期刊&会议
International Conference on Learning Representations · 会议 · Machine Learning
KnowledgeSmith：通过模型编辑和遗忘揭示LLM中的知识更新
机构 * Carnegie Mellon University（卡内基梅隆大学） ； William & Mary（威廉与玛丽学院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出KnowledgeSmith框架，系统研究LLM的知识更新机制，通过结构化干预揭示知识传播、可塑性与鲁棒性等特性。
Comments ICLR 2026
GraphOmni: 一种全面且可扩展的大型语言模型在图论任务上的基准框架
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； University of Waterloo（滑铁卢大学） ； Université de Montréal / Mila - Quebec AI Institute（蒙特利尔大学 / 加拿大魁北克人工智能研究所） ； City University of Hong Kong（香港城市大学） ； Autodesk（Autodesk公司） ； Singapore Management University（新加坡国立大学）
AI总结 本文提出GraphOmni基准框架，用于评估大型语言模型在图论任务上的推理能力，通过系统评估发现不同维度对模型性能有显著影响，且先进模型仍有提升空间。
Comments Published at ICLR 2026. Project Page: https://gai-community.github.io/Graph-Omni/
基于约束乐观探索的非策略安全强化学习
机构 * Faculty of Mechanical Engineering（机械工程学院） ； Delft University of Technology（代尔夫特理工大学） ； Faculty of Electrical Engineering, Mathematics and Computer Science（电气工程、数学和计算机科学学院）
AI总结 本文提出COX-Q算法，通过约束乐观探索和保守离线分布价值学习，解决非策略安全强化学习中的约束违反问题，实现在安全关键应用中的高效样本利用和可控数据收集成本。
Comments 21 pages, 9 figures, accepted by ICLR 2026 poster
EnvSocial-Diff: 一种基于扩散的群体模拟模型，包含环境条件和个体-群体交互
机构 * VCC, College of Computer Science and Software Engineering, Shenzhen University（VCC，计算机科学与软件工程学院，深圳大学）
AI总结 本文提出EnvSocial-Diff模型，结合社会物理和环境条件，通过环境编码模块和个体-群体交互模块提升群体模拟的现实性，实验表明其优于现有方法。
Comments ICLR 2026
三维大语言模型真的能理解三维空间关系吗？
机构 * VGG（视觉信息组） ； University of Oxford（牛津大学） ； Stanford University（斯坦福大学） ； Simon Fraser University（西蒙弗雷泽大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本文挑战了3D-LLM对三维空间关系的理解能力，提出Real-3DQA基准测试，发现现有模型在去除简单线索后表现不佳，并提出3D重加权训练目标以提升空间推理能力。
Comments ICLR 2026
DISCO：用于比较评估的文档智能套件
机构 * Parexel AI Labs（Parexel人工智能实验室）
AI总结 DISCO通过评估OCR流水线和视觉语言模型在不同文档类型上的表现，揭示了任务和文档特性对性能的影响，为选择文档处理策略提供依据。
Comments Accepted at the ICLR 2026 Workshop on Multimodal Intelligence (MMIntelligence). 10 pages, 7 figures
超越掩码：通过删除-插入过程实现高效的、灵活的扩散语言模型
机构 * HKUST（香港科技大学） ； Huawei Foundation Model Dept（华为基础模型部门） ； CUHK（香港中文大学）
AI总结 本文提出删除-插入扩散语言模型（DID），通过将token删除和插入作为离散扩散过程，提高训练和推理效率，并提供更灵活的生成机制。
Comments Accepted at ICLR 2026
DAK-UCB: 为LLMs和生成模型的多样性感知提示路由
机构 * Sharif University of Technology（谢赫拉扎德技术大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 本文提出DAK-UCB方法，结合保真度与多样性指标，用于在线选择生成模型，以提升生成结果的多样性同时保持保真度。
Comments Accepted at ICLR 2026
CollectiveKV: 在顺序推荐中解耦和共享协作信息
机构 * School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区计算机科学与技术学院） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； Shenzhen Key Laboratory of Adversarial Artificial Intelligence（深圳对抗人工智能重点实验室） ； Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）
AI总结 本文提出CollectiveKV，通过学习全局KV池实现跨用户KV共享，有效压缩KV缓存至原大小的0.8%，同时保持或提升模型性能。
Comments Accepted by ICLR 2026
SigmaDock：基于片段的SE(3)扩散实现分子对接的解缠
机构 * Department of Statistics, University of Oxford（牛津大学统计系）
AI总结 SigmaDock通过基于片段的SE(3)扩散模型，利用结构化学的归纳偏差分解配体为刚体片段，并在结合口袋中重新组装这些片段，实现高精度的分子对接。
Comments Camera-ready version for ICLR 2026
超越多令牌预测：通过未来摘要预训练语言模型
机构 * Carnegie Mellon University（卡内基梅隆大学） ； FAIR at Meta（Meta的FAIR）
AI总结 本文提出未来摘要预测(FSP)方法，通过训练辅助头预测紧凑的长期未来表示，提升长形式生成能力，在数学、推理和编码基准测试中优于NTP和MTP。
Comments Proceedings of the Fourteenth International Conference on Learning Representations (ICLR) 2026
基于成对比较的密度估计
机构 * Department of Computer Science University of Helsinki（计算机科学系赫尔辛基大学）
AI总结 本文研究通过成对比较进行密度估计，提出利用温度化胜利密度进行学习，通过得分匹配估计目标密度，证明信念与胜利密度的得分向量共线性。
Comments Accepted at ICLR 2026. Camera-ready version. 36 pages, 16 figures
解构知识表示以实现大语言模型编辑
机构 * Shandong University（山东大学） ； Suzhou Research Institute of Shandong University（山东大学苏州研究院） ； School of Computer Science, Beijing University of Posts and Telecommunications（北京邮电大学计算机学院） ； New Laboratory of Pattern Recognition (NLPR) State Key Laboratory of Multimodal Artificial Intelligence Systems (MAIS) Institute of Automation, Chinese Academy of Sciences（模式识别新实验室（NLPR）多模态人工智能系统国家重点实验室（MAIS）中国科学院自动化研究所） ； Leiden University（莱顿大学）
AI总结 本文提出DiKE方法，通过解构知识表示来提升大语言模型编辑中细粒度无关知识的保留能力，同时保持编辑性能。
Comments ICLR 2026
加速的神经传输并行退火
机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Cornell University（康奈尔大学） ； Xaira Therapeutics ； National University of Singapore（新加坡国立大学） ； University of British Columbia（不列颠哥伦比亚大学）
AI总结 本文提出利用神经采样器加速并行退火，通过减少相邻分布间的重叠需求，提升多模态采样效率并降低计算成本。
Comments Camera-ready version for 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