ICLR

Asymmetric Goal Drift in Coding Agents Under Value Conflict

编码代理在价值冲突下的非对称目标漂移

Magnus Saebo, Spencer Gibson, Tyler Crosse, Achyutha Menon, Eyon Jang, Diogo Cruz

机构 * Columbia University（哥伦比亚大学） ； Independent（独立） ； Georgia Tech（佐治亚理工学院） ； UC San Diego（加州大学圣地亚哥分校） ； MATS ； SPAR 纠错

AI总结 研究编码代理在价值冲突中如何平衡系统提示与实际任务，发现其目标漂移受价值对齐、对抗压力和累积上下文影响，且环境压力可 override 显式约束。

Comments 5 pages, 4 figures, Published as a workshop paper in Lifelong Agents @ ICLR 2026

When Quotes Crumble: Detecting Transient Mechanical Liquidity Erosion in Limit Order Books

当引文崩塌：在限价订单簿中检测短暂的机械流动性侵蚀

Haohan Xu, Jason Bohne, Pawel Polak, Yurij Baransky, Ajay Alva, Violetta Fedotova, Gary Kazantsev, David Rosenberg

机构 * Stony Brook University（石溪大学） ； Bloomberg（贝莱德） 纠错

AI总结 研究通过ABIDES仿真器构建多智能体环境，利用订单簿特征开发检测框架，训练神经网络提高对机械流动性侵蚀的识别能力，实验显示框架在不同市场条件下均能有效识别崩塌事件。

Comments 10 pages, 4 figures. Accepted at ICLR 2026 Workshop on Advances in Financial AI

Math Takes Two: A test for emergent mathematical reasoning in communication

数学需要两个：一种评估交流中涌现数学推理的测试

Michael Cooper, Samuel Cooper

机构 * Cooper Cognitive（Cooper认知） 纠错

AI总结 本文提出Math Takes Two基准测试，通过两个无先验数学知识的智能体交流，评估模型在视觉任务中通过发现潜在结构来发展抽象概念的能力。

Comments Accepted at HCAIR workshop, ICLR 2026

Decomposed Attention Fusion in MLLMs for Training-Free Video Reasoning Segmentation

MLLMs中分解注意力融合用于无训练视频推理分割

Su Ho Han, Jeongseok Hyun, Pilhyeon Lee, Minho Shim, Dongyoon Wee, Seon Joo Kim

机构 * Yonsei University（延世大学） ； Inha University（inha大学） ； NAVER Cloud（NAVER云） 纠错

AI总结 本文提出DecAF方法，通过对比物体背景融合和互补视频帧融合精炼注意力图，实现无训练视频推理分割，取得优于无训练方法和与有训练方法相当的性能。

Comments Accepted to ICLR 2026. Code is available at https://github.com/HYUNJS/DecAF

Test-Time Matching: Unlocking Compositional Reasoning in Multimodal Models

测试时匹配：在多模态模型中解锁组合推理

Yinglun Zhu, Jiancheng Zhang, Fuzhi Tang

机构 * University of California, Riverside（加州大学河滨分校） 纠错

AI总结 本文提出测试时匹配算法，通过改进评估指标提升多模态模型的组合推理能力，使SigLIP-B16和GPT-4.1在Winoground等基准上取得新突破。

Comments To appear at ICLR 2026; extended results to generative multimodal models

Policy Contrastive Decoding for Robotic Foundation Models

基于机器人基础模型的策略对比解码

Shihan Wu, Xu Luo, Ji Zhang, Junlin Xie, Jingkuan Song, Heng Tao Shen, Lianli Gao

机构 * University of Electronic Science and Technology of China（电子科学与技术大学） ； Southwest Jiaotong University（西南交通大学） ； Tongji University（同济大学） 纠错

AI总结 本文提出Policy Contrastive Decoding方法，通过对比原始与物体遮挡的视觉输入，提升机器人策略的泛化能力，实验表明其在仿真和现实环境中均有效。

Comments ICLR 2026. Project website: https://koorye.github.io/PCD/