Byzantine-Robust Federated Learning with Learnable Aggregation Weights
具有可学习聚合权重的拜占庭鲁棒联邦学习
机构 * Uppsala University, Sweden（瑞典乌普萨拉大学） ； KTH, Sweden（瑞典皇家理工学院）
AI总结 提出一种将聚合权重作为可学习参数联合优化的拜占庭鲁棒联邦学习优化问题，并开发了交替最小化算法，在异构数据和恶意客户端场景下优于现有方法。
Comments ICLR 2026
期刊&会议
ICLR
International Conference on Learning Representations · 会议 · Machine Learning
vAttention: Verified Sparse Attention
vAttention: 验证的稀疏注意力
机构 * Electrical Engineering and Computer Sciences, University of California, Berkeley（加州大学伯克利分校电气工程与计算机科学系）
AI总结 提出vAttention，通过统一top-k和随机采样，实现首个具有用户指定(ε, δ)近似精度保证的实用稀疏注意力机制，显著提升质量-效率权衡。
Journal ref Proceedings of the International Conference on Learning Representations (ICLR), 2026
HEAPr: Hessian-based Efficient Atomic Expert Pruning in Output Space
HEAPr: 基于Hessian的输出空间中高效原子专家剪枝
机构 * School of Software Technology, Zhejiang University（浙江大学软件学院） ； FABU Inc.（FABU公司） ； Hangzhou Kuaidi Science and Technology Co., Ltd.（杭州快的科学技术有限公司）
AI总结 针对MoE模型粗粒度专家剪枝导致精度下降的问题，提出HEAPr算法，通过将专家分解为原子专家并利用二阶信息（最优脑外科原理）评估重要性，在输出空间简化计算，实现高比例无损压缩。
Comments ICLR 2026
Journal ref Proceedings of the International Conference on Learning Representations (ICLR), 2026
What Happens Next? Anticipating Future Motion by Generating Point Trajectories
接下来会发生什么？通过生成点轨迹预测未来运动
机构 * Visual Geometry Group, University of Oxford（牛津大学视觉几何组）
AI总结 提出一种基于单张图像预测未来运动的方法，通过生成密集轨迹网格来捕捉场景动态和不确定性，相比现有方法更准确多样，并验证其在机器人等下游任务中的有效性。
Journal ref ICLR 2026
Towards Cognitively-Faithful Decision-Making Models to Improve AI Alignment
朝向认知忠实决策模型以改善AI对齐
机构 * Duke University（杜克大学） ； IIT Delhi（德里印度理工学院） ； CMU（卡内基梅隆大学）
AI总结 提出一种基于公理的方法，从成对比较中学习认知忠实的决策过程，以解决标准偏好诱导方法未能捕捉人类决策认知过程的问题，并在肾脏分配任务中验证了模型的有效性。
Comments In ICLR 2026
Hybrid Deep Searcher: Scalable Parallel and Sequential Search Reasoning
混合深度搜索器：可扩展的并行与顺序搜索推理
机构 * Seoul National University（首尔国立大学） ； LG AI Research（LG AI研究） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of Seoul（首尔大学）
AI总结 提出混合搜索策略HybridDeepSearcher，通过并行查询扩展与显式证据聚合结合顺序推理，在多个基准上显著提升性能并实现测试时搜索扩展。
Comments Accepted to ICLR 2026
DexSIM: Real-time Dexterous Simulation with Unified Causal Video Diffusion
DexSIM: 具有统一因果视频扩散的实时灵巧仿真
机构 * UC Berkeley（加州大学伯克利分校）
AI总结 提出DexSIM框架，通过两阶段训练（双向视频扩散和自回归滚动训练）实现实时、长时一致的灵巧操作仿真，在像素相似度、运动保真度和手部投影精度上超越基线。
Comments World Model @ ICLR 2026
ALM-MTA:Front-Door Causal Multi-Touch Attribution Method for Creator-Ecosystem Optimization
ALM-MTA：面向创作者生态系统优化的前门因果多触点归因方法
AI总结 针对社交平台消费驱动生产中归因标签缺失和未观测混杂问题，提出基于对抗学习中介变量的前门多触点归因框架，通过中介变量蒸馏结果信息增强因果路径并消除捷径泄露，结合对比学习确保正性，在真实推荐系统中实现DAU提升0.04%、活跃创作者提升0.6%、曝光效率提升670%。
Comments 19 pages, 7 figures, 4 tables. Yuguang Liu, Luyao Xia, and Hu Liu contributed equally. Conference paper at ICLR 2026
Journal ref International Conference on Learning Representations (ICLR), 2026
Inference-Time Backdoors via Chat Templates: From LLM Supply Chains to Agentic System Compromise
通过聊天模板的推理时后门：从LLM供应链到代理系统妥协
机构 * Fujitsu Research of Europe（富士通欧洲研究）
AI总结 提出一种通过恶意修改聊天模板实现推理时后门攻击的方法，无需修改模型权重或训练数据，在LLM、代理和多代理系统层面均能成功攻击，且能绕过现有防御。
Comments V3: Accepted to ICLR 2026 Trustworthy AI Workshop, V4: Submitted to CCS 2026
PairFlow: Closed-Form Source-Target Coupling for Few-Step Generation in Discrete Flow Models
PairFlow: 离散流模型中用于少步生成的闭式源-目标耦合
机构 * KAIST（韩国科学技术院）
AI总结 提出PairFlow，一种轻量级预处理方法，通过闭式反演构建源-目标配对样本，无需预训练教师即可实现离散流模型的少步采样，匹配甚至超越两阶段微调性能。
Comments ICLR 2026
Agent-X: Evaluating Deep Multimodal Reasoning in Vision-Centric Agentic Tasks
Agent-X：评估视觉中心智能体任务中的深度多模态推理
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； University of Central Florida（中央佛罗里达大学） ； University of Oxford（牛津大学）
AI总结 提出Agent-X基准，通过828个真实视觉任务和细粒度步骤评估框架，揭示当前模型在多步视觉推理中全链成功率低于50%的瓶颈。
Comments Accepted in International Conference of Learning Representations (ICLR 2026)
Unified 3D Scene Understanding Through Physical World Modeling
统一3D场景理解：通过物理世界建模
机构 * Stanford University（斯坦福大学） ； OpenAI
AI总结 提出一个概率图模型3WM，将深度估计、新视角合成和物体操作等3D视觉任务统一为单一模型，通过不同推理路径实现零样本任务执行，无需微调即达到最先进性能。
Comments Published as a conference paper at ICLR 2026
ChaosBench-Logic v2: Evaluating LLM Logical Reasoning over Dynamical Systems at Scale
ChaosBench-Logic v2: 大规模评估大语言模型在动力系统上的逻辑推理能力
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 针对二元推理基准的准确性掩盖了关键缺陷，本文提出包含40,886个问题、覆盖165个动力系统的ChaosBench-Logic v2基准和CARE评估协议，揭示模型在状态转换推理、FOL演绎等任务上的表现差异和系统性反相关。
Comments 14 pages, 8 figures. Published at the ICLR 2026 Workshop on LLM Reasoning
Residual Drift Dominates Contradiction in Multi-Turn Constraint Reasoning
残差漂移主导多轮约束推理中的矛盾
机构 * Kaons ( kaons.com )（Kaons公司）
AI总结 通过构建DRIFT-Bench基准和MUS-Repair方法，发现多轮推理系统的主要失败模式是可满足漂移而非逻辑矛盾，残差错误中98-100%为可满足漂移。
Comments Published at ICLR 2026 Workshop on Reasoning and Planning for LLMs. 18 pages. ICLR page: https://iclr.cc/virtual/2026/10017484 Code: https://github.com/kaons-research/drift-bench
Uni-DPO: A Unified Paradigm for Dynamic Preference Optimization of LLMs
Uni-DPO：大语言模型动态偏好优化的统一范式
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Xi’an Jiaotong University（西安交通大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Tsinghua University（清华大学） ； Huazhong University of Science and Technology（华中科技大学）
AI总结 针对现有DPO方法忽略数据质量和学习难度差异的问题，提出Uni-DPO统一框架，通过自适应重加权偏好对实现更有效的数据利用和更优性能。
Comments Accepted by ICLR 2026. Code & models: https://github.com/pspdada/Uni-DPO
MMSI-Bench: A Benchmark for Multi-Image Spatial Intelligence
MMSI-Bench：多图像空间智能基准
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Zhejiang University（浙江大学） ； Tsinghua University（清华大学） ； Shanghai Jiaotong University（上海交通大学） ； University of Hong Kong（香港大学） ； Beijing Normal University（北京师范大学）
AI总结 提出MMSI-Bench基准，通过1000道精心设计的VQA问题评估多图像空间推理能力，发现现有模型准确率远低于人类。
Comments ICLR 2026 Camera ready. 38 pages. Project page: https://runsenxu.com/projects/MMSI_Bench
