ICLR

RoboCasa365: A Large-Scale Simulation Framework for Training and Benchmarking Generalist Robots

RoboCasa365：一种大规模仿真框架，用于训练和评估通用机器人

Soroush Nasiriany, Sepehr Nasiriany, Abhiram Maddukuri, Yuke Zhu

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； NVIDIA Research（NVIDIA研究） 纠错

AI总结 RoboCasa365通过大规模仿真框架提供多样化任务和环境，用于训练和评估通用机器人，分析任务多样性、数据集规模和环境变化对泛化的影响。

Comments ICLR 2026; First three authors contributed equally

Retrieval or Representation? Reassessing Benchmark Gaps in Multilingual and Visually Rich RAG

检索还是表示？重新评估多语言和视觉丰富的RAG基准差距

Martin Asenov, Kenza Benkirane, Dan Goldwater, Aneiss Ghodsi

机构 * Parexel AI Labs（Parexel AI实验室） 纠错

AI总结 该研究通过系统分析发现，文档表示质量是多语言和视觉丰富RAG基准提升的主要因素，而非检索方法改进。

Comments ICLR 2026 Workshop I Can't Believe It's Not Better: Where Large Language Models Need to Improve

When to restart? Exploring escalating restarts on convergence

何时重新启动？探索逐步增加的重新启动

Ayush K. Varshney, Šarūnas Girdzijauskas, Konstantinos Vandikas, Aneta Vulgarakis Feljan

机构 * Ericsson Research, Ericsson AB, Sweden（爱立信研究, 爱立信公司, 瑞典） ； KTH Royal Institute of Technology, Stockholm, Sweden（皇家理工学院） ； RISE Research Institutes of Sweden, Stockholm, Sweden（瑞典RISE研究机构） 纠错

AI总结 本文提出SGD-ER方法，通过逐步增加学习率来提升深度学习模型的收敛性能和测试准确率。

Comments Paper accepted in Sci4DL workshop in ICLR 2026. https://openreview.net/forum?id=18Yf2KKIn0

Dual-Solver: A Generalized ODE Solver for Diffusion Models with Dual Prediction

Dual-Solver: 一种用于扩散模型的通用微分方程求解器，具有双预测功能

Soochul Park, Yeon Ju Lee

机构 * SteAI MODULABS ； Korea University（韩国大学） 纠错

AI总结 Dual-Solver通过可学习参数泛化多步采样器，提高扩散模型在低NFE下的生成质量。

Comments Published as a conference paper at ICLR 2026. 36 pages, 18 figures

Journal ref Published as a conference paper at ICLR 2026

From Narrow to Panoramic Vision: Attention-Guided Cold-Start Reshapes Multimodal Reasoning

从窄视场到全景视觉：基于注意力的冷启动重塑多模态推理

Ruilin Luo, Chufan Shi, Yizhen Zhang, Cheng Yang, Songtao Jiang, Tongkun Guan, Ruizhe Chen, Ruihang Chu, Peng Wang, Mingkun Yang, Yujiu Yang, Junyang Lin, Zhibo Yang

机构 * Tsinghua University（清华大学） ； University of South California（南加州大学） ； Qwen Team, Alibaba Group（通义实验室，阿里巴巴集团） ； University of California San Diego（南加州大学圣地亚哥分校） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文提出AVAR框架，通过视觉锚定与注意力引导提升多模态推理性能，实现7%的平均提升。

Comments ICLR 2026 Poster

When and Where to Reset Matters for Long-Term Test-Time Adaptation

长期测试时适应中何时何地重置的问题

Taejun Lim, Joong-Won Hwang, Kibok Lee

机构 * Yonsei University（延世大学） ； ETRI（韩国电子技术研究院） 纠错

AI总结 本文提出了一种自适应选择性重置方案和重要性感知正则化器，以解决长期测试时适应中的模型崩溃问题，并通过实验验证了其有效性。

Comments ICLR 2026

Why Do Unlearnable Examples Work: A Novel Perspective of Mutual Information

为何不可学习的例子有效：互信息的新视角

Yifan Zhu, Yibo Miao, Yinpeng Dong, Xiao-Shan Gao

机构 * State Key Laboratory of Mathematical Sciences, Academy of Mathematics and Systems Science, Chinese Academy of Sciences（数学科学国家重点实验室，数学与系统科学研究院，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； College of AI, Tsinghua University（清华大学人工智能学院） ； Shanghai Qi Zhi Institute（上海启智研究院） 纠错

AI总结 本文提出了一种基于互信息减少的不可学习方法，通过减少类内特征协方差来有效阻碍深度学习模型的泛化能力。

Comments 32 pages, ICLR 2026

Soft Quality-Diversity Optimization

软质量-多样性优化

Saeed Hedayatian, Stefanos Nikolaidis

机构 * University of Southern California（南加州大学） ； Archimedes AI（阿基米德人工智能） 纠错

AI总结 本文提出软QD框架，通过避免离散化解决QD优化问题，推出SQUAD算法在高维问题中具有更好的可扩展性。

Comments Accepted at ICLR 2026

NeuCLIP: Efficient Large-Scale CLIP Training with Neural Normalizer Optimization

NeuCLIP: 通过神经归一化优化实现高效的大型CLIP训练

Xiyuan Wei, Chih-Jen Lin, Tianbao Yang

机构 * Texas A&M University（德克萨斯大学） ； National Taiwan University（台湾国立大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 NeuCLIP通过神经归一化优化提升CLIP模型训练效率与性能

Comments Accepted to 40th International Conference on Learning Representations. 32 pages, 5 figures

SpotIt: Evaluating Text-to-SQL Evaluation with Formal Verification

SpotIt: 通过形式验证评估文本到SQL

Rocky Klopfenstein, Yang He, Andrew Tremante, Yuepeng Wang, Nina Narodytska, Haoze Wu

机构 * Amherst College（阿姆赫斯特学院） ； Simon Fraser University（西蒙弗雷泽大学） ； VMware Research by Broadcom（VMware由Broadcom进行的研究） 纠错

AI总结 SpotIt通过形式验证评估文本到SQL系统，发现基于测试的方法无法区分生成查询与地面真相的差异。

Comments Accepted at ICLR'26

Implicit Bias of Per-sample Adam on Separable Data: Departure from the Full-batch Regime

隐式偏置：逐样本Adam在可分离数据上的表现：偏离全批量模式

Beomhan Baek, Minhak Song, Chulhee Yun

机构 * Seoul National University（首尔国立大学） ； KAIST（韩国科学技术院） 纠错

AI总结 本研究揭示增量Adam在可分离数据上的隐式偏置偏离全批量行为，而Signum则保持不变。

Comments Published at ICLR 2026

Annotation-Efficient Universal Honesty Alignment

标注高效通用诚实对齐

Shiyu Ni, Keping Bi, Jiafeng Guo, Minghao Tang, Jingtong Wu, Zengxin Han, Xueqi Cheng

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

AI总结 EliCal通过两阶段框架实现高效标注的通用诚实对齐，仅需少量正确性标注即可达到接近最优的对齐效果。

Comments ICLR 2026

LadderSym: A Multimodal Interleaved Transformer for Music Practice Error Detection

LadderSym: 一种用于音乐练习错误检测的多模态交错Transformer

Benjamin Shiue-Hal Chou, Purvish Jajal, Nick John Eliopoulos, James C. Davis, George K. Thiruvathukal, Kristen Yeon-Ji Yun, Yung-Hsiang Lu

机构 * Purdue University（普渡大学） ； Loyola University Chicago（芝加哥洛约拉大学） 纠错

AI总结 LadderSym通过双流编码器和多模态策略提升音乐练习错误检测的F1分数，显著提高遗漏和额外音符的识别准确率。

Comments Accepted to ICLR 2026

Factuality Matters: When Image Generation and Editing Meet Structured Visuals

事实性至关重要：当图像生成与编辑遇见结构化视觉

Le Zhuo, Songhao Han, Yuandong Pu, Boxiang Qiu, Sayak Paul, Yue Liao, Yihao Liu, Jie Shao, Xi Chen, Si Liu, Hongsheng Li

机构 * CUHK MMLab（香港大学多模态实验室） ； Beihang University（北京航空航天大学） ； Krea AI（Krea人工智能） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Lab（上海人工智能实验室） ； Hugging Face ； National University of Singapore（新加坡国立大学） ； ByteDance（字节跳动） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出了一种统一模型，通过整合视觉语言模型和FLUX.1 Kontext，提升结构化视觉生成与编辑的多模态理解与事实准确性。

Comments Accepted by ICLR 2026, Project page: https://structvisuals.github.io

Learning Explicit Single-Cell Dynamics Using ODE Representations

利用ODE表示学习显式单细胞动力学

Jan-Philipp von Bassewitz, Adeel Pervez, Marco Fumero, Matthew Robinson, Theofanis Karaletsos, Francesco Locatello

机构 * Institute of Science and Technology Austria (ISTA)（科学与技术研究院（ISTA）） ； Chan Zuckerberg Initiative (CZI)（查兰·泽伯基尼倡议） 纠错

AI总结 Cell-MNN通过ODE表示学习显式单细胞动力学，实现端到端训练并学习可解释的基因相互作用

Comments 27 pages, 11 figures

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

Vision-Zero: Scalable VLM Self-Improvement via Strategic Gamified Self-Play

Vision-Zero: 通过战略化游戏化自play实现可扩展的VLM自改进

Qinsi Wang, Bo Liu, Tianyi Zhou, Jing Shi, Yueqian Lin, Yiran Chen, Hai Helen Li, Kun Wan, Wentian Zhao

AI总结 Vision-Zero通过战略化游戏化自play框架，实现无标注数据下的多模态模型自改进，提升推理与跨领域任务性能。

Comments ICLR 2026

Benchmarking ECG FMs: A Reality Check Across Clinical Tasks

ECG FMs的基准测试：跨临床任务的现实检验

M A Al-Masud, Juan Miguel Lopez Alcaraz, Nils Strodthoff

机构 * AI4Health Division, Carl von Ossietzky Universität Oldenburg（AI4Health研究部，奥尔登堡卡尔·冯·奥西特齐克大学） 纠错

AI总结 本文评估了八个ECG FMs在26个临床任务上的表现，发现架构设计比规模更重要，ECG-CPC在多个任务中表现突出，同时揭示了FMs在标签效率上的优势及存在的改进空间。

Comments Accepted at ICLR 2026. OpenReview: https://openreview.net/forum?id=xXRqWpt3Xr

Non-Collaborative User Simulators for Tool Agents

非协作用户模拟器用于工具代理

Jeonghoon Shim, Woojung Song, Cheyon Jin, Seungwon KooK, Yohan Jo

机构 * Graduate School of Data Science, Seoul National University（数据科学研究生院，首尔国立大学） 纠错

AI总结 本文提出一种非协作用户模拟器，用于测试工具代理在面对非协作用户时的鲁棒性，揭示了代理在复杂对话中的弱点。

Comments Accepted to ICLR 2026

Scalable Second-order Riemannian Optimization for $K$-means Clustering

可扩展的二次黎曼优化用于K均值聚类

Peng Xu, Chun-Ying Hou, Xiaohui Chen, Richard Y. Zhang

机构 * Department of Statistics, University of Illinois Urbana-Champaign（统计系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Electrical and Computer Engineering, University of Illinois Urbana-Champaign（电气与计算机工程系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Mathematics, University of Southern California（数学系，南加州大学） 纠错

AI总结 本文提出了一种基于二次黎曼优化的K均值聚类方法，通过分解流形结构实现线性时间复杂度，显著提升收敛速度并保持统计准确性。

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

Deep Hierarchical Learning with Nested Subspace Networks for Large Language Models

基于嵌套子空间网络的深度分层学习用于大型语言模型

Paulius Rauba, Mihaela van der Schaar

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文提出嵌套子空间网络，通过动态调整计算预算实现高效的大语言模型推理，实验证明在精度损失较小的情况下显著降低计算量。

Comments Published as a conference paper at ICLR 2026

Index-Preserving Lightweight Token Pruning for Efficient Document Understanding in Vision-Language Models

保持索引的轻量级标记修剪用于视觉-语言模型中的高效文档理解

Jaemin Son, Sujin Choi, Inyong Yun

AI总结 本文提出一种轻量级标记修剪方法，通过过滤非信息性背景区域来降低视觉-语言模型在文档理解任务中的计算成本，同时保持较高的准确性。

Comments Accepted to ICLR 2026 Workshop MM Intelligence

Stochastic Self-Guidance for Training-Free Enhancement of Diffusion Models

扩散模型训练无关增强的随机自引导

Chubin Chen, Jiashu Zhu, Xiaokun Feng, Nisha Huang, Chen Zhu, Meiqi Wu, Fangyuan Mao, Jiahong Wu, Xiangxiang Chu, Xiu Li

AI总结 本文提出S$^2$-Guidance方法，通过随机块丢弃构建子网络，提升扩散模型在文本到图像和视频生成任务中的性能。

Comments Accepted by ICLR 2026

GaitSnippet: Gait Recognition Beyond Unordered Sets and Ordered Sequences

GaitSnippet: 超越无序集合和有序序列的步态识别

Saihui Hou, Chenye Wang, Wenpeng Lang, Zhengxiang Lan, Yongzhen Huang

机构 * School of Artificial Intelligence, Beijing Normal University（人工智能学院，北京师范大学） 纠错

AI总结 GaitSnippet通过将步态视为由个性化动作组成的片段，提出了一种新的步态识别方法，利用多尺度时间上下文提升特征学习，实验表明在Gait3D和GREW数据集上取得高准确率。

Comments Accepted by ICLR 2026

WebDS: An End-to-End Benchmark for Web-based Data Science

WebDS: 一种端到端的基于网络的数据科学基准

Ethan Hsu, Hong Meng Yam, Ines Bouissou, Aaron Murali John, Raj Thota, Josh Koe, Vivek Sarath Putta, G K Dharesan, Alexander Spangher, Shikhar Murty, Tenghao Huang, Christopher D. Manning

机构 * Stanford University（斯坦福大学） ； Pinetree Research（Pinetree研究公司） ； University of California, Berkeley（加州大学伯克利分校） ； Singapore University of Technology and Design（新加坡科技设计大学） ； University of Southern California（南加州大学） 纠错

AI总结 WebDS提出了一种端到端的基于网络的数据科学基准，旨在评估代理在复杂多步骤任务中的表现，揭示当前LLM在实际数据科学任务中的性能差距。

Comments 14 pages, ICLR 2026

Function Induction and Task Generalization: An Interpretability Study with Off-by-One Addition

函数诱导与任务泛化：一项可解释性研究——关于“加一错误”加法

Qinyuan Ye, Robin Jia, Xiang Ren

机构 * University of Southern California（南加州大学） ； Salesforce AI Research（Salesforce AI研究院） 纠错

AI总结 本研究通过分析“加一错误”加法任务，揭示了语言模型中函数诱导机制如何实现任务泛化，展示了其在多种任务中的复用能力。

Comments ICLR 2026. Code: https://github.com/INK-USC/function-induction

Knowing When to Quit: Probabilistic Early Exits for Speech Separation

何时退出：用于语音分离的概率早退

Kenny Falkær Olsen, Mads Østergaard, Karl Ulbæk, Søren Føns Nielsen, Rasmus Malik Høegh Lindrup, Bjørn Sand Jensen, Morten Mørup

AI总结 本文提出了一种具有概率早退能力的语音分离与增强神经网络架构，通过建模信号和误差方差以实现动态计算优化，提升资源利用效率。

Comments Accepted at ICLR 2026

EgoWorld: Translating Exocentric View to Egocentric View using Rich Exocentric Observations

EgoWorld：利用丰富的外参照观测将外参照视角转换为自身参照视角

Junho Park, Andrew Sangwoo Ye, Taein Kwon

机构 * AI Lab, LG Electronics（LG电子人工智能实验室） ； KAIST（韩国科学技术院） ； Visual Geometry Group, University of Oxford（牛津大学视觉几何组） 纠错

AI总结 EgoWorld通过重建丰富的外参照观测来实现外参照到自身参照视角的转换，展示了在增强现实、虚拟现实和机器人应用中的先进性能和鲁棒性。

Comments Accepted by ICLR 2026. Project Page: https://redorangeyellowy.github.io/EgoWorld/

Federated ADMM from Bayesian Duality

联邦ADMM的贝叶斯对偶性

Thomas Möllenhoff, Siddharth Swaroop, Finale Doshi-Velez, Mohammad Emtiyaz Khan

机构 * RIKEN Center for AI Project（RIKEN人工智能项目中心） ； University College London（大学学院伦敦） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出了一种基于贝叶斯对偶性的方法，用于推广联邦ADMM，通过变分贝叶斯目标实现ADMM-like更新和新的非平凡扩展，提升深度异质任务的准确性。

Comments First two authors contributed equally. Published at ICLR 2026. Code is at https://github.com/team-approx-bayes/bayes-admm

Query-Level Uncertainty in Large Language Models

查询级不确定性在大语言模型中

Lihu Chen, Gerard de Melo, Fabian M. Suchanek, Gaël Varoquaux

机构 * Imperial College London（伦敦帝国学院） ； Hasso Plattner Institute / University of Potsdam（霍普夫纳研究所/波茨坦大学） ； Telecom Paris, Institut Polytechnique de Paris（电信巴黎学院，巴黎理工学院） ； Soda, Inria Saclay（Soda，法国国家信息与自动化技术研究院萨克利实验室） 纠错

AI总结 本研究提出了一种无需训练的内部置信度方法，用于检测大语言模型的知识边界，通过查询级不确定性提高回答质量并降低计算成本。

Comments ICLR 2026

AutoQD: Automatic Discovery of Diverse Behaviors with Quality-Diversity Optimization

AutoQD: 利用质量-多样性优化自动发现多样化行为

Saeed Hedayatian, Stefanos Nikolaidis

机构 * University of Southern California（南加州大学） ； Archimedes AI 纠错

AI总结 AutoQD通过自动生成行为描述符，利用随机傅里叶特征近似MMD，实现无需预定义描述符的多样化策略发现。

Comments Accepted to ICLR 2026