ICLR

Random Label Prediction Heads for Studying Memorization in Deep Neural Networks

用于研究深度神经网络中记忆的随机标签预测头

Marlon Becker, Jonas Konrad, Luis Garcia Rodriguez, Benjamin Risse

机构 * University of Münster（明斯特大学） 纠错

AI总结 该研究提出用随机标签预测头研究深度神经网络分类任务中的记忆，通过其性能估计拉德马赫复杂度，分析泛化与过拟合，还基于此提出正则化技术，挑战了过拟合等同于记忆的传统假设，揭示减少记忆对泛化的复杂影响。

Journal ref ICLR 2026

Scaffolding the Strategist: Architecture-Dependent Reasoning Interventions in Hotelling Spatial Markets

为策略制定者搭建框架：霍特林空间市场中与架构相关的推理干预

Pratyush Singh

机构 * California Institute of Technology（加州理工学院） 纠错

AI总结 研究结构化推理干预对大语言模型战略经济推理的影响及与模型架构的关系，以霍特林模型评估GPT - 4.1 - mini和GPT - 5 - mini，发现支架类型与模型架构有交叉交互作用，对抗性测试有损害，还存在陈述性 - 程序性差距。

Comments 26 pages (11 main + 15 appendix), 6 figures, 4 tables. Accepted at the ICLR 2026 Workshop on LLM Reasoning

Speech World Model: Causal State-Action Planning with Explicit Reasoning for Speech

语音世界模型：基于显式推理的语音因果状态-动作规划

Xuanru Zhou, Jiachen Lian, Henry Hong, Xinyi Yang, Gopala Anumanchipalli

AI总结 研究旨在改进语音语言模型推理弱的问题，采用模块化视角和世界模型观点，将语音理解分解为四个模块通过因果图通信，建立认知状态搜索空间，实现显式推理，让语音理解更透明可控。

Comments Accepted to 2026 ICLR

Efficient Sliced Wasserstein Distance Computation via Adaptive Bayesian Optimization

通过自适应贝叶斯优化高效计算切片瓦瑟斯坦距离

Manish Acharya, David Hyde

机构 * Department of Computer Science（计算机科学系） ； Vanderbilt University（范德比大学） 纠错

AI总结 本文提出通过自适应贝叶斯优化高效计算切片瓦瑟斯坦距离，引入多种方向选择器并展示其在优化循环中的高效性能。

Comments 19 pages, 11 figures

Journal ref The Fourteenth International Conference on Learning Representations (ICLR 2026)

PM-KVQ: Progressive Mixed-precision KV Cache Quantization for Long-CoT LLMs

PM-KVQ：用于长思维链语言模型的渐进式混合精度键值缓存量化

Tengxuan Liu, Shiyao Li, Jiayi Yang, Tianchen Zhao, Feng Zhou, Xiaohui Song, Guohao Dai, Shengen Yan, Huazhong Yang, Yu Wang

机构 * Tsinghua University（清华大学） ； Infinigence-AI ； Columbia University（哥伦比亚大学） ； OPPO AI Center（OPPO人工智能中心） ； Shanghai Jiaotong University（上海交通大学） 纠错

AI总结 针对长思维链语言模型因键值缓存内存开销大导致性能下降的问题，提出渐进式混合精度KV缓存量化（PM-KVQ），通过渐进量化策略和逐块内存分配减少累积误差，用带位置插值的校准策略增加校准长度，提升了推理性能和吞吐量。

Comments Accepted by ICLR 2026. Code available at https://github.com/thu-nics/PM-KVQ