期刊&会议
International Conference on Learning Representations · 会议 · Machine Learning
来自稀疏观测的大深度补全模型
机构 * Zhejiang University（浙江大学） ； Tongyi Lab, Alibaba Group（阿里云实验室） ； Fudan University（复旦大学） ； Ningbo Innovation Center, Zhejiang University（宁波创新中心，浙江大学） ； NingboTech University（宁波科技学院） ； Jinhua Institute of Zhejiang University（金华大学浙大研究院）
AI总结 提出LDCM，利用单目基础模型和基于泊松的深度初始化策略，结合点图头回归3D坐标，实现稀疏观测下的度量准确深度补全。
Comments ICLR 2026. Project webpage: https://pkqbajng.github.io/ldcm/
基于超球面置信映射的不确定性估计
机构 * KAIST（韩国科学技术院） ； Samsung Electronic Co., Ltd（三星电子有限公司）
AI总结 提出超球面置信映射（HCM），通过将输出分解为幅度和归一化方向向量并利用几何约束违反程度实现无采样、无分布假设的不确定性估计，在回归和分类任务中匹配或超越集成与证据方法且推理成本更低。
Comments Accepted at ICLR 2026. 24 pages, 7 figures, including appendix. Updated references
SCoOP: 多视觉-语言模型系统中用于不确定性量化的语义一致意见池化
机构 * University of West Florida（西佛罗里达大学） ； United States Military Academy（美国军事学院）
AI总结 提出SCoOP框架，通过不确定性加权的线性意见池化聚合多个视觉-语言模型的输出，实现无训练的不确定性量化，有效检测幻觉并支持高不确定性样本的弃权。
Comments Accepted to ICLR 2026 Workshop on Agentic AI in the Wild: From Hallucinations to Reliable Autonomy
异质双曲流形上的树间模态对齐
机构 * Beijing Key Laboratory of Intelligent Information Technology, School of Computer Science & Technology, Beijing Institute of Technology（北京智能信息科技重点实验室，计算机科学与技术学院，北京理工大学） ； Guangdong Laboratory of Machine Perception and Intelligent Computing, Shenzhen MSU-BIT University（广东机器感知与智能计算实验室，深圳MSU-BIT大学） ； Department of Electrical and Computer System Engineering, Monash University（电子与计算机系统工程系，墨尔本大学）
AI总结 提出一种在异质双曲流形上对齐图像和文本树状层次特征的方法，通过交叉注意力提取视觉层次特征、异质流形嵌入及KL距离度量学习中间流形，在开放集分类任务中优于基线。
Comments Published as a conference paper at ICLR 2026
Journal ref The Fourteenth International Conference on Learning Representations (ICLR 2026), Rio de Janeiro, Brazil, 2026
理解蛋白质语言模型中表示的形状
机构 * Department of Physics（物理系） ； University of Oslo（奥斯陆大学）
AI总结 本研究通过平方根速度表示和图过滤分析蛋白质语言模型（PLM）的表示空间，发现ESM2模型中Karcher均值和有效维度随层数非线性变化，且PLM优先编码残基的局部关系，最忠实于结构的表示出现在模型倒数第二层附近。
Comments Accepted as a poster at ICLR 2026. OpenReview: https://openreview.net/forum?id=Dnn8SSBJaY
Journal ref International Conference on Learning Representations (ICLR), 2026
TrojanTO：针对轨迹优化模型的行动级后门攻击
机构 * Laboratory for Big Data and Decision, National University of Defense Technology（大数据与决策实验室，国防科技大学） ； Zhejiang University（浙江大学） ； Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； National University of Singapore（新加坡国立大学）
AI总结 提出TrojanTO，首个针对轨迹优化模型的行动级后门攻击方法，通过交替训练增强触发与目标动作关联，并利用轨迹过滤和批量投毒实现高隐蔽性，在低攻击预算下有效植入后门。
Comments 23 pages, 6 figures
Journal ref International Conference on Learning Representations (ICLR), 2026
超越准确性：时间序列基础模型是否良好校准？
机构 * Department of Computer Science（计算机科学系） ； Department of Statistics（统计学系） ； Google, Irvine（谷歌（伊文斯堡））
AI总结 本文系统评估了五个时间序列基础模型和两个基线的校准特性，发现基础模型校准优于基线且无系统性过度自信或信心不足。
Comments Published as a conference paper at ICLR 2026
Journal ref Proceedings of ICLR 2026
混合机制：语言模型如何在上下文中检索绑定实体
机构 * Blavatnik School of Computer Science and AI, Tel Aviv University（塔尔瓦大学Blavatnik计算机科学与人工智能学院） ； Pr(Ai) 2 R Group（Pr(Ai) 2 R小组） ； Goodfire
AI总结 本文研究了语言模型在上下文中绑定并检索实体的三种机制（位置机制、词汇机制和反射机制），通过九种模型和十项绑定任务的实验揭示了它们的混合模式，并构建了一个因果模型以95%的一致性估计下一词分布。
Comments Accepted to ICLR 2026 Main Conference
重新评估不完美信息博弈的策略梯度方法
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Berkeley（加州大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； NYU Tandon School of Engineering（纽约大学坦顿工程学院）
AI总结 通过实现五种大型博弈的精确可剥削性计算，对比发现基于虚构博弈、双预言机和反事实遗憾最小化的深度强化学习算法未能超越通用策略梯度方法（如PPO）。
Comments International Conference on Learning Representations (ICLR) 2026
路径通道与计划扩展核：Sokoban RNN中规划的机制描述
机构 * FAR.AI Berkeley（FAR.AI伯克利）
AI总结 通过逆向工程分析无模型强化学习训练的卷积循环神经网络，发现其通过路径通道存储未来动作计划，并利用卷积核实现双向传播与回溯规划。
Comments Published as a conference paper at ICLR 2026. 34 pages, 26 figures
学习相关奖励模型：统计障碍与机遇
机构 * MIT（麻省理工学院）
AI总结 本文研究了避免IIA假设的相关probit模型的统计与计算挑战，证明了成对偏好数据不足以学习相关性，而三选一偏好数据可实现近最优估计。
Comments International Conference on Learning Representations (ICLR) 2026
注意力投影中的非线性：非线性查询的情况
机构 * Simplicity Technologies（简化科技）
AI总结 本文提出用非线性残差替换注意力中的查询投影W_Q，通过瓶颈MLP实现，在GPT-3小模型上验证了性能提升。
Comments Accepted at the ICLR 2026 GRaM workshop: https://openreview.net/forum?id=pwdnneFiNZ#discussion
DETR-ViP：具有鲁棒判别性视觉提示的检测Transformer
机构 * School of Software Engineering, Xi’an Jiaotong University（西安交通大学软件工程学院） ； State Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Xi’an Jiaotong University（西安交通大学人机混合增强智能国家重点实验室） ； CCAI, Zhejiang University（浙江大学计算机辅助设计与智能交互研究院） ； Hikrobot Co., Ltd.（海康威视有限公司）
AI总结 提出DETR-ViP框架，通过全局提示集成和视觉-文本提示关系蒸馏学习可区分视觉提示，并采用选择性融合策略实现鲁棒检测，在多个数据集上显著提升视觉提示检测性能。
Comments Published as a conference paper at ICLR 2026
Muddit: 通过统一离散扩散模型解放超越文本到图像的生成
机构 * M-E-AGI-Lab（M-E-AGI实验室）
AI总结 提出Muddit，一种统一离散扩散Transformer，结合预训练文本到图像骨干的强视觉先验与轻量文本解码器，实现跨文本和图像模态的快速并行生成，在质量和效率上优于大型自回归模型。
Comments Accepted to ICLR 2026. Codes and Supplementary Material: https://github.com/M-E-AGI-Lab/Muddit
PhyWorldBench：文本到视频模型中物理真实性的全面评估
机构 * University of California, Santa Cruz（加州大学圣克ruz分校） ； NVIDIA Research（NVIDIA研究） ； Northeastern University（东北大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校）
AI总结 提出PhyWorldBench基准，通过1050个提示评估12个视频生成模型在物理规律遵循上的表现，并引入反物理类别，利用多模态大语言模型进行零样本评估。
Comments 35 pages, 21 figures
Journal ref ICLR 2026 oral
OCR-Reasoning基准：揭示MLLMs在复杂文本丰富图像推理中的真实能力
机构 * South China University of Technology（华南理工大学） ； Huawei Technologies Co., Ltd（华为技术有限公司）
AI总结 提出OCR-Reasoning基准，包含1069个人工标注样本，覆盖6种核心推理能力和18个实际推理任务，通过双标注（最终答案和逐步推理过程）评估多模态大语言模型在文本丰富图像推理中的能力，发现最先进模型准确率均低于50%。
Comments ICLR 2026
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
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: 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
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
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
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: 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：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
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: 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：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)
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: 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
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
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈