ICLR

GeoDiv: Framework For Measuring Geographical Diversity In Text-To-Image Models

GeoDiv：文本到图像模型中地理多样性测量的框架

Abhipsa Basu, Mohana Singh, Shashank Agnihotri, Margret Keuper, R. Venkatesh Babu

机构 * Vision and AI Lab, Indian Institute of Science, Bangalore, India（印度科学院视觉与人工智能实验室） ； Chair for Machine Learning, University of Mannheim（曼海姆大学机器学习主任） ； Max Planck Institute for Informatics, Saarland Informatics Campus, Saarbrücken, Germany（马克斯·普朗克信息研究所，萨尔兰州信息学院，萨尔布吕肯，德国） 纠错

AI总结 GeoDiv通过评估文本到图像模型中的地理多样性，揭示模型在描绘地区时的偏见问题，提出可解释的度量框架以促进公平生成系统。

Comments ICLR 2026

Explore-on-Graph: Incentivizing Autonomous Exploration of Large Language Models on Knowledge Graphs with Path-refined Reward Modeling

在知识图谱上探索：通过路径细化奖励建模激励大语言模型自主探索

Shiqi Yan, Yubo Chen, Ruiqi Zhou, Zhengxi Yao, Shuai Chen, Tianyi Zhang, Shijie Zhang, Wei Qiang Zhang, Yongfeng Huang, Haixin Duan, Yunqi Zhang

机构 * Zhongguancun Laboratory, Beijing, China（中关村实验室，北京，中国） ； Department of Electronic Engineering, Tsinghua University, Beijing, China（电子工程系，清华大学，北京，中国） ； Institute for Network Sciences and Cyberspace, Tsinghua University, Beijing, China（网络科学与网络空间研究院，清华大学，北京，中国） ； Ant International, Ant Group, Hangzhou, Zhejiang, China（蚂蚁集团，杭州，浙江，中国） 纠错

AI总结 本文提出Explore-on-Graph框架，通过强化学习和路径细化奖励建模，使大语言模型在知识图谱上自主探索更广泛的推理空间，实现对分布外推理问题的高效泛化。

Comments Published as a conference paper at ICLR 2026

Optimizer choice matters for the emergence of Neural Collapse

优化器选择对神经崩溃的出现至关重要

Jim Zhao, Tin Sum Cheng, Wojciech Masarczyk, Aurelien Lucchi

AI总结 本文研究了优化器选择对神经崩溃（NC）出现的影响，提出NC0指标证明解耦权重衰减抑制NC，并展示了动量对NC的加速作用。

Comments Published as a conference paper at ICLR 2026

DenseGRPO: From Sparse to Dense Reward for Flow Matching Model Alignment

DenseGRPO：从稀疏到密集奖励用于流匹配模型对齐

Haoyou Deng, Keyu Yan, Chaojie Mao, Xiang Wang, Yu Liu, Changxin Gao, Nong Sang

机构 * Tongyi Lab, Alibaba Group（阿里集团通义实验室） 纠错

AI总结 DenseGRPO通过引入密集奖励机制，解决流匹配模型中稀疏奖励导致的反馈与贡献不匹配问题，提升文本到图像生成的人类偏好对齐效果。

Comments Accepted by ICLR 2026

RebuttalAgent: Strategic Persuasion in Academic Rebuttal via Theory of Mind

反驳代理：通过心理理论实现学术反驳的战略说服

Zhitao He, Zongwei Lyu, Yi R Fung

机构 * Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 RebuttalAgent通过心理理论框架实现学术反驳的战略说服，利用训练数据和强化学习提升反驳效果，显著优于现有模型。

Comments Accepted by ICLR 2026

In-Context Algebra

上下文中的代数

Eric Todd, Jannik Brinkmann, Rohit Gandikota, David Bau

机构 * Northeastern University（东北大学） ； TU Clausthal（图鲁姆大学） 纠错

AI总结 本研究探讨了transformer在上下文代数任务中学习的机制，发现模型能通过动态变量分配实现符号推理。

Comments ICLR 2026. 35 pages, 22 figures. Code and data at https://algebra.baulab.info

Robust Preference Alignment via Directional Neighborhood Consensus

通过方向邻域共识实现鲁棒偏好对齐

Ruochen Mao, Yuling Shi, Xiaodong Gu, Jiaheng Wei

AI总结 通过方向邻域共识实现鲁棒偏好对齐，提升模型在多样化偏好下的稳定性与可靠性。

Comments Accepted to ICLR 2026

Rethinking Consistent Multi-Label Classification Under Inexact Supervision

重新思考在不精确监督下的一致多标签分类

Wei Wang, Tianhao Ma, Ming-Kun Xie, Gang Niu, Masashi Sugiyama

机构 * RIKEN, Japan（日本RIKEN） ； The University of Tokyo, Japan（东京大学） 纠错

AI总结 本文提出了一种不依赖传统假设的一致多标签分类方法，通过两种风险估计器统一处理部分和互补多标签学习问题，并在多个数据集上验证了其有效性。

Comments ICLR 2026

Beyond RAG vs. Long-Context: Learning Distraction-Aware Retrieval for Efficient Knowledge Grounding

超越RAG与长上下文：学习抗干扰检索以实现高效的知识 grounding

Seongwoong Shim, Myunsoo Kim, Jae Hyeon Cho, Byung-Jun Lee

机构 * Korea University, Decision Making Lab（韩国大学，决策实验室） ； LG CNS 纠错

AI总结 本文提出LDAR方法，通过学习抗干扰检索提升知识 grounding 的效率与性能。

Comments Accepted at ICLR 2026

LoRA-Edit: Controllable First-Frame-Guided Video Editing via Mask-Aware LoRA Fine-Tuning

LoRA-Edit: 通过掩码感知LoRA微调实现可控的第一帧引导视频编辑

Chenjian Gao, Lihe Ding, Xin Cai, Zhanpeng Huang, Zibin Wang, Tianfan Xue

机构 * Multimedia Laboratory, The Chinese University of Hong Kong（香港中文大学多媒体实验室） ； SenseTime Research（商汤科技研究院） 纠错

AI总结 LoRA-Edit通过时空掩码引导LoRA微调，实现对视频编辑全过程的可控编辑，支持生成动态变化的视频内容。

Comments ICLR 2026

Resisting Contextual Interference in RAG via Parametric-Knowledge Reinforcement

通过参数知识强化来抵御RAG中的上下文干扰

Chenyu Lin, Yilin Wen, Du Su, Hexiang Tan, Fei Sun, Muhan Chen, Chenfu Bao, Zhonghou Lyu

机构 * Baidu Inc.（百度公司） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） 纠错

AI总结 Knowledgeable-R1通过参数知识强化提升RAG在知识冲突和一般场景中的鲁棒性与推理准确性，反事实场景中表现优于现有基线。

Comments Accepted to ICLR 2026

ArtVIP: Articulated Digital Assets of Visual Realism, Modular Interaction, and Physical Fidelity for Robot Learning

ArtVIP: 具象化数字资产、模块化交互与物理真实性的机器人学习

Zhao Jin, Zhengping Che, Tao Li, Zhen Zhao, Kun Wu, Yuheng Zhang, Yinuo Zhao, Zehui Liu, Qiang Zhang, Xiaozhu Ju, Jing Tian, Yousong Xue, Jian Tang

机构 * Beijing Innovation Center of Humanoid Robotics（北京人形机器人创新中心） ； Beijing Institute of Architectural Design（北京建筑设计研究院） 纠错

AI总结 ArtVIP通过高真实感的数字资产和模块化交互行为，提升机器人学习的仿真与现实桥梁，推动强化学习和模仿学习实验的应用

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

TRACE: Your Diffusion Model is Secretly an Instance Edge Detector

TRACE：你的扩散模型实际上是一个实例边缘检测器

Sanghyun Jo, Ziseok Lee, Wooyeol Lee, Jonghyun Choi, Jaesik Park, Kyungsu Kim

机构 * OGQ, Seoul, Korea（韩国首尔OGQ） ； Seoul National University, Seoul, Korea（韩国首尔国立大学） 纠错

AI总结 TRACE通过扩散模型的实例边缘检测技术，在无监督和弱监督分割中实现更高效和精确的边界生成。

Comments Accepted to ICLR 2026 (Oral)

Dynamic Multimodal Activation Steering for Hallucination Mitigation in Large Vision-Language Models

动态多模态激活引导用于大型视觉-语言模型中的幻觉缓解

Jianghao Yin, Qin Chen, Kedi Chen, Jie Zhou, Xingjiao Wu, Liang He

机构 * East China Normal University（华东师范大学） 纠错

AI总结 本文提出动态多模态激活引导方法，通过构建语义真实性引导向量数据库，实现幻觉缓解，提升模型性能。

Comments Accepted by ICLR 2026

Primary-Fine Decoupling for Action Generation in Robotic Imitation

动作生成中的主-细分离

Xiaohan Lei, Min Wang, Wengang Zhou, Xingyu Lu, Houqiang Li

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国家重点实验室，中国科学技术大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（人工智能研究院，合肥综合性国家科学中心） 纠错

AI总结 PF-DAG通过两阶段框架实现动作生成中的主-细分离，提升机器人模仿学习的多模态建模与闭环控制性能。

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

A Hidden Semantic Bottleneck in Conditional Embeddings of Diffusion Transformers

扩散变换器条件嵌入中的隐藏语义瓶颈

Trung X. Pham, Kang Zhang, Ji Woo Hong, Chang D. Yoo

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） 纠错

AI总结 研究揭示扩散变换器条件嵌入中的语义瓶颈，发现语义信息集中于少量维度，通过剪枝提升生成质量。

Comments Accepted to ICLR 2026

Learning Recursive Multi-Scale Representations for Irregular Multivariate Time Series Forecasting

学习递归多尺度表示以进行不规则多变量时间序列预测

Boyuan Li, Zhen Liu, Yicheng Luo, Qianli Ma

机构 * School of Computer Science and Engineering, South China University of Technology（计算机科学与工程学院，华南理工大学） 纠错

AI总结 ReIMTS通过递归多尺度建模方法，无需重采样即可提升不规则多变量时间序列预测的准确性。

Comments Accepted in ICLR 2026

Enhancing Multi-Image Understanding through Delimiter Token Scaling

通过分隔符标记扩展提升多图像理解

Minyoung Lee, Yeji Park, Dongjun Hwang, Yejin Kim, Seong Joon Oh, Junsuk Choe

AI总结 通过扩展分隔符标记的隐藏状态，提升多图像理解性能，有效减少跨图像信息泄露，提高模型区分和推理能力。

Comments Accepted at ICLR 2026

ATLAS: Adaptive Transfer Scaling Laws for Multilingual Pretraining, Finetuning, and Decoding the Curse of Multilinguality

ATLAS：适应性迁移缩放定律用于多语言预训练、微调和解码的多语言诅咒

Shayne Longpre, Sneha Kudugunta, Niklas Muennighoff, I-Hung Hsu, Isaac Caswell, Alex Pentland, Sercan Arik, Chen-Yu Lee, Sayna Ebrahimi

机构 * MIT（麻省理工学院） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Google Cloud AI（谷歌云人工智能） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 ATLAS提出了一种适应性迁移缩放定律，用于多语言预训练、微调和解码，解决了多语言学习中的性能瓶颈和计算优化问题。

Comments Published as a conference paper at ICLR 2026

MoMaGen: Generating Demonstrations under Soft and Hard Constraints for Multi-Step Bimanual Mobile Manipulation

MoMaGen: 为多步双臂移动操作生成演示数据以满足软约束和硬约束

Chengshu Li, Mengdi Xu, Arpit Bahety, Hang Yin, Yunfan Jiang, Huang Huang, Josiah Wong, Sujay Garlanka, Cem Gokmen, Ruohan Zhang, Weiyu Liu, Jiajun Wu, Roberto Martín-Martín, Li Fei-Fei

机构 * Stanford University（斯坦福大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Amazon（亚马逊公司） 纠错

AI总结 MoMaGen通过解决双臂移动操作中的可达性和可见性问题，生成多样化数据集以提升模仿学习策略的训练效果。

Comments Project website: momagen.github.io. The first four authors contribute equally. Accpeted to International Conference on Learning Representations (ICLR 2026)

SPACeR: Self-Play Anchoring with Centralized Reference Models

SPACeR：基于集中参考模型的自我对战锚定

Wei-Jer Chang, Akshay Rangesh, Kevin Joseph, Matthew Strong, Masayoshi Tomizuka, Yihan Hu, Wei Zhan

机构 * Applied Intuition ； University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； Stanford University（斯坦福大学） 纠错

AI总结 SPACeR通过集中参考模型指导自我对战，实现高效、可扩展的自动驾驶策略生成。

Comments Accepted at ICLR 2026. Project page: https://spacer-ai.github.io/

Embedding-Based Context-Aware Reranker

基于嵌入的上下文感知重排序器

Ye Yuan, Mohammad Amin Shabani, Siqi Liu

机构 * McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； RBC Borealis 纠错

AI总结 本文提出EBCAR，一种基于嵌入的上下文感知重排序器，通过增强跨段落理解提升信息检索的准确性和效率。

Comments Accepted by ICLR 2026

SciTS: Scientific Time Series Understanding and Generation with LLMs

SciTS: 基于大语言模型的科学时间序列理解与生成

Wen Wu, Ziyang Zhang, Liwei Liu, Xuenan Xu, Jimin Zhuang, Ke Fan, Qitan Lv, Junlin Liu, Chen Zhang, Zheqi Yuan, Siyuan Hou, Tianyi Lin, Kai Chen, Bowen Zhou, Chao Zhang

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Tsinghua University（清华大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 SciTS提出了一种基于LLM的科学时间序列理解与生成框架，通过基准测试发现通用LLM在泛化能力上优于专门模型，并引入TimeOmni框架提升性能。

Comments Accepted to ICLR 2026

FlexiCodec: A Dynamic Neural Audio Codec for Low Frame Rates

FlexiCodec: 一种用于低帧率的动态神经音频编解码器

Jiaqi Li, Yao Qian, Yuxuan Hu, Leying Zhang, Xiaofei Wang, Heng Lu, Manthan Thakker, Jinyu Li, Sheng Zhao, Zhizheng Wu

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Microsoft（微软公司） ； Shanghai Jiao Tong University（上海交通大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； City University of Macau（澳门城市大学） ； Amphion Technology Co., Ltd.（Amphion科技有限公司） 纠错

AI总结 FlexiCodec通过动态帧率方法和双流编码架构，提升低帧率下的语义保留和音频重建质量。

Comments Accepted to ICLR 2026

Incentive-Aligned Multi-Source LLM Summaries

对齐激励的多源大语言模型摘要

Yanchen Jiang, Zhe Feng, Aranyak Mehta

机构 * Harvard University（哈佛大学） ； Google Research（谷歌研究） 纠错

AI总结 本文提出TTS框架，通过激励对齐提升多源摘要的事实准确性与稳健性，同时保持流畅性。

Comments Accepted at ICLR 2026

Uncovering Grounding IDs: How External Cues Shape Multimodal Binding

揭示地面ID：外部线索如何塑造多模态绑定

Hosein Hasani, Amirmohammad Izadi, Fatemeh Askari, Mobin Bagherian, Sadegh Mohammadian, Mohammad Izadi, Mahdieh Soleymani Baghshah

AI总结 本文提出地面ID概念，揭示外部线索通过增强多模态绑定的注意力机制，提升跨模态定位精度并减少幻觉。

Comments Under review as a conference paper at ICLR 2026

Training Deep Normalization-Free Spiking Neural Networks with Lateral Inhibition

训练具有横向抑制的深度无归一化脉冲神经网络

Peiyu Liu, Jianhao Ding, Zhaofei Yu

AI总结 本文提出无归一化学习框架，利用横向抑制训练深度SNNs，实现生物现实性与稳定训练的平衡。

Comments Accepted by ICLR 2026

JanusVLN: Decoupling Semantics and Spatiality with Dual Implicit Memory for Vision-Language Navigation

JanusVLN: 通过双隐式记忆解耦语义与空间性用于视觉-语言导航

Shuang Zeng, Dekang Qi, Xinyuan Chang, Feng Xiong, Shichao Xie, Xiaolong Wu, Shiyi Liang, Mu Xu, Xing Wei, Ning Guo

机构 * Xi’an Jiaotong University（西安交通大学） ； Amap, Alibaba Group（阿里巴巴集团） 纠错

AI总结 JanusVLN通过双隐式记忆解耦语义与空间性，提升视觉-语言导航的性能和效率。

Comments Accepted to ICLR 2026. Project page: https://miv-xjtu.github.io/JanusVLN.github.io/

Error Notebook-Guided, Training-Free Part Retrieval in 3D CAD Assemblies via Vision-Language Models

通过视觉-语言模型实现无训练的3DCAD装配体部件检索：基于错误笔记本的引导

Yunqing Liu, Nan Zhang, Zhiming Tan

机构 * Fujitsu Research & Development Center Shanghai, China（富士通研发中心上海） 纠错

AI总结 本研究提出一种无训练的3D CAD部件检索方法，通过结合错误笔记本与RAG技术，显著提升基于VLM的推理性能，实验显示在专有模型和开源模型上均取得显著效果。

Comments Accepted by ICLR 2026

Flow-Based Single-Step Completion for Efficient and Expressive Policy Learning

基于流的单步完成：用于高效且表达性的策略学习

Prajwal Koirala, Cody Fleming

机构 * Iowa State University（爱荷华州立大学） 纠错

AI总结 SSCP是一种基于流的单步完成策略，通过增强的流匹配目标实现高效且表达性的策略学习，适用于多种RL场景。

Comments ICLR 2026