Flipping the Dialogue: Training and Evaluating User Language Models
翻转对话：训练和评估用户语言模型
机构 * Microsoft Research（微软研究院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出User LMs，通过多轮对话模拟人类用户，验证其在真实场景下优于传统模拟方法，提升评估准确性。
Comments Accepted at ICLR 2026
期刊&会议
ICLR
International Conference on Learning Representations · 会议 · Machine Learning
FideDiff: Efficient Diffusion Model for High-Fidelity Image Motion Deblurring
FideDiff：高效的高保真图像运动去模糊扩散模型
机构 * Shanghai Jiao Tong University（上海交通大学） ； Harvard University（哈佛大学）
AI总结 本文提出FideDiff，一种高效的单步扩散模型，用于高保真图像运动去模糊。通过将运动去模糊转化为扩散过程，结合Kernel ControlNet和自适应时间步预测，提升了去模糊性能。
Comments Accepted to ICLR 2026. Code is available at https://github.com/xyLiu339/FideDiff
UP2You: Fast Reconstruction of Yourself from Unconstrained Photo Collections
UP2You：从无约束照片集合中快速重建自己
机构 * Westlake University（西湖大学） ； Nanjing University（南京大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州））
AI总结 UP2You通过数据校正方法高效处理无结构照片，实现高保真的3D人物重建，无需预设模板，提升几何精度和纹理保真度。
Comments Page: https://zcai0612.github.io/UP2You Code: https://github.com/zcai0612/UP2You
Journal ref International Conference on Learning Representations (ICLR), 2026
Texture Vector-Quantization and Reconstruction Aware Prediction for Generative Super-Resolution
纹理向量量化与重建感知预测用于生成超分辨率
机构 * University of Electronic Science and Technology of China（电子科技大学）
AI总结 本文提出纹理向量量化与重建感知预测策略，解决VQ模型中量化误差大和预测器训练不优的问题，实现低计算成本的高质量超分辨率生成。
Comments Accepted to ICLR 2026
Tight Bounds for Schrödinger Potential Estimation in Unpaired Data Translation
对称数据翻译中Schrödinger势估计的紧界
机构 * HSE University, Faculty of Computer Science（俄罗斯高等经济大学计算机科学学院） ； HSE University and Steklov Mathematical Institute of Russian Academy of Sciences（俄罗斯高等经济大学和俄罗斯科学院斯捷克洛夫数学研究所） ； Duisburg-Essen University and HSE University（杜伊斯堡-埃森大学和俄罗斯高等经济大学）
AI总结 本文基于Schrödinger桥和随机优化控制理论，研究在无配对数据翻译中估计Schrödinger势的紧界，通过Ornstein-Uhlenbeck过程推导出经验风险最小化在Gaussian混合等势类中的泛化能力界。
Comments The 14th International Conference on Learning Representations (ICLR 2026)
Foresight Diffusion: Improving Sampling Consistency in Predictive Diffusion Models
前瞻性扩散：改进预测扩散模型中的采样一致性
机构 * School of Software, BNRist, Tsinghua University（软件学院，BNRist，清华大学）
AI总结 本文提出Foresight Diffusion，通过解耦条件理解和目标去噪提升预测扩散模型的采样一致性，实验显示其在机器人视频预测和科学时空预测中表现优异。
Comments Accepted at ICLR 2026
Better Generative Replay for Continual Federated Learning
更高效的生成性重放用于持续联邦学习
机构 * University of Virginia（弗吉尼亚大学） ； Adobe Research（Adobe研究）
AI总结 本文提出FedCIL模型，通过模型整合和一致性约束解决持续联邦学习中非IID数据导致的训练不稳定问题，实验显示其在多个数据集上优于基线方法。
Journal ref ICLR 2023
Relative Error Embeddings for the Gaussian Kernel Distance
高斯核距离的相对误差嵌入
机构 * Noah’s Ark Lab（诺亚实验室） ； University of Utah（犹他大学） ； Huawei Technologies（华为技术）
AI总结 本文研究了高斯核距离的近似嵌入方法，证明了在有限维欧几里得空间中，通过特定维度可实现相对误差为(1+ε)的核距离近似。
Comments This version corrects Lemma 5, with a new more modern proof. There was an error in the Appendix as pointed out by Cheng etal in ArXiv:2210.00244 (ICLR 2023)
Journal ref This supersedes published version in ALT 2017
Low-pass Personalized Subgraph Federated Recommendation
低通个性化子图联邦推荐
机构 * Department of Artificial Intelligence（人工智能系）
AI总结 本文提出LPSFed系统，通过图傅里叶变换和低通谱滤波提取稳定结构信号，结合局部流行度偏差修正提升推荐准确性与模型鲁棒性。
Comments Accepted at ICLR 2026. 31 pages, 3 figures, 12 tables
Me, Myself, and $π$ : Evaluating and Explaining LLM Introspection
我、我自己和π：评估和解释LLM内省
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出了一种内省的分类体系，通过Introspect-Bench评估套件验证了LLM的内省能力，并展示了前沿模型在预测自身行为上的优势。
Comments 20 pages, 12 figures, ICLR 2026 Workshop: From Human Cognition to AI Reasoning: Models, Methods, and Applications
SciNav: A General Agent Framework for Scientific Coding Tasks
SciNav：一种通用的科学编码任务代理框架
机构 * The Ohio State University（俄亥俄州立大学）
AI总结 本文提出SciNav框架，用于科学编码任务，通过相对判断指导的top-K搜索提升解决方案探索效率，优于直接提示和现有代理。
Comments Accepted by ICLR 2026
Multi-Agent Debate with Memory Masking
具有记忆掩码的多智能体辩论
机构 * TMLR Group, Hong Kong Baptist University（香港 Baptist 大学 TMLR 团队） ； Search Algorithm Group, WeChat, Tencent（微信搜索算法团队，腾讯）
AI总结 本文提出MAD-M$^2$框架，通过在每轮辩论前屏蔽错误记忆以提升多智能体辩论的鲁棒性，实验证明其在数学和逻辑推理任务中表现更优。
Comments ICLR 2026
Long Chain-of-Thought Reasoning Across Languages
跨语言的长链式推理
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本研究探讨了跨语言长链式推理能力的扩展机制，发现模型规模扩展提升En-CoT性能，但Target-CoT表现滞后，尤其在数学推理中更为明显。通过预训练和后训练优化，多语言模型在推理效率和稳定性上取得进展，同时揭示了语言特定的失败模式。
Comments Accepted to ICLR 2026. v1 is a workshop version accepted to SCALR @ COLM 2025
