.github.io/Mod-Adapter