ICLR

An Embedded RISC-V Evaluation of Kolmogorov--Arnold Networks in Hard-Constrained Recurrent Physics-Informed Models

硬约束循环物理信息模型中柯尔莫哥洛夫-阿诺德网络的嵌入式RISC-V评估

Enzo Nicolas Spotorno, Josafat Leal Filho

AI总结 本文在RISC-V嵌入式平台上评估硬约束循环物理信息模型的KAN残差分支，发现其部署时延迟和能耗高于MLP，量化后可靠性更差，不适合作为默认选择。

Comments 6 pages, submitted to SBESC 2026 as an extension to the ICLR Workshop Paper https://openreview.net/forum?id=iHpbQn99RB

On the Wings of Imagination: Conflicting Script-based Multi-role Framework for Humor Caption Generation

在想象之翼上：用于幽默标题生成的冲突脚本多角色框架

Wenbo Shang, Yuxi Sun, Jing Ma, Xin Huang

机构 * Hong Kong Baptist University（香港 Baptist 大学） 纠错

AI总结 本文提出基于幽默理论GTVH的HOMER框架，通过多角色LLM协作生成幽默标题，实验表明其在多模态幽默标题生成中优于现有方法。

Comments Paper published as a conference paper at ICLR 2026

T-TAMER: Provably Taming Trade-offs in ML Serving

T-TAMER：可证明地管控机器学习服务中的权衡

Yuanyuan Yang, Ruimin Zhang, Jamie Morgenstern, Haifeng Xu

机构 * Department of Computer Science & Engineering University of Washington（华盛顿大学计算机科学与工程系） ； Department of Computer Science University of Chicago（芝加哥大学计算机科学系） 纠错

AI总结 该研究针对机器学习服务中的权衡问题，提出通用框架T-Tamer，证明回溯是获得最优权衡的关键，通过实验验证基于回溯的策略能实现高效的准确率-延迟权衡，为相关模型设计提供理论基础。

Comments Correspondence should be addressed to yyangh at cs dot washington dot edu or haifengxu@uchicago.edu. This manuscript extends our earlier workshop version, which was accepted at the NeurIPS SPIGM 2025 Workshop, and has been accepted to ICLR 2026

Mathematical Reasoning for Unmanned Aerial Vehicles: A RAG-Based Approach for Complex Arithmetic Reasoning

无人机数学推理：基于检索增强生成的方法用于复杂算术推理

Mehdi Azarafza, Mojtaba Nayyeri, Faezeh Pasandideh, Steffen Staab, Achim Rettberg

机构 * Department of Computer Science（计算机科学系） ； Institute For Artificial Intelligence（人工智能研究所） ； Hamm-Lippstadt University of Applied Sciences（哈姆-利普施塔特应用科学大学） ； University of Stuttgart（斯图加特大学） 纠错

AI总结 本文提出RAG-UAV框架，通过引入领域文献提升LLM在无人机任务中的数学推理能力，实验表明检索显著提高准确率并减少错误选择。

Comments 15 pages, 7 figures, 4 appendix subsections

Journal ref ICLR 2026 Workshop on Logical Reasoning of Large Language Models

FieryGS: In-the-Wild Fire Synthesis with Physics-Integrated Gaussian Splatting

FieryGS: 在真实世界中实现火灾合成的物理集成高斯点云方法

Qianfan Shen, Ningxiao Tao, Qiyu Dai, Tianle Chen, Minghan Qin, Yongjie Zhang, Mengyu Chu, Wenzheng Chen, Baoquan Chen

机构 * School of EECS, Peking University（电子工程系，北京大学） ； School of Intelligence Science and Technology, Peking University（智能科学与技术学院，北京大学） ； Yuanpei College, Peking University（元培学院，北京大学） ； ByteDance Seed（字节跳动种子） ； Wangxuan Institute of Computer Technology, Peking University（王璇计算机技术研究所，北京大学） ； Beijing Academy of Artificial Intelligence, Beijing, China（北京人工智能研究院，北京，中国） 纠错

AI总结 FieryGS通过整合物理准确的燃烧模拟与渲染，实现真实世界3D场景中逼真的火灾合成，结合多模态大语言模型进行物理材料推理，提升火灾动态的可控性和真实性。

Comments ICLR 2026

It's All Just Vectorization: einx, a Universal Notation for Tensor Operations

这全都是向量化：einx，一种通用的张量运算表示法

Florian Fervers, Sebastian Bullinger, Christoph Bodensteiner, Michael Arens

AI总结 针对主流张量框架表示法难读写、易出错的问题，引入通用张量运算表示法einx，简化API、统一规则，提供可与现有框架无缝集成的Python实现。

Comments Published at ICLR 2026 (oral)

TopoFormer: Topology Meets Attention for Graph Learning

TopoFormer：拓扑与注意力融合的图学习方法

Md Joshem Uddin, Astrit Tola, Cuneyt Gurcan Akcora, Baris Coskunuzer

AI总结 该研究提出TopoFormer框架，通过核心模块Topo-Scan将图拓扑结构编码为注意力友好序列，结合Transformer实现图表示学习，在相关基准上达到SOTA性能，开辟了拓扑与注意力融合的图学习新方向。

Comments 26 pages, 5 figures

Journal ref ICLR 2026

Critical attention scaling in long-context transformers

长上下文Transformer中的关键注意力缩放

Shi Chen, Zhengjiang Lin, Yury Polyanskiy, Philippe Rigollet

机构 * Department of Mathematics, Massachusetts Institute of Technology（数学系，麻省理工学院） ； Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（电气工程与计算机科学系，麻省理工学院） 纠错

AI总结 该研究针对长上下文Transformer的注意力秩崩溃问题，通过分析简化模型确定关键缩放因子$\beta_n \backsim \text{log} n$，为YaRN和Qwen的注意力缩放提供理论依据，阐明对数缩放可维持长上下文下的稀疏内容自适应注意力。

Comments 31 pages, 2 figures

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

FARI: Robust One-Step Inversion for Watermarking in Diffusion Models

FARI：用于扩散模型水印的鲁棒单步反演

Jindong Yang, Han Fang, Weiming Zhang, Nenghai Yu, Kejiang Chen

AI总结 本研究提出FARI框架，通过单步反演结合轻量级对抗LoRA微调，在提升扩散模型水印验证鲁棒性的同时大幅缩短推理时间，效率与性能均优于50步DDIM反演。

Comments Accepted by ICLR 2026

Flow Map Learning via Nongradient Vector Flow

基于非梯度向量流的流图学习

Mark Goldstein, Anshuk Uppal, Raghav Singhal, Aahlad Puli, Rajesh Ranganath

机构 * Flatiron Institute（弗拉蒂隆研究所） ； Technical University of Denmark（丹麦技术大学） ； Courant Institute, New York University（纽约大学柯朗研究所） 纠错

AI总结 本文提出SGFlow方法，绕过流图学习的可逆性与迭代微分难题，在CIFAR基准上10采样步时FID最优，其他步数具竞争力且有驻点保证。

Comments ICLR 2026

Even More Deception: Objective Misalignment in Mixed-Motive LLM Multi-Agent Systems

更严重的欺骗：混合动机大型语言模型多智能体系统中的目标不一致

Marylou Fauchard, Florian Carichon, Margarida Carvalho, Golnoosh Farnadi

AI总结 该研究以《狼人杀》为框架，分析LLM多智能体的目标不一致问题，发现其会破坏对抗环境结果且在公开行为中难察觉，凸显需缓解策略。

Comments Accepted at AIWILD@ICLR 2026

The Geometry of LLM Quantization: GPTQ as Babai's Nearest Plane Algorithm

LLM量化几何学：GPTQ作为Babai最近平面算法

Jiale Chen, Yalda Shabanzadeh, Elvir Crnčević, Torsten Hoefler, Dan Alistarh

机构 * Institute of Science and Technology Austria (ISTA)（奥地利科学技术院） ； Red Hat, Inc.（红帽公司） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文将GPTQ与Babai最近平面算法等价，揭示其几何意义和误差上界，设计出无裁剪的量化方法并提供高效GPU内核，为大规模模型量化理论奠定基础。

Comments Published as a conference paper at the Fourteenth International Conference on Learning Representations (ICLR 2026): https://openreview.net/forum?id=NFB4QGGS65

Journal ref International Conference on Learning Representations, 2026, pp. 122653-122695

MathNet: a Global Multimodal Benchmark for Mathematical Reasoning and Retrieval

MathNet：数学推理与检索的全球多模态基准

Shaden Alshammari, Kevin Wen, Abrar Zainal, Mark Hamilton, Navid Safaei, Sultan Albarakati, William T. Freeman, Antonio Torralba

机构 * MIT（麻省理工学院） ； KAUST（卡塔尔人工智能研究 institute） ； HUMAIN ； Individual Researcher（独立研究者） 纠错

AI总结 MathNet是一个大规模多模态数学问题基准，包含47个国家、17种语言、20年竞赛的30676道专家级数学问题，支持问题解决、数学检索和检索增强生成三个任务，实验表明先进模型在推理和检索任务上仍面临挑战。

Comments ICLR 2026; Website: http://mathnet.mit.edu

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

Navigating the Latent Space Dynamics of Neural Models

神经模型潜在空间动力学导航

Marco Fumero, Luca Moschella, Emanuele Rodolà, Francesco Locatello

机构 * IST Austria（IST奥地利研究院） ； Sapienza（拉瓦尔大学） ； Paradigma 纠错

AI总结 本文提出将神经模型视为作用于潜在流形上的动态系统，通过潜在向量场分析模型性质与数据特性，实现模型泛化、记忆和异常检测。

Journal ref The Fourteenth International Conference on Learning Representations, ICLR 2026

MemAgent: Reshaping Long-Context LLM with Multi-Conv RL-based Memory Agent

MemAgent：基于多轮对话强化学习的记忆智能体重构长上下文大语言模型

Hongli Yu, Tinghong Chen, Jiangtao Feng, Jiangjie Chen, Weinan Dai, Qiying Yu, Ya-Qin Zhang, Wei-Ying Ma, Jingjing Liu, Mingxuan Wang, Hao Zhou

机构 * ByteDance Seed（字节跳动种子期） ； Institute for AI Industry Research (AIR)（人工智能产业研究院） ； Tsinghua University（清华大学） 纠错

AI总结 该研究提出MemAgent智能体工作流，结合扩展的DAPO算法优化长文本任务，实现从8K到3.5M上下文的高效外推，在RULER测试中表现优异。

Comments Accepted to ICLR 2026 as an Oral presentation. OpenReview: https://openreview.net/forum?id=k5nIOvYGCL Project page: https://memagent-sialab.github.io/

Journal ref International Conference on Learning Representations (ICLR), 2026

Adaptive Multilevel Neural Networks for Parametric PDEs with Error Estimation

Janina E. Schütte, Martin Eigel

Journal ref ICLR 2024 Workshop on AI4DifferentialEquations In Science

Extending Fourier Neural Operators for Modeling Parameterized and Coupled PDEs

扩展傅里叶神经算子用于参数化和耦合偏微分方程建模

Cheng Jing, Uvini Balasuriya Mudiyanselage, Abhishek Verma, Kallol Bera, Shahid Rauf, Kookjin Lee

机构 * Arizona State University（亚利桑那州立大学） ； Applied Materials Inc.（应用材料公司） 纠错

AI总结 研究针对参数化和耦合偏微分方程建模问题，通过最少架构修改扩展傅里叶神经算子。对参数化动力学用超网络调制，对耦合系统探索架构选择，实验表明该方法比基线误差大幅降低，有效提升了偏微分方程建模效果。

Comments Accepted to ICLR 2026

When to Retrain after Drift: A Data-Only Test of Post-Drift Data Size Sufficiency

在漂移后何时重新训练：对后漂移数据大小充分性的数据-only测试

Ren Fujiwara, Yasuko Matsubara, Yasushi Sakurai

机构 * SANKEN, The University of Osaka, Japan（SANKEN大学大阪大学日本） 纠错

AI总结 本文提出CALIPER方法，通过数据-only测试估计后漂移数据大小以确保稳定重新训练，该方法利用动态系统生成的数据状态依赖性，通过单次加权局部回归和局部性参数θ跟踪一歩代理误差，当有效样本量门控满足时，误差随局部性参数增加而单调非递增，表明数据足够用于重新训练。

Comments Accepted by ICLR 2026

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

The Lattice Representation Hypothesis of Large Language Models

大语言模型的晶格表示假说

Bo Xiong

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文提出大语言模型的晶格表示假说，通过嵌入几何将概念层次和逻辑运算统一到线性表示中，实验表明LLM嵌入编码概念晶格及其逻辑结构。

Comments Published at ICLR 2026

Revenue Maximization Under Sequential Price Competition Via The Estimation Of s-Concave Demand Functions

通过估计s-凹需求函数实现序列价格竞争中的收益最大化

Daniele Bracale, Moulinath Banerjee, Cong Shi, Yuekai Sun

机构 * Department of Statistics University of Michigan Ann Arbor, MI, USA（统计系密歇根大学安娜堡分校） ； Department of Management University of Miami Miami, USA（管理系迈阿密大学） 纠错

AI总结 本文研究了多个卖方在T期内的序列价格竞争，提出利用半参数最小二乘估计的动态定价策略，证明价格收敛至纳什均衡的速度为O(T^{-1/7})，并建立新的集中性结果。

Journal ref International Conference on Learning Representations (ICLR 2026)

OS-Sentinel: Towards Safety-Enhanced Mobile GUI Agents via Hybrid Validation in Realistic Workflows

OS-Sentinel: 通过现实工作流中的混合验证实现安全增强的移动GUI代理

Qiushi Sun, Mukai Li, Zhoumianze Liu, Zhihui Xie, Fangzhi Xu, Zhangyue Yin, Kanzhi Cheng, Zehao Li, Zichen Ding, Qi Liu, Zhiyong Wu, Zhuosheng Zhang, Ben Kao, Lingpeng Kong

机构 * The University of Hong Kong（香港大学） ； Fudan University（复旦大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Nanyang Technological University（南洋理工大学） ； Nanjing University（南京大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 OS-Sentinel通过结合形式验证器和VLM上下文判断者，提升移动GUI代理的安全性，实验显示在多个指标上优于现有方法。

Comments ACL 2026 (Oral) & Best Paper at AIWILD @ ICLR 2026

Neural Message-Passing on Attention Graphs for Hallucination Detection

基于注意力图的神经消息传递用于幻觉检测

Fabrizio Frasca, Guy Bar-Shalom, Yftah Ziser, Haggai Maron

AI总结 研究大语言模型幻觉检测问题，提出CHARM方法，将其视为图学习任务，通过在属性图上应用图神经网络解决，实验证明该方法优于其他方法，揭示图结构作用，展现跨数据集转移的零样本性能。

Comments ICLR 2026

Enough is as good as a feast: A Comprehensive Analysis of How Reinforcement Learning Mitigates Task Conflicts in LLMs

过犹不及：强化学习如何减轻大语言模型中任务冲突的综合分析

Zixuan Ren, Jinliang Lu, Junhong Wu, Yang Zhao, Dai Dai, Hua Wu, Haifeng Wang, Chengqing Zong

机构 * Institute of Automation, CAS（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Baidu Inc.（百度公司） 纠错

AI总结 研究对比强化学习与监督微调训练的大语言模型的合并行为，经五项任务评估发现强化学习能减少任务冲突及合并后性能下降。通过实验和分析揭示三个关键因素，表明强化学习在模型合并中更具优势。

Comments Published in ICLR 2026

Cross-Domain Off-Policy Evaluation and Learning for Contextual Bandits

上下文博弈的跨域离策略评估与学习

Yuta Natsubori, Masataka Ushiku, Yuta Saito

机构 * Hakuhodo DY Holdings, Inc.（博报堂DY控股公司） ； Cornell University（康奈尔大学） 纠错

AI总结 研究上下文博弈中离策略评估与学习问题，提出跨域OPE/L新设置，可利用目标域和其他域日志数据，开发新估计器和策略梯度方法，有效解决现有方法面临的挑战，增强离策略评估与学习能力。

Comments 21 pages, 10 figures, accepted to ICLR 2025

Relative Value Learning

相对价值学习

Marc Höftmann, Jan Robine, Stefan Harmeling

AI总结 研究提出相对价值学习框架，通过反对称函数学习价值差异，引入成对贝尔曼算子并推导相关目标及估计器，将其与PPO集成，在Atari基准测试中取得有竞争力性能，证明相对价值估计可替代绝对评论家。

Comments Published as a conference paper at ICLR 2026

Training Large Language Models for Self-Explanation Faithfulness

训练用于自解释忠实性的大语言模型

Yeoktatt Cheah, María Pérez-Ortiz, Noah Y. Siegel, Oana-Maria Camburu

机构 * Imperial College London（帝国理工学院） 纠错

AI总结 提出强化学习方法，将忠实性度量改为训练目标，研究模型能否检测及优化影响决策因素以提高自解释忠实性。实验用随机词和用户偏差插入，微调模型在忠实性度量上显著改进，交叉干预泛化有模型依赖等情况，为减少不忠实推理提供路径。

Comments To appear at the ICLR 2026 Workshop on Representational Alignment (Re-Align), 10 pages (long paper)

Gumbel Distillation for Parallel Text Generation

Gumbel Distillation用于并行文本生成

Chi Zhang, Xixi Hu, Bo Liu, Qiang Liu

机构 * Department of Computer Science（计算机科学系） 纠错

AI总结 本文提出Gumbel Distillation技术，通过Gumbel-Max技巧使并行解码器有效学习token序列的联合分布，提升生成质量，在LM1B和OpenWebText数据集上取得显著改进。

Comments ICLR 2026

Fast Frank--Wolfe Algorithms with Adaptive Bregman Step-Size for Weakly Convex Functions

具有自适应Bregman步长的快速Frank-Wolfe算法用于弱凸函数

Shota Takahashi, Sebastian Pokutta, Akiko Takeda

AI总结 本文提出了一种适用于弱凸函数的快速Frank-Wolfe算法，通过自适应Bregman步长策略实现更宽松的收敛保证和更快的收敛速度。

Comments ICLR2026 camera-ready version; 38 pages, 10 figures

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

SESaMo: Symmetry-Enforcing Stochastic Modulation for Normalizing Flows

SESaMo：用于归一化流的对称强制随机调制

Janik Kreit, Dominic Schuh, Kim A. Nicoli, Lena Funcke

AI总结 研究聚焦深度生成模型中从未归一化类玻尔兹曼分布采样的挑战。核心方法是引入SESaMo，通过随机调制将对称性等归纳偏差纳入归一化流。主要贡献是增强生成模型灵活性，能学习多种对称性，并在多场景下进行了数值实验验证。

Comments 29 pages, 14 figures

Journal ref ICLR 2026

SEED: Towards More Accurate Semantic Evaluation for Visual Brain Decoding

SEED：迈向更准确的视觉脑解码语义评估

Juhyeon Park, Peter Yongho Kim, Jiook Cha, Shinjae Yoo, Taesup Moon

机构 * IPAI, Seoul National University（韩亚国立大学IPAI） ； ECE, Seoul National University（韩亚国立大学电子工程系） ； Psychology, Seoul National University（韩亚国立大学心理学系） ； Brookhaven National Lab（布鲁赫斯国家实验室） ； ASRI / INMC / AIIS, Seoul National University（韩亚国立大学ASRI/INMC/AIIS） 纠错

AI总结 SEED是一种用于评估视觉脑解码模型语义解码性能的新指标，通过整合三个互补的指标，发现现有模型在关键信息传递上存在不足，并开源数据以促进进一步研究。

Comments ICLR 2026