ICLR

Efficient Tree-Structured Deep Research with Adaptive Resource Allocation

高效树状深度研究与自适应资源分配

Lunyiu Nie, Nedim Lipka, Ryan A. Rossi, Swarat Chaudhuri

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

AI总结 本文提出ParallelResearch框架，通过动态分解复杂查询为树状子任务，解决深度研究中序列处理的瓶颈问题，实现高效并行处理，实验显示性能提升达5倍。

Comments ICLR 2026 Workshop on Agents in the Wild (Spotlight)

Agentic Context Engineering: Evolving Contexts for Self-Improving Language Models

代理情境工程：为自我改进语言模型演化情境

Qizheng Zhang, Changran Hu, Shubhangi Upasani, Boyuan Ma, Fenglu Hong, Vamsidhar Kamanuru, Jay Rainton, Chen Wu, Mengmeng Ji, Hanchen Li, Urmish Thakker, James Zou, Kunle Olukotun

机构 * Stanford University（斯坦福大学） ； SambaNova Systems, Inc.（SambaNova Systems公司） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出ACE框架，通过生成、反思和整理的模块化过程，使情境持续进化，提升语言模型在代理和领域推理中的性能，减少适应延迟和成本。

Comments ICLR 2026; 32 pages

Person-Centric Annotations of LAION-400M: Auditing Bias and Its Transfer to Models

针对LAION-400M的人为中心标注：审查偏见及其在模型中的转移

Leander Girrbach, Stephan Alaniz, Genevieve Smith, Trevor Darrell, Zeynep Akata

机构 * Technical University of Munich, Munich Center for Machine Learning (MCML), MDSI（慕尼黑工业大学，慕尼黑机器学习中心（MCML），MDSI） ； LTCI, Télécom Paris, Institut Polytechnique de Paris, France（法国巴黎理工学院，巴黎电信学院，LTCI） ； Helmholtz Munich（亥姆霍兹慕尼黑中心） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文通过创建LAION-400M的人为中心标注，揭示了训练数据中存在的人口统计学偏见，并展示了这些偏见如何转移到视觉-语言模型中。

Comments ICLR 2026

Dual-Space Smoothness for Robust and Balanced LLM Unlearning

双空间平滑性用于鲁棒且平衡的LLM反学习

Han Yan, Zheyuan Liu, Meng Jiang

机构 * School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院） ； Department of Computer Science and Engineering, University of Notre Dame（圣母大学计算机科学与工程系） 纠错

AI总结 本文提出PRISM框架，通过双空间平滑性提升LLM反学习的鲁棒性和平衡性，有效对抗重学和劫持攻击。

Comments Accepted by ICLR 2026

NewtonGen: Physics-Consistent and Controllable Text-to-Video Generation via Neural Newtonian Dynamics

NewtonGen: 通过神经牛顿动力学实现物理一致且可控的文本到视频生成

Yu Yuan, Xijun Wang, Tharindu Wickremasinghe, Zeeshan Nadir, Bole Ma, Stanley H. Chan

机构 * Purdue University（普渡大学） ； Samsung Research America（三星美国研究院） 纠错

AI总结 本文提出NewtonGen框架，结合数据驱动合成与可学习物理原理，通过可训练的神经牛顿动力学模型实现物理一致的视频生成，并提供精确的参数控制。

Comments Accepted by ICLR 2026. Camera-ready version. Project Page: https://yuyuanspace.com/NewtonGen/

Corruption-Aware Training of Latent Video Diffusion Models for Robust Text-to-Video Generation

面向鲁棒文本到视频生成的潜变量视频扩散模型腐蚀感知训练

Chika Maduabuchi, Hao Chen, Yujin Han, Jindong Wang

机构 * William & Mary（威廉与玛丽学院） ； Carnegie Mellon University（卡内基梅隆大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出CAT-LVDM框架，通过结构化噪声注入提升视频扩散模型的鲁棒性，实验显示其在多个数据集上优于传统方法，且能扩展至自回归生成和多模态视频理解模型。

Comments ICLR 2026 ReALM-GEN

Understanding the Anchoring Effect of LLM with Synthetic Data: Existence, Mechanism, and Potential Mitigations

理解大语言模型中锚定效应的锚定作用：存在性、机制与潜在缓解方法

Yiming Huang, Biquan Bie, Zuqiu Na, Weilin Ruan, Songxin Lei, Yutao Yue, Xinlei He

机构 * The Hong Kong University of Science and Technology, Guangzhou（香港科技大学（广州）） ； Independent Researcher（独立研究员） 纠错

AI总结 本文研究大语言模型是否受锚定效应影响，揭示其机制并提出缓解策略，通过SynAnchors数据集验证了LLM存在锚定偏误，浅层结构难以消除，而推理能部分缓解。

Comments Accepted by the HCAIR workshop of ICLR 2026

Towards Quantifying Long-Range Interactions in Graph Machine Learning: a Large Graph Dataset and a Measurement

向量化图机器学习中的长程相互作用：一个大型图数据集和一个度量

Huidong Liang, Haitz Sáez de Ocáriz Borde, Baskaran Sripathmanathan, Michael Bronstein, Xiaowen Dong

机构 * University of Oxford（牛津大学） 纠错

AI总结 本文提出City-Networks数据集，用于研究图机器学习中的长程依赖，通过大规模城市道路网络构建，结合节点偏心率标注，提出基于远距离跳跃邻居雅可比的度量方法，并理论证明其有效性。

Comments Published as a conference paper at ICLR 2026

Property-Guided Molecular Generation and Optimization via Latent Flows

通过潜在流实现属性引导的分子生成与优化

Alexander Arjun Lobo, Urvi Awasthi, Leonid Zhukov

机构 * BCG X AI Science Institute（BCG X 人工智能科学研究所） 纠错

AI总结 本文提出MoltenFlow框架，结合属性有序的潜在表示与流匹配生成先验，实现高效的多目标分子优化和无条件生成质量提升。

Comments 25 pages, 18 figures. Accepted to ICLR 2026 AI4Mat Workshop

Journal ref ICLR 2026 AI4Mat Workshop