ICLR

InfBaGel: Human-Object-Scene Interaction Generation with Dynamic Perception and Iterative Refinement

InfBaGel: 基于动态感知和迭代细化的人-物体-场景交互生成

Yude Zou, Junji Gong, Xing Gao, Zixuan Li, Tianxing Chen, Guanjie Zheng

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Sichuan University（四川大学） ； Shenzhen University（深圳大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出一种粗到细的指令条件交互生成框架，结合一致性模型的迭代去噪过程，通过动态感知策略和 bump-aware 指导减少物理伪影，提升 HOSI 和 HOI 生成性能。

Comments ICLR 2026

Cheap Talk, Empty Promise: Frontier LLMs easily break public promises for self-interest

廉价言论，空头承诺：前沿大语言模型容易为私利而违背公开承诺

Jerick Shi, Terry Jingcheng Zhang, Zhijing Jin, Vincent Conitzer

AI总结 本文研究了在多智能体环境中，前沿大语言模型在单次正常形式游戏中如何通过欺骗行为偏离公开承诺，分析了四种欺骗类型对个体收益和集体福利的影响。

Comments Accepted to ICLR AI for Mechanism Design and Strategic Decision Making Workshop

Preserving Forgery Artifacts: AI-Generated Video Detection at Native Scale

保留伪造痕迹：在原生尺度上进行AI生成视频检测

Zhengcen Li, Chenyang Jiang, Hang Zhao, Shiyang Zhou, Yunyang Mo, Feng Gao, Fan Yang, Qiben Shan, Shaocong Wu, Jingyong Su

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Peng Cheng Laboratory（鹏城实验室） ； Peking University（北京大学） 纠错

AI总结 本文提出在原生尺度上进行AI生成视频检测的新方法，通过构建大规模数据集和新型框架，有效保留高频率伪影和时空不一致特征，提升检测性能。

Comments ICLR 2026 Camera Ready

Automatically Generating Hard Math Problems from Hypothesis-Driven Error Analysis

从假设驱动的错误分析自动生成难题

Jiayu Fu, Mourad Heddaya, Chenhao Tan

机构 * University of Chicago（芝加哥大学） 纠错

AI总结 本文提出了一种新的数学基准生成流程，利用AI生成的假设识别LLM在特定数学概念上的弱点，并生成针对性难题。实验表明，假设准确性与生成难题难度正相关，且该流程可扩展至其他领域。

Comments 8 pages (without reference and appendix), 4 figures, 1 table, accepted by ICLR 2026 Workshop of Logical Reasoning of Large Language Models

Sharp asymptotic theory for Q-learning with LDTZ learning rate and its generalization

Q学习中LDTZ学习率的尖锐渐近理论及其泛化

Soham Bonnerjee, Zhipeng Lou, Wei Biao Wu

机构 * University of Chicago（芝加哥大学） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文研究了Q学习中线性衰减学习率的理论性质，推导了非渐近误差界，并提出新的尾部Polyak-Ruppert平均估计器的中心极限理论，同时提供了时间均匀的高斯近似以支持推断。

Journal ref ICLR 2026, Main Conference Track, Poster

PRISM: Prompt-Refined In-Context System Modelling for Financial Retrieval

PRISM：基于上下文的系统建模用于金融检索

Chun Chet Ng, Jia Yu Lim, Wei Zeng Low

机构 * AI Lens 纠错

AI总结 PRISM通过精细化提示、上下文学习和轻量级多代理协调，提升金融信息检索效率，其简单配置在FinAgentBench上取得NDCG@5 0.71818，为实际应用提供实用指导。

Comments 3rd-place solution for the ACM ICAIF 2025 Agentic Retrieval Grand Challenge. Accepted for poster presentation at ICLR 2026 (Advances in Financial AI Workshop)

When AI Agents Collude Online: Financial Fraud Risks by Collaborative LLM Agents on Social Platforms

当AI代理在线合谋：社交平台上基于协作LLM代理的金融欺诈风险

Qibing Ren, Zhijie Zheng, Jiaxuan Guo, Junchi Yan, Lizhuang Ma, Jing Shao

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Beihang University（北京航空航天大学） 纠错

AI总结 研究大型多代理系统中集体金融欺诈的风险，通过MultiAgentFraudBench基准测试分析欺诈行为协作机制及影响因素，提出内容警告、LLM监控和群体韧性提升等缓解策略。

Comments ICLR 2026, Code is available at https://github.com/zheng977/MutiAgent4Fraud

AI-BAAM: AI-Driven Bank Statement Analytics as Alternative Data for Malaysian MSME Credit Scoring

AI-BAAM：基于人工智能的银行对账单分析作为马来西亚中小微企业信用评分的替代数据

Chun Chet Ng, Zhen Hao Chu, Jia Yu Lim, Yin Yin Boon, Wei Zeng Low, Jin Khye Tan

机构 * AI Lens 纠错

AI总结 本文提出利用银行对账单数据进行信用评估，通过现金流量为基础的流程提升马来西亚中小微企业金融包容性，实验证明结合银行交易特征的模型在验证集上达到AUROC 0.806，比仅使用申请信息的模型提升24.6%。

Comments Accepted for oral presentation at ACM ICAIF 2025 (FinRem Workshop). Accepted for poster presentations at AAAI 2026 (Agentic AI in Financial Services Workshop) and ICLR 2026 (Advances in Financial AI Workshop)

Fewer Weights, More Problems: A Practical Attack on LLM Pruning

更少的权重，更多的问题：对LLM剪枝的一种实用攻击

Kazuki Egashira, Robin Staab, Thibaud Gloaguen, Mark Vero, Martin Vechev

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文首次揭示了现代LLM剪枝方法可能被恶意利用的问题，通过构造看似无害的模型，在剪枝后表现出恶意行为，展示了剪枝过程中的安全风险。

Comments ICLR 2026. Code: https://github.com/eth-sri/llm-pruning-attack

Durian: Dual Reference Image-Guided Portrait Animation with Attribute Transfer

Durian: 基于双参考图像的面部动画与属性迁移

Hyunsoo Cha, Byungjun Kim, Hanbyul Joo

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

AI总结 Durian通过双参考图像引导的方法，实现跨身份属性迁移的面部动画生成，利用自重建机制避免显式配对数据，提升模型泛化能力。

Comments Accepted to ICLR 2026, Project Page: https://hyunsoocha.github.io/durian

Embodied-R1: Reinforced Embodied Reasoning for General Robotic Manipulation

Embodied-R1：强化的具身推理用于通用机器人操作

Yifu Yuan, Haiqin Cui, Yaoting Huang, Yibin Chen, Fei Ni, Zibin Dong, Pengyi Li, Yan Zheng, Hongyao Tang, Jianye Hao

机构 * College of Intelligence and Computing, Tianjin University（天津大学智能与计算学部） 纠错

AI总结 本文提出Embodied-R1，通过引入指向作为统一的中间表示，结合强化微调方法，实现通用机器人操作中的具身推理，展示了在多个基准测试中的卓越性能和零样本泛化能力。

Comments Embodied-R1 technical report v2; Published as a conference paper at ICLR 2026

Align Your Structures: Generating Trajectories with Structure Pretraining for Molecular Dynamics

对齐你的结构：利用结构预训练生成分子动力学轨迹

Aniketh Iyengar, Jiaqi Han, Pengwei Sun, Mingjian Jiang, Jianwen Xie, Stefano Ermon

机构 * Stanford University（斯坦福大学） ； Lambda, Inc（Lambda公司） 纠错

AI总结 本文提出利用结构预训练生成分子动力学轨迹的方法，通过扩散模型生成结构并结合插值模块保证时间一致性，有效解决分子动力学数据稀缺问题。

Comments Published at ICLR 2026. 38 pages, 17 figures, 17 tables

SVD Provably Denoises Nearest Neighbor Data

SVD 可证去噪最近邻数据

Ravindran Kannan, Kijun Shin, David Woodruff

AI总结 研究高维空间中受高斯噪声扰动的数据最近邻搜索问题，证明SVD在特定噪声条件下可有效恢复未受扰动数据的最近邻。

Comments Accepted at ICLR 2026

When AI Agents Disagree Like Humans: Reasoning Trace Analysis for Human-AI Collaborative Moderation

当AI代理像人类一样产生分歧：用于人机协作 moderation 的推理轨迹分析

Michał Wawer, Jarosław A. Chudziak

AI总结 本文研究AI代理在仇恨言论 moderation 中的分歧模式，通过推理轨迹分析发现分歧结构比幅度更能预测人类判断需求，提出从共识寻求转向不确定性揭示的多代理设计。

Comments Accepted to the ICLR 2026 Workshop on "From Human Cognition to AI Reasoning: Models, Methods, and Applications (HCAIR)

POEMetric: The Last Stanza of Humanity

POEMetric：人类的最后一段

Bingru Li, Han Wang, Hazel Wilkinson

机构 * University of Birmingham（伯明翰大学） ； University of Trento（特伦托大学） ； Institute of Data and AI (IDAI)（数据与人工智能研究所） 纠错

AI总结 本文提出POEMetric框架，评估诗歌生成能力，通过人类和LLM的对比发现，尽管顶级模型在形式准确性和主题匹配上表现优异，但整体诗歌质量仍逊于人类诗人。

Journal ref ICLR 2026

DiffSparse: Accelerating Diffusion Transformers with Learned Token Sparsity

DiffSparse: 通过学习的令牌稀疏性加速扩散变换器

Haowei Zhu, Ji Liu, Ziqiong Liu, Dong Li, Junhai Yong, Bin Wang, Emad Barsoum

机构 * Advanced Micro Devices, Inc.（超威半导体公司） ； Tsinghua University（清华大学） ； BNRist（北京信息科学与技术国家研究中心） 纠错

AI总结 本文提出DiffSparse框架，通过学习令牌稀疏性优化扩散变换器的推理效率，减少计算成本并提升生成质量。

Comments Accepted by ICLR 2026

Embedding-Only Uplink for Onboard Retrieval Under Shift in Remote Sensing

仅嵌入式上行用于远程传感中的 onboard 检索位移

Sangcheol Sim

机构 * Telepix 纠错

AI总结 研究在远程传感位移下，仅嵌入式上行是否有效，通过对比不同任务的决策头性能，证明嵌入式上行是关键，且在不增加上行成本下可选择最佳头。

Comments Accepted at the Machine Learning for Remote Sensing (ML4RS) Workshop, ICLR 2026

Hindsight-Anchored Policy Optimization: Turning Failure into Feedback in Sparse Reward Settings

回顾锚定策略优化：在稀疏奖励设置中将失败转化为反馈

Yuning Wu, Ke Wang, Devin Chen, Kai Wei

机构 * Amazon（亚马逊） 纠错

AI总结 本文提出HAPO策略优化方法，通过合成成功注入机制和 Thompson 采样启发的门控机制，解决稀疏奖励下策略优化的分布偏置问题，实现渐近一致性。

Comments Published as a conference paper ICLR 2026 CAO Workshop

T1: One-to-One Channel-Head Binding for Multivariate Time-Series Imputation

T1: 多变量时间序列插值中的一对一通道-头部绑定

Dongik Park, Hyunwoo Ryu, Suahn Bae, Keondo Park, Hyung-Sin Kim

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

AI总结 T1提出一种CNN-Transformer混合架构，通过通道-头部绑定实现鲁棒插值，有效处理多变量时间序列缺失问题，实验表明其在多个数据集上均优于现有方法，尤其在极端稀疏情况下表现突出。

Comments Accepted at ICLR 2026

WIMLE: Uncertainty-Aware World Models with IMLE for Sample-Efficient Continuous Control

WIMLE：具有IMLE的不确定性感知世界模型用于高效连续控制

Mehran Aghabozorgi, Alireza Moazeni, Yanshu Zhang, Ke Li

AI总结 WIMLE通过扩展IMLE至模型基于强化学习框架，学习随机多模世界模型并估计预测不确定性，提升了连续控制任务的样本效率和稳定性。

Comments Accepted at ICLR 2026. Website: https://mehranagh20.github.io/wimle/ Code: https://github.com/mehranagh20/wimle

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

XModBench: Benchmarking Cross-Modal Capabilities and Consistency in Omni-Language Models

XModBench：多模态能力与一致性在多语言模型中的基准测试

Xingrui Wang, Jiang Liu, Chao Huang, Xiaodong Yu, Ze Wang, Ximeng Sun, Jialian Wu, Alan Yuille, Emad Barsoum, Zicheng Liu

机构 * Advanced Micro Devices（超威半导体） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Rochester（罗彻斯特大学） 纠错

AI总结 XModBench通过大规模三模态基准测试，评估多语言模型在跨模态一致性中的能力，揭示模型在不同模态下的推理偏差和不平衡问题。

Journal ref Published as a conference paper at ICLR 2026

Causal Discovery via Quantile Partial Effect

通过分位数偏效应进行因果发现

Yikang Chen, Xingzhe Sun, Dehui Du

机构 * Shanghai Key Laboratory of Trustworthy Computing, East China Normal University（华东师范大学上海市可信计算重点实验室） 纠错

AI总结 本文提出分位数偏效应(QPE)作为因果发现的统计量，证明在有限线性空间假设下，因果方向可从观测分布中识别，扩展了传统因果模型的可识别性结果，并通过基函数测试区分因果方向，验证了Fisher信息在多变量因果发现中的有效性。

Comments 29 pages, 6 figures; ICLR 2026

SoSBench: Benchmarking Safety Alignment on Six Scientific Domains

SoSBench：在六个科学领域中对安全对齐进行基准测试

Fengqing Jiang, Fengbo Ma, Zhangchen Xu, Yuetai Li, Zixin Rao, Bhaskar Ramasubramanian, Luyao Niu, Bo Li, Xianyan Chen, Zhen Xiang, Radha Poovendran

机构 * University of Washington（华盛顿大学） ； University of Georgia（佐治亚大学） ； WWU（西华盛顿大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 SoSBench针对高风险科学领域设计，通过3000个基于真实法规的提示评估大模型的安全性，揭示了先进模型在处理危险场景时存在严重的安全对齐缺陷。

Comments Project Page: https://sosbench.github.io/; ICLR 2026

SpikeStereoNet: A Brain-Inspired Framework for Stereo Depth Estimation from Spike Streams

SpikeStereoNet：一种受大脑启发的立体深度估计框架，用于从尖峰流中估计立体深度

Zhuoheng Gao, Yihao Li, Jiyao Zhang, Rui Zhao, Tong Wu, Hao Tang, Zhaofei Yu, Hao Dong, Guozhang Chen, Tiejun Huang

机构 * National Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院多媒体信息处理全国重点实验室） ； Center on Frontiers of Computing Studies, School of Computer Science, Peking University（北京大学计算机学院计算前沿研究中心） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； School of Engineering and Applied Science, University of Pennsylvania（宾夕法尼亚大学工程与应用科学学院） 纠错

AI总结 本文提出SpikeStereoNet，一种受大脑启发的立体深度估计框架，直接从原始尖峰流中估计立体深度。该模型融合两个视角的原始尖峰流，并通过递归尖峰神经网络更新模块迭代优化深度估计。

Comments Accepted at ICLR 2026

From Seeing to Doing: Bridging Reasoning and Decision for Robotic Manipulation

从感知到行动：弥合推理与决策以实现机器人操作

Yifu Yuan, Haiqin Cui, Yibin Chen, Zibin Dong, Fei Ni, Longxin Kou, Jinyi Liu, Pengyi Li, Yan Zheng, Jianye Hao

机构 * Tianjin University（天津大学） 纠错

AI总结 本文提出FSD模型，通过空间关系推理生成中间表示，提升机器人操作的泛化能力，在8个基准测试中表现优异，且在零样本任务中实现显著性能提升。

Comments Published as a conference paper at ICLR 2026. Our project homepage: https://embodied-fsd.github.io/

SPRIG: Improving Large Language Model Performance by System Prompt Optimization

SPRIG：通过系统提示优化提升大语言模型性能

Lechen Zhang, Tolga Ergen, Lajanugen Logeswaran, Moontae Lee, David Jurgens

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan（密歇根大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； LG AI Research（LG AI 研究院） 纠错

AI总结 本文提出SPRIG，一种基于编辑的遗传算法，通过优化通用提示提升大语言模型性能，发现系统提示与任务提示结合可进一步提升效果。

Comments Accepted at ICLR 2026