期刊&会议
International Conference on Learning Representations · 会议 · Machine Learning
行为学习（BL）：从数据中学习分层优化结构
机构 * Xiamen University（厦门大学） ； University of Tübingen（图宾根大学） ； Xi’an Jiaotong University（西安交通大学）
AI总结 行为学习（BL）是一种从数据中学习分层优化结构的通用机器学习框架，结合可解释性和可识别性，适用于科学领域中的优化问题。
Comments ICLR 2026
SongEcho：通过实例自适应元素线性调制实现覆盖歌曲生成
机构 * MAIS, Institute of Automation, Chinese Academy of Sciences（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） ； ISRC, Institute of Software, Chinese Academy of Sciences（软件研究所，中国科学院） ； University of Konstanz（康斯坦茨大学） ； National Cheng-Kung University（国立成功大学）
AI总结 SongEcho通过实例自适应元素线性调制实现覆盖歌曲生成，生成高质量歌曲并减少参数使用。
Comments Accepted at ICLR 2026. 21 pages (10 pages main text), 5 figures
提升语言模型中水印强度与推测采样效率之间的权衡
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出了一种提升语言模型中水印强度与推测采样效率之间权衡的方法，通过定量指标和系统机制实现两者的平衡。
Comments Accepted at ICLR 2026
你能听到我吗？一个长距离图传播的基准
机构 * Department of Computer Science, University of Pisa（计算机科学系，比萨大学）
AI总结 ECHO基准通过合成和现实数据集评估GNN在长距离图传播中的性能，揭示了现有模型在处理复杂长距离相互作用方面的不足。
Comments Accepted at ICLR 2026 ( https://openreview.net/forum?id=DgkWFPZMPp )
MergeMix：一种用于视觉和多模态理解的统一增强范式
机构 * Westlake University（西拉克大学） ； Zhejiang University（浙江大学） ； College of Computer Science and Technology（计算机科学与技术学院）
AI总结 MergeMix通过高效的令牌合并Mixup增强方法，平衡了SFT和RL的优劣，提升多模态大语言模型的分类准确率和对齐能力。
Comments ICLR 2026, Web link: https://jinxins.github.io/MergeMix_Web/
TROLL：通过信任区域改进大型语言模型的强化学习
AI总结 TROLL通过引入基于信任区域的离散可微投影，改进了大型语言模型的强化学习训练，提升了训练速度、稳定性和最终成功率。
Comments Published as a conference paper at ICLR 2026
再论缩放定律：建模数据质量在语言模型预训练中的作用
机构 * Center for Translational Data Science（转化数据科学中心） ； Department of Computer Science（计算机科学系） ； Department of Medicine（医学系）
AI总结 本文提出了一种考虑数据质量的缩放定律，通过实验展示了高质量数据可减少模型规模和计算需求。
Comments 21 pages, 5 figures
Journal ref International Conference on Learning Representations (ICLR) 2026
Shop-R1: 通过强化学习奖励大语言模型模拟在线购物中的人类行为
机构 * Michigan State University（密歇根州立大学） ； Amazon（亚马逊） ； Northeastern University（东北大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Northwestern University（西北大学）
AI总结 Shop-R1通过强化学习框架提升大语言模型在在线购物场景中模拟人类行为的推理能力，实现65%以上的性能提升。
Comments Accepted by ICLR 2026. The project page is available at https://damon-demon.github.io/shop-r1.html
AbstRaL: 通过强化抽象思维增强大语言模型的推理能力
AI总结 AbstRaL通过强化学习提升LLM的抽象推理能力，有效缓解GSM扰动基准测试中的性能下降，并提升模型在OD数学和一般推理任务上的泛化能力。
Comments ICLR 2026
增强辐射场：一种改进的高斯散射通用框架
机构 * VCC, CSSE, Shenzhen University（深圳大学视觉计算中心、计算机科学与工程系） ； Tencent Games（腾讯游戏）
AI总结 本文提出增强辐射场框架，通过视图依赖的不透明度建模镜面效应，提升3D高斯散射的渲染性能和参数效率。
Comments Accepted to ICLR 2026. Project page: \url{https://xiaoxinyyx.github.io/augs}
BigMaQ: 一个连接图像和3D姿态表示的大型猕猴运动与动画数据集
机构 * Hertie Institute, University of Tübingen（图宾根大学赫蒂研究所） ； IMPRS-IS（IMPRS-IS研究所） ； KU Leuven（鲁汶大学）
AI总结 BigMaQ数据集通过整合动态3D姿态-形状表示，提升动物动作识别的准确性，并提供丰富的资源用于非人类灵长类动物的研究。
Journal ref International Conference on Learning Representations (ICLR), 2026
通过高层表示误导实现文本到图像扩散模型中的局部概念擦除
机构 * Department of Data Science, Seoul National University of Science and Technology（数据科学系，首尔科学技术大学）
AI总结 本文提出HiRM方法，通过误导文本编码器中的高层表示来实现精确的概念擦除，减少对非目标概念的影响，并在低训练成本下保持生成能力。
Comments Accepted at ICLR 2026. The first two authors contributed equally
关系特征缓存用于加速扩散变换器
机构 * Yonsei University（延世大学） ； Korea Institute of Science and Technology (KIST)（韩国科学技术院）
AI总结 本文提出关系特征缓存（RFC）方法，通过利用输入-输出关系提升特征预测准确性，有效减少扩散变换器的计算开销。
Comments Accepted to ICLR 2026
拉普拉斯多尺度流匹配用于生成建模
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出拉普拉斯多尺度流匹配框架，通过并行处理多尺度表示提升图像生成质量与效率，实现高分辨率生成的同时降低计算开销。
Comments Accepted to appear in ICLR 2026
提及层分解
机构 * Intelligent Editing Team, Intelligent Creation, ByteDance（字节跳动智能创作部）
AI总结 提及层分解任务通过预测RGBA层实现精确的视觉内容控制，结合大规模数据集和评估协议，提升图像编辑和生成的可控性与质量。
Comments ICLR 2026
关注CTC：用于统一语音识别的快速且稳健的伪标签方法
机构 * NatWest AI Research（NatWest人工智能研究） ； Imperial College London（伦敦帝国理工学院）
AI总结 本文提出USR 2.0，通过CTC驱动的教师强制和混合采样提升统一语音识别的训练效率和鲁棒性，实现训练时间减半并在多个基准上取得最佳性能。
Comments ICLR 2026. Code: https://github.com/ahaliassos/usr2
JavisDiT++：联合音频视频生成的统一建模与优化
机构 * Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； University of Toronto（多伦多大学） ； HiThink Research（HiThink研究） ； University of Rochester（罗切斯特大学） ； Nanyang Technological University（南洋理工大学）
AI总结 JavisDiT++通过统一建模与优化方法，在联合音频视频生成任务中实现高质量的同步与语义对齐。
Comments Accepted by ICLR 2026. Homepage: https://JavisVerse.github.io/JavisDiT2-page
Celo2：迈向无学习优化的免费午餐
AI总结 Celo2通过简单架构和增强元训练，在极小计算量下实现了高效通用学习更新规则，稳定扩展至大规模预训练任务并兼容现代优化工具。
Comments ICLR 2026
ODESteer: 一种基于常微分方程的统一激活引导框架用于大语言模型对齐
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Northwestern University（西北大学） ； William & Mary（威廉与玛丽学院） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学）
AI总结 ODESteer通过基于常微分方程的理论框架，统一了激活引导方法，实现了在大语言模型对齐中的显著性能提升。
Comments Accepted by ICLR 2026 (Camera Ready Version)
RFEval: 在大推理模型中评估推理忠实性下的反事实推理干预基准测试
机构 * AIDAS Laboratory（AIDAS实验室） ； IPAI ； ECE（电子工程系） ； Seoul National University（首尔国立大学）
AI总结 RFEval通过反事实推理干预评估大推理模型的推理忠实性，发现49.7%的输出不忠实，主要源于立场不一致，强调准确性不能作为忠实性的可靠代理。
Comments Accepted in ICLR 2026 Poster: https://iclr.cc/virtual/2026/poster/10011763
快速追上，后期切换：通过函数缩放定律进行最优批量大小调度
机构 * School of Mathematical Sciences, Peking University（北京大学数学科学学院） ； Center for Machine Learning Research, Peking University（北京大学机器学习研究中心） ； School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（中国科学技术大学认知智能国家重点实验室） ； Meituan, Beijing（美团（北京）） ； AI for Science Institute, Beijing（北京人工智能科学研究院）
AI总结 本文通过函数缩放定律揭示了大规模深度学习中最优批量大小调度的理论机制，表明在困难任务中后期切换大批次可提升效率并减少数据消耗。
Comments 34 pages, accepted by ICLR 2026 as a conference paper
多源无监督领域自适应的分布鲁棒分类
机构 * Pohang University of Science and Technology（釜山科学技术大学） ； Korea Advanced Institute of Science and Technology（韩国科学技术院）
AI总结 本文提出了一种多源无监督领域自适应的分布鲁棒分类框架，通过建模协变量和条件标签分布的不确定性，有效提升模型在目标域的泛化能力，尤其在目标数据稀缺时表现优异。
Comments Accepted at ICLR 2026
TwinVLA: 通过双单臂视觉-语言-动作模型实现数据高效的双臂操作
机构 * Department of Artificial Intelligence, Yonsei University（人工智能系，延世大学） ； Microsoft Research（微软研究院）
AI总结 TwinVLA通过模块化组合预训练的单臂视觉-语言-动作模型，实现了高效双臂操作，无需额外双臂数据训练。
Comments Accepted to ICLR 2026 (Poster). Project webpage : https://jellyho.github.io/TwinVLA/
BEAT：通过对比触发学习对基于VLM的具身代理进行视觉后门攻击
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 BEAT通过对比触发学习在基于VLM的具身代理中实现视觉后门攻击，提升后门激活精度至39%。
Comments ICLR 2026. Project Page: https://zqs1943.github.io/BEAT/
传递式强化学习：基于分而治之的价值学习
AI总结 本文提出传递式强化学习算法，通过分而治之策略解决离线目标条件强化学习问题，有效降低偏见累积和方差，实现长horizon任务中的最优性能。
Comments ICLR 2026
步感知残差引导扩散用于EEG空间超分辨率
AI总结 SRGDiff通过步感知残差引导扩散模型，提升EEG空间超分辨率的保真度与一致性，实现高达40%的性能提升。
Comments ICLR 2026 Conference Paper
重新审视时间图中的节点亲和预测
机构 * Ben-Gurion University of the Negev（贝纳尔-戈里翁大学奈杰夫分校） ； University of Bonn（波恩大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出NAVIS模型，通过虚拟状态方法改进时间图中节点亲和预测，结合启发式方法与状态空间模型，提出新损失函数并验证其有效性。
Comments Accepted at ICLR 2026
大规模视觉-语言重排序的高效判别联合编码器
机构 * INSIGHT Lab, Ben-Gurion University of the Negev（本·古里安内盖夫大学INSIGHT实验室）
AI总结 EDJE通过离线预计算和轻量级注意力适配器，实现了高效视觉-语言重排序，显著降低存储和计算成本，提升大规模检索性能。
Comments Accepted at ICLR 2026
SocialHarmBench: 揭示 LLM 对有害社会请求的脆弱性
AI总结 SocialHarmBench 通过 585 个提示揭示 LLM 在政治敏感场景中的脆弱性，揭示了模型在有害请求中的高风险表现。
Comments ICLR 2026
KVComm: 通过选择性KV共享实现高效的LLM通信
机构 * KTH Royal Institute of Technology（皇家理工学院）
AI总结 KVComm通过选择性共享KV对，实现LLM间高效通信，实验显示其性能与上界方法相当，仅传输30%的KV对。
Comments ICLR 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈