ICLR

Astral: training physics-informed neural networks with error majorants

Astral: 通过误差上界训练物理信息神经网络

Vladimir Fanaskov, Tianchi Yu, Alexander Rudikov, Ivan Oseledets

机构 * INM（研究所） 纠错

AI总结 Astral通过误差上界训练物理信息神经网络，实现更准确的误差估计和更快的收敛速度。

Comments Accepted to ICLR 2026 workshop AI&PDE, reviewed at https://openreview.net/forum?id=TcFpJK2FcN

DGNet: Discrete Green Networks for Data-Efficient Learning of Spatiotemporal PDEs

DGNet: 用于数据高效学习时空偏微分方程的离散绿色网络

Yingjie Tan, Quanming Yao, Yaqing Wang

机构 * Beijing Institute of Mathematical Sciences and Applications（北京数学科学与应用研究所） 纠错

AI总结 DGNet通过离散格林网络实现时空PDE的数据高效学习，利用结构归纳偏置提升样本效率和泛化能力。

Comments Accepted as a conference paper at ICLR 2026

Learning Domain-Aware Task Prompt Representations for Multi-Domain All-in-One Image Restoration

学习多领域任务提示表示以实现多领域一体化图像修复

Guanglu Dong, Chunlei Li, Chao Ren, Jingliang Hu, Yilei Shi, Xiao Xiang Zhu, Lichao Mou

机构 * Sichuan University（四川大学） ； MedAI Technology (Wuxi) Co. Ltd.（MedAI技术（无锡）有限公司） ； Technical University of Munich（慕尼黑技术大学） 纠错

AI总结 提出DATPRL-IR，通过多领域任务提示表示学习实现多领域一体化图像修复，优于现有方法并具备强泛化能力

Comments ICLR 2026

Dual Distillation for Few-Shot Anomaly Detection

双蒸馏用于少样本异常检测

Le Dong, Qinzhong Tan, Chunlei Li, Jingliang Hu, Yilei Shi, Weisheng Dong, Xiao Xiang Zhu, Lichao Mou

机构 * Xidian University（西安电子科技大学） ； MedAI Technology (Wuxi) Co. Ltd.（医影科技（无锡）有限公司） ； Technical University of Munich（慕尼黑技术大学） 纠错

AI总结 D$^2$4FAD通过双蒸馏框架实现少样本医学异常检测，利用预训练编码器和动态加权机制提升检测性能。

Comments ICLR 2026

MVR: Multi-view Video Reward Shaping for Reinforcement Learning

MVR：多视图视频奖励塑造用于强化学习

Lirui Luo, Guoxi Zhang, Hongming Xu, Yaodong Yang, Cong Fang, Qing Li

机构 * School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室） 纠错

AI总结 MVR通过多视角视频和视觉语言模型提升强化学习中的奖励塑造，有效解决复杂动态任务中的状态相关性和视角偏见问题。

Comments ICLR 2026

Chain-of-Context Learning: Dynamic Constraint Understanding for Multi-Task VRPs

上下文链学习：多任务VRP中的动态约束理解

Shuangchun Gui, Suyu Liu, Xuehe Wang, Zhiguang Cao

机构 * School of Computing and Information Systems, Singapore Management University, Singapore（新加坡管理大学计算机与信息学院） ； Guangdong Laboratory of AI and Digital Economy, Shenzhen, Guangdong, China（广东人工智能与数字经济实验室） ； School of Artificial Intelligence, Sun Yat-sen University, Zhuhai, Guangdong, China（中山大学人工智能学院） 纠错

AI总结 CCL通过逐步捕捉动态上下文来改进多任务VRP中的约束理解，通过RGCR和TSNR模块实现细粒度节点适应，有效提升求解性能。

Comments This paper is accepted by ICLR 2026

Boosting Entropy with Bell Box Quantization

通过贝尔盒量化提升熵

Ningfeng Yang, Tor M. Aamodt

机构 * University of British Columbia（不列颠哥伦比亚大学） 纠错

AI总结 BBQ是一种信息最优且计算高效的量化方法，通过在输入领域执行信息最优量化并在输出领域映射到计算高效类型，显著提升了模型的困惑度性能。

Comments Published as a conference paper at ICLR 2026

Scalable Multi-Task Low-Rank Model Adaptation

可扩展的多任务低秩模型适应

Zichen Tian, Antoine Ledent, Qianru Sun

机构 * Singapore Management University（新加坡国立管理学院） 纠错

AI总结 mtLoRA通过频谱感知正则化、块级别适应和细粒度路由，解决多任务低秩适应中的参数和表示不一致问题，实现高效且高准确率的模型适应。

Comments Published as a conference paper at ICLR 2026. 21 pages, 4 figures, 11 tables. Code is available

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

Retrieval, Refinement, and Ranking for Text-to-Video Generation via Prompt Optimization and Test-Time Scaling

通过提示优化和测试时扩展实现文本到视频生成的检索、细化与排序

Zillur Rahman, Alex Sheng, Cristian Meo

机构 * Algoverse AI 纠错

AI总结 本文提出3R框架，通过提示优化和测试时扩展提升文本到视频生成的准确性与效率。

Comments 2026 ICLR TTU Workshop

Inference-Time Safety For Code LLMs Via Retrieval-Augmented Revision

通过检索增强的修订实现代码LLM的推理时安全性

Manisha Mukherjee, Vincent J. Hellendoorn

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 通过检索增强的修订机制提升代码LLM的推理时安全性，提高生成代码的安全性并减少漏洞。

Comments Accepted at the ICLR 2026 Workshop on Principled Design for Trustworthy AI: Interpretability, Robustness, and Safety Across Modalities

Radiometrically Consistent Gaussian Surfels for Inverse Rendering

辐射一致的高斯 Surfels 用于反演渲染

Kyu Beom Han, Jaeyoon Kim, Woo Jae Kim, Jinhwan Seo, Sung-eui Yoon

机构 * School of Computing（计算机学院） ； Korea Advanced Institute of Science and Technology（韩国科学技术院） 纠错

AI总结 RadioGS通过引入辐射一致性约束，结合高斯Surfels和二维高斯射线追踪，实现高效的反演渲染，提升对间接光照的建模精度。

Comments 9 pages, 6 figures, ICLR 2026 Oral paper

Enhancing Persona Following at Decoding Time via Dynamic Importance Estimation for Role-Playing Agents

通过动态重要性估计增强解码时的个性跟随以用于角色扮演代理

Yuxin Liu, Mingye Zhu, Siyuan Liu, Bo Hu, Lei Zhang

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 本文提出了一种基于理论的动态重要性估计方法，通过加权奖励引导解码提升角色扮演代理在动态场景中的个性跟随能力。

Comments ICLR 2026

Provable and Practical In-Context Policy Optimization for Self-Improvement

可证明且实用的上下文内策略优化用于自我改进

Tianrun Yu, Yuxiao Yang, Zhaoyang Wang, Kaixiang Zhao, Porter Jenkins, Xuchao Zhang, Chetan Bansal, Huaxiu Yao, Weitong Zhang

AI总结 本文提出ICPO方法，通过上下文内自我反思和最小熵优化，在保持低推理成本的同时实现数学推理任务的高性能

Comments 34 pages, 8 tables, 4 figures, Accepted by ICLR 2026

I Can't Believe It's Not Robust: Catastrophic Collapse of Safety Classifiers under Embedding Drift

我难以相信它不稳健：在嵌入漂移下安全分类器的灾难性崩溃

Subramanyam Sahoo, Vinija Jain, Divya Chaudhary, Aman Chadha

机构 * Independent（独立研究者） ； Meta AI ； AWS Generative AI Innovation Center, Amazon Web Services（AWS生成式AI创新中心，亚马逊网络服务） ； Northeastern University, Seattle, WA, USA（东北大学，西雅图，华盛顿州，美国） ； Stanford University（斯坦福大学） 纠错

AI总结 研究发现嵌入漂移导致安全分类器性能大幅下降，揭示了生产AI安全架构的脆弱性并挑战了安全机制的转移假设。

Comments Accepted at the ICBINB: Where LLMs Need to Improve workshop at ICLR 2026. 12 pages and 3 Figures

JailNewsBench: Multi-Lingual and Regional Benchmark for Fake News Generation under Jailbreak Attacks

JailNewsBench: 多语言和区域假新闻生成对抗基准

Masahiro Kaneko, Ayana Niwa, Timothy Baldwin

AI总结 JailNewsBench 是首个评估大语言模型对抗jailbreak攻击生成假新闻鲁棒性的多语言和区域基准，揭示了不同语言和区域间安全性的不平衡问题。

Comments ICLR 2026

Attention Smoothing Is All You Need For Unlearning

注意力平滑是删除学习的全部需求

Saleh Zare Zade, Xiangyu Zhou, Sijia Liu, Dongxiao Zhu

机构 * Department of Computer Science, Wayne State University（韦恩州立大学计算机科学系） ； Department of Computer Science and Engineering, Michigan State University（密歇根州立大学计算机科学与工程系） ； Institute for AI and Data Science, Wayne State University（韦恩州立大学人工智能与数据科学研究所） 纠错

AI总结 ASU通过注意力平滑技术有效删除学习，减少记忆内容的同时保持响应连贯性，优于现有方法。

Comments Accepted by ICLR 2026

Spectral Attention Steering for Prompt Highlighting

光谱注意力引导用于提示突出

Weixian Waylon Li, Yuchen Niu, Yongxin Yang, Keshuang Li, Tiejun Ma, Shay B. Cohen

机构 * University of Edinburgh, UK（爱丁堡大学） ； RayNeo, China（RayNeo） ； Huawei Research Ltd., UK（华为研究有限公司） ； Queen Mary University of London, UK（伦敦大学玛丽女王学院） 纠错

AI总结 SEKA和AdaSEKA通过直接编辑键嵌入实现无需训练的注意力引导，显著提升提示突出性能，同时保持低延迟和内存开销。

Comments Accepted to ICLR 2026 (Poster, Top 4%)

AgilePruner: An Empirical Study of Attention and Diversity for Adaptive Visual Token Pruning in Large Vision-Language Models

AgilePruner: 一种针对大视觉-语言模型中自适应视觉标记剪枝的实证研究

Changwoo Baek, Jouwon Song, Sohyeon Kim, Kyeongbo Kong

机构 * Pusan National University（釜山国立大学） ； LG Electronics（LG电子） 纠错

AI总结 AgilePruner通过实证研究揭示了基于注意力和多样性的视觉标记剪枝方法的优劣，并提出了一种改进的自适应剪枝机制。

Comments Accepted to ICLR 2026

Stochastic Neural Networks for Causal Inference with Missing Confounders

随机神经网络用于有缺失混杂因素的因果推断

Yaxin Fang, Faming Liang

AI总结 本文提出CI-StoNet，利用随机神经网络处理缺失混杂因素，通过自适应Hamilton蒙特卡洛方法实现潜在混杂因素的填补，并在保证因果推断一致性的同时，扩展到代理变量和多重原因场景。

Comments Accepted at the International Conference on Learning Representations (ICLR) 2026

Journal ref In Proceedings of the International Conference on Learning Representations (ICLR), 2026

Token-level Data Selection for Safe LLM Fine-tuning

令牌级数据选择用于安全大语言模型微调

Yanping Li, Zhening Liu, Zijian Li, Zehong Lin, Jun Zhang

机构 * The Hong Kong University of Science（香港科学与技术大学） ； School of Data Science, Lingnan University（岭南大学数据科学学院） 纠错

AI总结 本文提出TOSS框架，通过令牌级数据选择提升LLM微调的安全性，同时在下游任务性能上优于现有样本级防御方法。

Comments Accepted by ICLR 2026

TripleSumm: Adaptive Triple-Modality Fusion for Video Summarization

TripleSumm: 适应性三模态融合用于视频摘要

Sumin Kim, Hyemin Jeong, Mingu Kang, Yejin Kim, Yoori Oh, Joonseok Lee

机构 * Seoul National University（首尔国立大学） 纠错

AI总结 TripleSumm通过适应性三模态融合技术，在视频摘要任务中实现了最先进的性能，首次提出了多模态视频摘要的大型基准MoSu。

Comments Published as a Conference Paper at ICLR 2026

D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping

D-REX：用于学习灵巧抓取的可微现实到仿真到现实引擎

Haozhe Lou, Mingtong Zhang, Haoran Geng, Hanyang Zhou, Sicheng He, Zhiyuan Gao, Siheng Zhao, Jiageng Mao, Pieter Abbeel, Jitendra Malik, Daniel Seita, Yue Wang

机构 * Physical Superintelligence (PSI) Lab, University of Southern California（南加州大学物理超智能实验室） ； Viterbi School of Engineering, University of Southern California（南加州大学韦伯尔工程学院） ； Department of EECS, University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学系） 纠错

AI总结 D-REX通过可微引擎实现现实到仿真到现实的抓取学习，利用高斯点表示自动构建数字双胞胎并优化质量识别，从而提升抓取策略的力感知性能。

Comments ICLR 2026 Poster

DIVA-GRPO: Enhancing Multimodal Reasoning through Difficulty-Adaptive Variant Advantage

DIVA-GRPO：通过难度自适应变体优势增强多模态推理

Haowen Gao, Zhenyu Zhang, Liang Pang, Fangda Guo, Hongjian Dou, Guannan Lv, Shaoguo Liu, Tingting Gao, Huawei Shen, Xueqi Cheng

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, CAS, Beijing, China（人工智能安全国家重点实验室，计算技术研究所，中国科学院，北京，中国） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国） ； Kuaishou Technology, Beijing, China（快手科技，北京，中国） 纠错

AI总结 DIVA-GRPO通过难度自适应变体优势方法提升多模态推理能力，解决GRPO在困难问题上的奖励稀疏性和优势消失问题，提升训练稳定性与推理性能。

Comments Accepted to ICLR 2026. Code and models are available at https://github.com/Siaaaaaa1/DIVA-GRPO

SyncTrack: Rhythmic Stability and Synchronization in Multi-Track Music Generation

SyncTrack: 多轨音乐生成中的节奏稳定性与同步

Hongrui Wang, Fan Zhang, Zhiyuan Yu, Ziya Zhou, Xi Chen, Can Yang, Yang Wang

机构 * Department of Mathematics, The Hong Kong University of Science and Technology（香港科学与技术大学数学系） ； State Key Lab of CAD&CG, Zhejiang University（浙江大学计算机辅助设计与图形学国家重点实验室） ； Academy of Interdisciplinary Studies, The Hong Kong University of Science and Technology（香港科学与技术大学跨学科研究学院） ； State Key Laboratory of Nervous System Disorders, The Hong Kong University of Science and Technology（香港科学与技术大学神经系统紊乱国家重点实验室） ； The University of Hong Kong（香港大学） 纠错

AI总结 SyncTrack通过同步多轨波形音乐生成模型提升多轨音乐的节奏一致性和同步性。

Comments Accepted by ICLR 2026

Unified Vision-Language Modeling via Concept Space Alignment

通过概念空间对齐实现统一的视觉-语言建模

Yifu Qiu, Paul-Ambroise Duquenne, Holger Schwenk

机构 * University of Edinburgh（爱丁堡大学） ； FAIR at Meta（Meta公司FAIR团队） 纠错

AI总结 通过概念空间对齐实现统一的视觉-语言建模，V-SONAR在多语言和多模态任务中超越现有模型。

Comments ICLR 2026

CARD: Towards Conditional Design of Multi-agent Topological Structures

CARD: 向多智能体拓扑结构的条件设计迈进

Tongtong Wu, Yanming Li, Ziye Tang, Chen Jiang, Linhao Luo, Guilin Qi, Shirui Pan, Gholamreza Haffari

AI总结 CARD通过条件图生成框架实现多智能体通信拓扑的动态适应，提升系统在不同环境下的有效性和鲁棒性。

Comments Accepted to ICLR 2026

Can Vision Language Models Assess Graphic Design Aesthetics? A Benchmark, Evaluation, and Dataset Perspective

视觉语言模型能否评估图形设计的审美？一个基准、评估和数据集的视角

Arctanx An, Shizhao Sun, Danqing Huang, Mingxi Cheng, Yan Gao, Ji Li, Yu Qiao, Jiang Bian

机构 * Peking University（北京大学） ； Microsoft Research Asia（微软亚洲研究院） ； Microsoft（微软） ； Central South University（中南大学） 纠错

AI总结 本文提出AesEval-Bench基准，系统评估视觉语言模型在图形设计审美评估中的性能，并构建训练数据集以提升模型在该领域的表现。

Comments ICLR 2026

Adaptive Augmentation-Aware Latent Learning for Robust LiDAR Semantic Segmentation

自适应增强感知潜在学习用于鲁棒激光雷达语义分割

Wangkai Li, Zhaoyang Li, Yuwen Pan, Rui Sun, Yujia Chen, Tianzhu Zhang

AI总结 A3Point通过自适应增强感知潜在学习框架，有效缓解恶劣天气下的语义偏移问题，提升激光雷达语义分割的鲁棒性。

Comments Accepted by International Conference on Learning Representations (ICLR 2026)

Evaluating GFlowNet from partial episodes for stable and flexible policy-based training

从部分片段评估GFlowNet以实现稳定且灵活的基于策略的训练

Puhua Niu, Shili Wu, Xiaoning Qian

机构 * Texas A&M University（德克萨斯大学） ； Brookhaven National Laboratory（布鲁克海文国家实验室） 纠错

AI总结 本文提出了一种基于流平衡的评估方法，用于提升基于策略的训练的稳定性和灵活性，通过在部分片段上学习评估器来减少策略分歧。

Comments Accepted by ICLR 2026

Human or Machine? A Preliminary Turing Test for Speech-to-Speech Interaction

人类还是机器？一种语音到语音交互的初步图灵测试

Xiang Li, Jiabao Gao, Sipei Lin, Xuan Zhou, Chi Zhang, Bo Cheng, Jiale Han, Benyou Wang

机构 * State Key Laboratory of Networking and Switching Technology（网络与交换技术国家重点实验室） ； Shenzhen Research Institute of Big Data（深圳大数据研究 institute） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 本文首次对语音到语音系统进行图灵测试，发现现有系统在类人特性上存在显著差距，提出细粒度分类法和可解释模型以提升对话AI的类人能力。

Comments Accepted by ICLR 2026 Conference