RobustVLA: On Robustness of Vision-Language-Action Model against Multi-Modal Perturbations
针对多模态扰动的视觉-语言-动作模型的鲁棒性
AI总结 本研究提出RobustVLA，通过多模态鲁棒优化提升视觉-语言-动作模型在多种扰动下的鲁棒性，实验表明其在性能和推理速度上均优于现有方法。
Comments Published as a conference paper at ICLR 2026
期刊&会议
ICLR
International Conference on Learning Representations · 会议 · Machine Learning
When Benchmarks Lie: Evaluating Malicious Prompt Classifiers Under True Distribution Shift
当基准谎言：在真实分布偏移下评估恶意提示分类器
机构 * Zenity
AI总结 研究通过LODO评估揭示了现有方法在真实分布偏移下的局限性，并展示了SAE特征在提升分类器解释性方面的潜力。
Comments v2: extended version of the AIWILD @ ICLR 2026 workshop paper; adds multi-model replication and additional analyses
Compositional Diffusion with Guided Search for Long-Horizon Planning
用于长期规划的带引导搜索的组合扩散
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 研究针对组合生成模型在局部分布多模态时的模式平均问题，提出带引导搜索的组合扩散方法（CDGS），通过特定采样、过滤和重采样解决问题，在机器人操作任务上表现出色且跨领域通用。
Comments 38 pages, 18 figures, ICLR 2026 ORAL
MMR-V: What's Left Unsaid? A Benchmark for Multimodal Deep Reasoning in Videos
MMR-V：未言明的是什么？视频中多模态深度推理的基准测试
机构 * The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences, Beijing, China（认知与决策智能复杂系统重点实验室，自动化研究所，中国科学院，北京，中国） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（人工智能学院，中国科学院大学） ； Tsinghua University（清华大学）
AI总结 针对视频多模态推理挑战，提出MMR-V基准测试，具有长程多帧推理等特点。该基准测试含317个视频和1257个任务，实验发现当前模型多模态推理困难，最佳模型准确率低，现有增强策略收益有限，旨在推动多模态推理能力研究。
Comments Accepted at ICLR 2026. Camera-ready version
A$^2$TG: Adaptive Anisotropic Textured Gaussians for Efficient 3D Scene Representation
A$^2$TG：用于高效3D场景表示的自适应各向异性纹理高斯方法
机构 * National Tsing Hua University（国立清华大学）
AI总结 研究针对高斯体素化表示中纹理固定的问题，提出自适应各向异性纹理高斯（A$^2$TG）方法，通过梯度引导规则确定纹理参数，提升效率与质量，实验证明该方法在内存需求低的情况下能实现高渲染保真度。
Comments ICLR 2026
Representation-Based Exploration for Language Models: From Test-Time to Post-Training
基于表示的语言模型探索：从测试时到训练后
机构 * Princeton University（普林斯顿大学） ； Microsoft Research（微软研究院）
AI总结 研究语言模型中强化学习探索新行为的价值，提出基于预训练模型隐藏状态的表示奖励探索方法，在推理时和训练后都显著提升了模型性能，如验证效率和测试时样本效率，为发现新行为提供实用途径。
Comments Accepted at ICLR 2026. Website and code: https://rep-exp.github.io
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
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
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
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）
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
Rethinking LLM-as-a-Judge: Representation-as-a-Judge with Small Language Models via Semantic Capacity Asymmetry
重新思考大语言模型作为评判器：通过语义能力不对称利用小语言模型进行表示作为评判器
机构 * Ping An Technology (Shenzhen) Co., Ltd.（平安科技（深圳）有限公司） ； University of Pittsburgh（匹兹堡大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； University of Connecticut（康涅狄格大学）
AI总结 研究探讨小语言模型能否作高效评估器，基于语义能力不对称假设提出“表示作为评判器”范式，通过INSPECTOR框架实例化，实验显示其在推理基准测试中性能出色，为可扩展评估提供了更优选择。
Journal ref ICLR 2026
SAGE: Spatial-visual Adaptive Graph Exploration for Efficient Visual Place Recognition
SAGE：用于高效视觉场所识别的空间视觉自适应图探索
机构 * School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院） ； Key Laboratory of Computing Power Network and Information Security, Ministry of Education, Shandong Computer Science Center, Qilu University of Technology（教育部计算功率网络与信息安全部、山东计算机科学中心、齐鲁大学）
AI总结 研究视觉场所识别问题，提出SAGE统一训练管道，通过改进局部特征聚合等增强空间视觉辨别力，引入软探测模块，重建地理视觉图，采用特定采样器，在多基准测试中达SOTA，如在SPED上仅用4096D全局描述符获100% Recall@10。
Comments Accepted by ICLR 2026
Journal ref International Conference on Learning Representations (ICLR), 2026
SGD-Based Knowledge Distillation with Bayesian Teachers: Theory and Guidelines
基于贝叶斯教师的基于随机梯度下降的知识蒸馏：理论与指导方针
机构 * School of ECE, Ben-Gurion University（本·古里安大学电子工程学院） ； Faculty of Math and CS, Weizmann Institute of Science（魏茨曼科学研究院数学与计算机学院）
AI总结 研究从贝叶斯视角用随机梯度下降训练学生的知识蒸馏收敛行为，分两种情况分析，发现从贝叶斯类概率学习有优势，提倡用贝叶斯深度学习模型作教师，实验表明这样蒸馏出的学生准确率更高、收敛更稳定。
Comments Accepted at ICLR 2026
Journal ref International Conference on Learning Representations (ICLR), 2026
Truthful or Fabricated? Using Causal Attribution to Mitigate Reward Hacking in Explanations
真实还是编造？利用因果归因减轻解释中的奖励作弊
机构 * Institute for Logic, Language and Computation (ILLC), University of Amsterdam（逻辑、语言与计算研究所（ILLC），阿姆斯特丹大学） ； Institute for Language, Cognition and Computation (ILCC), University of Edinburgh（语言、认知与计算研究所（ILCC），爱丁堡大学）
AI总结 研究大语言模型解释中因奖励模型导致的奖励作弊问题，提出用预测的因果归因丰富奖励模型输入的方法，该方法能减少大语言模型生成误导性解释的倾向，提升解释忠实度。
Comments ICLR 2026 Camera-ready
The Anatomy of Uncertainty in LLMs
大语言模型中不确定性的解剖结构
机构 * School of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
AI总结 本文提出了一种将大语言模型不确定性分解为输入模糊性、知识缺口和解码随机性的框架，通过实验展示不同模型规模和任务中各组件的重要性，以提升模型可靠性与可信度。
Comments Accepted at the ICBINB Workshop, ICLR 2026
Trust-Region Noise Search for Black-Box Alignment of Diffusion and Flow Models
基于信任区域的噪声搜索用于扩散和流模型的黑盒对齐
AI总结 本文提出一种基于信任区域的噪声搜索算法，用于对扩散和流模型进行黑盒对齐，通过优化噪声样本实现更好的生成效果，适用于多种生成任务。
Comments Preprint (shorter version accepted at ICLR ReaLM-GEN workshop)
CLEAR: Calibrated Learning for Epistemic and Aleatoric Risk
CLEAR：认知风险和偶然风险的校准学习
机构 * Department of Operations, HEC, University of Lausanne（洛桑大学运营管理系） ； Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计系） ； Department of Electrical Engineering and Computer Science, University of California, Berkeley（加州大学伯克利分校电气工程与计算机科学系） ； BegooAI
AI总结 提出校准方法CLEAR，用两个参数结合测量噪声偶然不确定性与数据有限认知不确定性，提升回归任务预测区间条件覆盖率，与多种估计器兼容，在多数据集上效果良好。
Comments Project page: https://unco3892.github.io/clear/
Journal ref Published as a conference paper at ICLR 2026
SpectralGCD: Spectral Concept Selection and Cross-modal Representation Learning for Generalized Category Discovery
SpectralGCD：用于广义类别发现的光谱概念选择和跨模态表示学习
机构 * University of Florence, Media Integration and Communication Center (MICC)（佛罗伦萨大学，媒体整合与通信中心（MICC））
AI总结 研究广义类别发现问题，提出SpectralGCD方法，利用CLIP跨模态相似性统一表示，通过光谱滤波和知识蒸馏提升性能，相比现有方法计算成本低且精度高。
Comments Accepted at ICLR 2026. Code available at https://github.com/miccunifi/SpectralGCD
Self-Supervised Learning from Structural Invariance
从结构不变性进行自监督学习
机构 * Mila - Québec AI Institute（魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； CHU Sainte-Justine（圣约斯特医院） ； HEC Montréal（蒙特利尔高等商学院） ； CIFAR AI Chair（CIFAR人工智能 chair）
AI总结 研究自监督学习中一对多映射问题，引入潜变量处理条件不确定性，推导变分下界，得出正则项，所提AdaSSL方法适用于多种自监督目标，在多领域有应用。
Comments ICLR 2026
Web-CogReasoner: Towards Multimodal Knowledge-Induced Cognitive Reasoning for Web Agents
Web-CogReasoner：迈向用于网络智能体的多模态知识诱导认知推理
机构 * Southwestern University of Finance and Economics（西南财经大学） ； Shanghai Jiao Tong University（上海交通大学） ； Central South University（中南大学） ； Hithink Research（Hithink研究） ； Westlake University（西湖大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； University of Manchester（曼彻斯特大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Adelaide（阿德莱德大学） ； Fudan University（复旦大学） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； Chengdu Everimaging Science and Technology Co., Ltd（成都亿联科技有限公司）
AI总结 研究将网络智能体能力分解为知识内容学习和认知过程两阶段，提出框架分类知识，构建数据集，基于此用新推理框架开发训练智能体，实验显示其优势，还引入评估套件。
Comments Accepted to ICLR 2026. Our code and data is released at https://github.com/Gnonymous/Web-CogReasoner
ARMOR: Aligning Secure and Safe Large Language Models via Meticulous Reasoning
ARMOR：通过精细推理对齐安全的大语言模型
AI总结 研究大语言模型安全问题，针对现有方法不足，提出ARMOR，通过三步推理管道提取核心恶意意图并验证，开发ARMOR-Think提升性能，在防御越狱攻击上效果显著。
Comments ICLR 2026
Verifier-free Test-Time Sampling for Vision-Language-Action Models
视觉语言动作模型的无验证测试时采样
机构 * KAIST（韩国科学技术院） ； Seoul National University（首尔国立大学） ； RLWRLD
AI总结 针对视觉语言动作模型在高精度任务中的局限，提出无验证测试时缩放框架MG-Select，利用模型内部属性，通过参考动作令牌分布选最优动作，经联合训练改进参考分布，提升模型表现。
Comments Accepted to ICLR 2026. Project page: https://suhyeok-jang.github.io/mg-select/
Wiki-R1: Incentivizing Multimodal Reasoning for Knowledge-based VQA via Data and Sampling Curriculum
Wiki-R1: 通过数据和采样课程激励基于知识的多模态推理用于VQA
机构 * ShanghaiTech University（上海科技大学） ； Shanghai Engineering Research Center of Intelligent Vision and Imaging（上海智能视觉与成像工程研究中心） ； Lingang Laboratory（临港实验室）
AI总结 提出Wiki-R1框架，通过可控课程数据生成和课程采样策略，结合强化学习激励MLLMs在KB-VQA中的推理能力，在Encyclopedic VQA和InfoSeek上取得新SOTA。
Comments Accepted by ICLR 26, code and weights are publicly available
Interpreting Global Perturbation Robustness of Image Models using Axiomatic Spectral Importance Decomposition
使用公理谱重要性分解解释图像模型的全局扰动鲁棒性
机构 * SFI Centre for Research Training in Artificial Intelligence（SFI人工智能研究培训中心） ； School of Computer Science, University of Galway（Galway大学计算机科学学院）
AI总结 提出一种模型无关的全局可解释性方法I-ASIDE，基于Shapley值公理量化鲁棒与非鲁棒特征的预测能力，揭示图像模型对数据损坏和对抗攻击等扰动的鲁棒性机制。
Comments Accepted by Transactions on Machine Learning Research (TMLR 2024)
Journal ref Transactions on Machine Learning Research (TMLR), 2024; Presented at The Thirteenth International Conference on Learning Representations (ICLR 2025), Singapore
LearNAT: Learning NL2SQL with AST-guided Task Decomposition for Large Language Models
LearNAT: 基于AST引导任务分解的NL2SQL大语言模型学习
机构 * School of Computer Science, Peking University（北京大学计算机科学系） ； Key Laboratory of High Confidence Software Technologies, Ministry of Education（教育部高可信软件技术重点实验室） ； Big Data Technology Research Center, Nanhu Laboratory（纳米实验室大数据技术研究中心） ； National Engineering Research Center For Software Engineering, Peking University（北京大学软件工程国家工程研究中心） ； Peking University Information Technology Institute (Tianjin Binhai)（北京大学信息技术研究院（天津滨海）） ； School of Computer Sciences, Beijing University of Posts and Telecommunications（北京邮电大学计算机科学系） ； Huawei Technologies Co., Ltd（华为技术有限公司） ； Seed, ByteDance Inc.（字节跳动公司）
AI总结 提出LearNAT框架，通过AST引导的分解合成过程和边际感知强化学习，增强小规模LLM的NL2SQL任务分解能力，以7B参数模型达到GPT-4可比性能。
Comments Accepted by ICLR'26
PaAno: Patch-Based Representation Learning for Time-Series Anomaly Detection
PaAno：基于片段的时序异常检测表示学习
机构 * Department of Industrial Engineering, Sungkyunkwan University（成均馆大学工业工程系）
AI总结 PaAno提出一种轻量高效的时序异常检测方法，通过提取短时片段并使用1D卷积神经网络进行嵌入，结合三元组损失和预设任务损失提升表示学习效果，实验证明在多种评估指标上优于现有方法。
Comments Accepted by the 14th International Conference on Learning Representations (ICLR 2026)
Predicting LLM Reasoning Performance with Small Proxy Model
用小代理模型预测LLM推理性能
机构 * Trillion Labs ； KAIST AI（韩国科学技术院人工智能系）
AI总结 提出rBridge方法，通过任务对齐加权负对数似然，使小模型（≤1B）有效预测大模型推理性能，成本降低超100倍，在1B-32B规模上实现最强相关性。
Comments ICLR 2026
Selective Expert Guidance for Effective and Diverse Exploration in Reinforcement Learning of LLMs
选择性专家引导实现强化学习中有效且多样的探索
机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Shanghai Institute of Artificial Intelligence for Education, East China Normal University（华东师范大学上海智能教育研究院） ； College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与技术学院） ； Ant Group（蚂蚁集团）
AI总结 提出MENTOR框架，仅在关键决策点提供专家引导，平衡探索的有效性与多样性，提升LLM在可验证奖励强化学习中的推理能力。
Comments Accepted by ICLR 2026
Verbosity Tradeoffs and the Impact of Scale on the Faithfulness of LLM Self-Explanations
冗长性权衡与规模对LLM自我解释忠实度的影响
机构 * Google DeepMind（谷歌DeepMind） ； Centre for AI, University College London（伦敦大学学院人工智能中心） ； Imperial College London（伦敦帝国学院） ； University College London（伦敦大学学院）
AI总结 本文分析13个模型家族共75个模型的反事实忠实度，提出phi-CCT和F-AUROC两个新指标，发现更大更强的模型在所有指标上更忠实。
Comments ICLR 2026 Workshop on Principled Design for Trustworthy AI - Interpretability, Robustness, and Safety across Modalities 67 pages, 13 figures
Hey, That's My Model! Introducing Chain & Hash, An LLM Fingerprinting Technique
嘿，那是我的模型！引入链与哈希，一种大语言模型指纹识别技术
机构 * Microsoft（微软）
AI总结 提出一种基于链与哈希的LLM指纹识别框架，通过加密绑定提示与响应防止碰撞，并利用随机填充和元提示配置增强鲁棒性，实现可验证的所有权证明。
Comments Published at ICLR 2026
PETIMOT: A Novel Framework for Inferring Protein Motions from Sparse Data Using SE(3)-Equivariant Graph Neural Networks
PETIMOT：一种利用SE(3)-等变图神经网络从稀疏数据推断蛋白质运动的新框架
机构 * Department of Computational, Quantitative, and Synthetic Biology (CQSB), UMR 7238 IBPS, Sorbonne Université, CNRS（索邦大学国家科学研究中心计算、定量与合成生物学系（CQSB），UMR 7238 IBPS） ； Univ. Grenoble Alpes, CNRS, Grenoble INP, LJK（格勒诺布尔阿尔卑斯大学国家科学研究中心格勒诺布尔国立理工学院让·库尔实验室（LJK）） ； Institut universitaire de France (IUF)（法国大学研究院（IUF））
AI总结 提出PETIMOT框架，利用SE(3)-等变图神经网络和预训练蛋白质语言模型，从稀疏实验数据推断蛋白质连续紧凑运动表示，在捕捉大/慢构象变化方面优于扩散、流匹配及传统物理模型。
Journal ref LMRL Workshop at ICLR 2025; Acta Crystallographica Section D 2026
M3CoTBench: Benchmark Chain-of-Thought of MLLMs in Medical Image Understanding
M3CoTBench：医学图像理解中多模态大语言模型的思维链基准测试
机构 * Zhejiang University（浙江大学） ； University of Science and Technology of China（中国科学技术大学） ； East China Normal University（华东师范大学） ； Zhejiang Provincial People’s Hospital（浙江省人民医院） ； National University of Singapore（新加坡国立大学）
AI总结 提出M3CoTBench基准，通过多层级难度数据集和专用评估指标，系统评测多模态大语言模型在医学图像理解中的思维链推理正确性、效率、影响和一致性。
Comments 39 pages, 8 figures; accepted by ICLR 2026
