ICLR

Hierarchy-Guided Topology Latent Flow for Molecular Graph Generation

层次引导的拓扑潜在流用于分子图生成

Urvi Awasthi, Alexander Arjun Lobo, Leonid Zhukov

机构 * BCG X AI Science Institute（BCG X AI科学研究所） 纠错

AI总结 本文提出HLTF模型，通过层次化潜在拓扑流生成具有3D坐标的分子键图，提升拓扑可行性，实验表明在QM9和GEOM-DRUGS数据集上均取得显著效果。

Comments 22 pages, 2 figures, 6 tables. Accepted to ICLR 2026 AI4Mat Workshop

LightCtrl: Training-free Controllable Video Relighting

LightCtrl: 不需要训练的可控视频重照明

Yizuo Peng, Xuelin Chen, Kai Zhang, Xiaodong Cun

机构 * Tsinghua University（清华大学） ； GVC Lab, Great Bay University（大湾区大学GVC实验室） ； Adobe Research（Adobe研究院） 纠错

AI总结 LightCtrl是首个无需训练的可控视频重照明方法，通过用户提供的光照轨迹实现对视频光照的显式控制，结合预训练扩散模型提升时间一致性，实验显示其在光照变化多样性和可控性上优于基线方法。

Comments Accepted at ICLR 2026

FormalProofBench: Can Models Write Graduate Level Math Proofs That Are Formally Verified?

FormalProofBench：模型能否写出经过形式验证的研究生级数学证明？

Nikil Ravi, Kexing Ying, Vasilii Nesterov, Rayan Krishnan, Elif Uskuplu, Bingyu Xia, Janitha Aswedige, Langston Nashold

机构 * Vals AI ； École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院） ； Moscow Institute of Physics and Technology（莫斯科物理技术学院） ； Indiana University, Bloomington（印第安纳大学布卢明顿分校） ； Independent Researcher（独立研究员） 纠错

AI总结 FormalProofBench评估AI能否生成经过形式验证的研究生级数学证明，通过自然语言问题与Lean 4形式陈述配对，测试模型生成Lean证明的能力，结果显示最佳模型准确率为33.5%。

Comments Accepted at ICLR 2026 Workshop: VerifAI-2: The Second Workshop on AI Verification in the Wild. Live leaderboard hosted here: https://www.vals.ai/benchmarks/proof_bench

Activation Steering for Masked Diffusion Language Models

激活引导用于掩码扩散语言模型

Adi Shnaidman, Erin Feiglin, Osher Yaari, Efrat Mentel, Amit Levi, Raz Lapid

机构 * Deepkeep ； Technion—Israel Institute of Technology（以色列理工学院） 纠错

AI总结 本文提出激活引导方法，通过提取对比提示集的低维方向，实现对MDLMs推理过程的控制，展示了在安全拒绝任务中的有效性及跨语言迁移能力。

Comments Accepted at ReALM-GEN @ ICLR 2026

Disrupting Hierarchical Reasoning: Adversarial Protection for Geographic Privacy in Multimodal Reasoning Models

破坏层次推理：多模态推理模型中地理隐私的对抗保护

Jiaming Zhang, Che Wang, Yang Cao, Longtao Huang, Wei Yang Bryan Lim

机构 * Nanyang Technological University（南洋理工大学） ； Peking University（北京大学） ； Institute of Science Tokyo（东京科学大学） ； Alibaba Group（阿里巴巴集团） 纠错

AI总结 本文提出ReasonBreak框架，通过概念感知扰动破坏多模态推理模型中的层次推理，利用GeoPrivacy-6K数据集验证其在提升地理隐私保护效果上的优势。

Comments ICLR 2026

The Quest for Generalizable Motion Generation: Data, Model, and Evaluation

可泛化动作生成的探索：数据、模型与评估

Jing Lin, Ruisi Wang, Junzhe Lu, Ziqi Huang, Guorui Song, Ailing Zeng, Xian Liu, Chen Wei, Wanqi Yin, Qingping Sun, Zhongang Cai, Lei Yang, Ziwei Liu

机构 * Nanyang Technological University（南洋理工大学） ； SenseTime Research（商汤科技研究院） ； Tsinghua University（清华大学） ； The Chinese University of Hong Kong（香港中文大学） ； NVIDIA Research（英伟达研究院） 纠错

AI总结 本文提出一个综合框架，通过数据、建模和评估三大支柱将视频生成知识迁移至动作生成，引入大规模数据集和改进模型，提升动作生成的泛化能力。

Comments Homepage: https://motrixlab.github.io/2026_iclr_vimogen

Temporally Detailed Hypergraph Neural ODEs for Disease Progression Modeling

时间细致超图神经ODE用于疾病进展建模

Tingsong Xiao, Yao An Lee, Zelin Xu, Yupu Zhang, Zibo Liu, Yu Huang, Jiang Bian, Jingchuan Guo, Zhe Jiang

机构 * Department of Computer and Information Science and Engineering, University of Florida（佛罗里达大学计算机与信息科学与工程系） ； Regenstrief Institute（Regenstrief研究所） ； Department of Biostatistics and Health Data Science, Indiana University（印第安纳大学生物统计学与健康数据科学系） ； Department of Pharmacy Practice, Purdue University（普渡大学药学实践系） 纠错

AI总结 本文提出TD-HNODE，通过神经ODE框架学习疾病进展的连续时间动态，有效建模2型糖尿病及心血管疾病进展。

Comments Accepted at ICLR 2026

ProofBridge: Auto-Formalization of Natural Language Proofs in Lean via Joint Embeddings

ProofBridge: 通过联合嵌入实现自然语言证明的自动形式化（Lean）

Prithwish Jana, Kaan Kale, Ahmet Ege Tanriverdi, Cruise Song, Sriram Vishwanath, Vijay Ganesh

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Bogazici University（博阿齐奇大学） 纠错

AI总结 ProofBridge通过联合嵌入模型实现自然语言定理和证明到Lean 4的自动形式化，结合检索增强微调和迭代证明修复，提升语义和类型正确性。

Comments Published as a conference paper at the 14th International Conference on Learning Representations (ICLR 2026), Rio de Janeiro, Brazil, April 23-27, 2026

SimULi: Real-Time LiDAR and Camera Simulation with Unscented Transforms

SimULi: 基于无散射变换的实时激光雷达和摄像头模拟

Haithem Turki, Qi Wu, Xin Kang, Janick Martinez Esturo, Shengyu Huang, Ruilong Li, Zan Gojcic, Riccardo de Lutio

AI总结 SimULi 提出一种实时渲染任意相机模型和激光雷达数据的方法，通过扩展 3DGUT 并引入自动化拼接策略和射线剔除，提升了渲染速度和精度，适用于自动驾驶场景的高保真测试。

Comments ICLR 2026 - project page: https://research.nvidia.com/labs/sil/projects/simuli

Neuron-Level Analysis of Cultural Understanding in Large Language Models

大语言模型中文化理解的神经层面分析

Taisei Yamamoto, Ryoma Kumon, Danushka Bollegala, Hitomi Yanaka

机构 * The University of Tokyo（东京大学） ； Riken（理化学研究所） ； University of Liverpool（利物浦大学） ； Amazon（亚马逊） ； Tohoku University（东北大学） 纠错

AI总结 研究通过神经层面分析揭示大语言模型中文化理解的机制，发现文化通用与特定神经元对文化理解有重要影响，且训练数据影响其文化理解能力。

Comments Accepted to ICLR 2026

Efficient Tree-Structured Deep Research with Adaptive Resource Allocation

高效树状深度研究与自适应资源分配

Lunyiu Nie, Nedim Lipka, Ryan A. Rossi, Swarat Chaudhuri

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Adobe Research（Adobe研究院） 纠错

AI总结 本文提出ParallelResearch框架，通过动态分解复杂查询为树状子任务，解决深度研究中序列处理的瓶颈问题，实现高效并行处理，实验显示性能提升达5倍。

Comments ICLR 2026 Workshop on Agents in the Wild (Spotlight)

Agentic Context Engineering: Evolving Contexts for Self-Improving Language Models

代理情境工程：为自我改进语言模型演化情境

Qizheng Zhang, Changran Hu, Shubhangi Upasani, Boyuan Ma, Fenglu Hong, Vamsidhar Kamanuru, Jay Rainton, Chen Wu, Mengmeng Ji, Hanchen Li, Urmish Thakker, James Zou, Kunle Olukotun

机构 * Stanford University（斯坦福大学） ； SambaNova Systems, Inc.（SambaNova Systems公司） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出ACE框架，通过生成、反思和整理的模块化过程，使情境持续进化，提升语言模型在代理和领域推理中的性能，减少适应延迟和成本。

Comments ICLR 2026; 32 pages

Person-Centric Annotations of LAION-400M: Auditing Bias and Its Transfer to Models

针对LAION-400M的人为中心标注：审查偏见及其在模型中的转移

Leander Girrbach, Stephan Alaniz, Genevieve Smith, Trevor Darrell, Zeynep Akata

机构 * Technical University of Munich, Munich Center for Machine Learning (MCML), MDSI（慕尼黑工业大学，慕尼黑机器学习中心（MCML），MDSI） ； LTCI, Télécom Paris, Institut Polytechnique de Paris, France（法国巴黎理工学院，巴黎电信学院，LTCI） ； Helmholtz Munich（亥姆霍兹慕尼黑中心） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文通过创建LAION-400M的人为中心标注，揭示了训练数据中存在的人口统计学偏见，并展示了这些偏见如何转移到视觉-语言模型中。

Comments ICLR 2026

Dual-Space Smoothness for Robust and Balanced LLM Unlearning

双空间平滑性用于鲁棒且平衡的LLM反学习

Han Yan, Zheyuan Liu, Meng Jiang

机构 * School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院） ； Department of Computer Science and Engineering, University of Notre Dame（圣母大学计算机科学与工程系） 纠错

AI总结 本文提出PRISM框架，通过双空间平滑性提升LLM反学习的鲁棒性和平衡性，有效对抗重学和劫持攻击。

Comments Accepted by ICLR 2026

NewtonGen: Physics-Consistent and Controllable Text-to-Video Generation via Neural Newtonian Dynamics

NewtonGen: 通过神经牛顿动力学实现物理一致且可控的文本到视频生成

Yu Yuan, Xijun Wang, Tharindu Wickremasinghe, Zeeshan Nadir, Bole Ma, Stanley H. Chan

机构 * Purdue University（普渡大学） ； Samsung Research America（三星美国研究院） 纠错

AI总结 本文提出NewtonGen框架，结合数据驱动合成与可学习物理原理，通过可训练的神经牛顿动力学模型实现物理一致的视频生成，并提供精确的参数控制。

Comments Accepted by ICLR 2026. Camera-ready version. Project Page: https://yuyuanspace.com/NewtonGen/

Corruption-Aware Training of Latent Video Diffusion Models for Robust Text-to-Video Generation

面向鲁棒文本到视频生成的潜变量视频扩散模型腐蚀感知训练

Chika Maduabuchi, Hao Chen, Yujin Han, Jindong Wang

机构 * William & Mary（威廉与玛丽学院） ； Carnegie Mellon University（卡内基梅隆大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出CAT-LVDM框架，通过结构化噪声注入提升视频扩散模型的鲁棒性，实验显示其在多个数据集上优于传统方法，且能扩展至自回归生成和多模态视频理解模型。

Comments ICLR 2026 ReALM-GEN

Understanding the Anchoring Effect of LLM with Synthetic Data: Existence, Mechanism, and Potential Mitigations

理解大语言模型中锚定效应的锚定作用：存在性、机制与潜在缓解方法

Yiming Huang, Biquan Bie, Zuqiu Na, Weilin Ruan, Songxin Lei, Yutao Yue, Xinlei He

机构 * The Hong Kong University of Science and Technology, Guangzhou（香港科技大学（广州）） ； Independent Researcher（独立研究员） 纠错

AI总结 本文研究大语言模型是否受锚定效应影响，揭示其机制并提出缓解策略，通过SynAnchors数据集验证了LLM存在锚定偏误，浅层结构难以消除，而推理能部分缓解。

Comments Accepted by the HCAIR workshop of ICLR 2026

Towards Quantifying Long-Range Interactions in Graph Machine Learning: a Large Graph Dataset and a Measurement

向量化图机器学习中的长程相互作用：一个大型图数据集和一个度量

Huidong Liang, Haitz Sáez de Ocáriz Borde, Baskaran Sripathmanathan, Michael Bronstein, Xiaowen Dong

机构 * University of Oxford（牛津大学） 纠错

AI总结 本文提出City-Networks数据集，用于研究图机器学习中的长程依赖，通过大规模城市道路网络构建，结合节点偏心率标注，提出基于远距离跳跃邻居雅可比的度量方法，并理论证明其有效性。

Comments Published as a conference paper at ICLR 2026

Property-Guided Molecular Generation and Optimization via Latent Flows

通过潜在流实现属性引导的分子生成与优化

Alexander Arjun Lobo, Urvi Awasthi, Leonid Zhukov

机构 * BCG X AI Science Institute（BCG X 人工智能科学研究所） 纠错

AI总结 本文提出MoltenFlow框架，结合属性有序的潜在表示与流匹配生成先验，实现高效的多目标分子优化和无条件生成质量提升。

Comments 25 pages, 18 figures. Accepted to ICLR 2026 AI4Mat Workshop

Journal ref ICLR 2026 AI4Mat Workshop

Machine Unlearning under Retain-Forget Entanglement

机器遗忘中的保留-遗忘纠缠

Jingpu Cheng, Ping Liu, Qianxiao Li, Chi Zhang

机构 * National University of Singapore（新加坡国立大学） ； University of Nevada Reno（内华达大学里诺分校） ； Institute for Functional Intelligent Materials（功能智能材料研究所） 纠错

AI总结 本文提出一种两阶段优化框架，解决保留与遗忘样本间的纠缠问题，通过增强遗忘集损失并保留无关样本准确性，结合梯度投影和Wasserstein-2距离正则化，提升遗忘任务的可靠性与准确性。

Comments ICLR 2026 camera-ready

Environment Maps: Structured Environmental Representations for Long-Horizon Agents

环境地图：面向长周期智能体的结构化环境表示

Yenchia Feng, Chirag Sharma, Karime Maamari

机构 * Distyl AI 纠错

AI总结 本文提出环境地图，通过整合异构证据构建结构化图表示，提升长周期任务的鲁棒性。在WebArena基准上，环境地图使智能体成功率提升至28.2%，优于基线方法。

Comments 9 pages, 5 figures, accepted to ICLR 2026 the 2nd Workshop on World Models; updated formatting issue

AgentTrace: Causal Graph Tracing for Root Cause Analysis in Deployed Multi-Agent Systems

AgentTrace: 多智能体系统部署中的因果图追踪用于根本原因分析

Zhaohui Geoffrey Wang

机构 * USC Viterbi School of Engineering（南加州大学维特比工程学院） 纠错

AI总结 AgentTrace通过构建因果图追踪多智能体系统部署中的根本原因，实现高精度和低延迟的故障诊断，优于启发式和LLM基线方法。

Comments 11 pages, 1 figure, 19 tables. Published at ICLR 2026 Workshop on Agents in the Wild. Camera-ready version with revised layout and framework overview figure

Dual-objective Language Models: Training Efficiency Without Overfitting

双目标语言模型：无需过拟合的训练效率

David Samuel, Lucas Georges Gabriel Charpentier

机构 * University of Oslo（奥斯陆大学） ； National Library of Norway（挪威国家图书馆） 纠错

AI总结 本文结合自回归和掩码扩散训练目标，提出灵活的语言模型，优于单一目标模型。通过训练50个模型，证明双目标训练在效率与抗过拟合间取得最佳平衡。

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

Fluent Alignment with Disfluent Judges: Post-training for Lower-resource Languages

流畅对齐与不流畅评判：低资源语言的后训练方法

David Samuel, Lilja Øvrelid, Erik Velldal, Andrey Kutuzov

机构 * Language Technology Group, University of Oslo（奥斯陆大学语言技术组） 纠错

AI总结 本文提出一种低资源语言的后训练方法，通过不流畅评判模型保持语言模型的流畅性，通过挪威语案例研究验证了基于策略的训练方法在无需额外数据时的有效性。

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

IVEBench: Modern Benchmark Suite for Instruction-Guided Video Editing Assessment

IVEBench：现代指令引导视频编辑评估基准套件

Yinan Chen, Jiangning Zhang, Teng Hu, Yuxiang Zeng, Zhucun Xue, Qingdong He, Chengjie Wang, Yong Liu, Xiaobin Hu, Shuicheng Yan

机构 * Zhejiang University（浙江大学） ； Tencent Youtu Lab（腾讯优图实验室） ； Shanghai Jiao Tong University（上海交通大学） ； University of Auckland（奥克兰大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 IVEBench通过引入多样化的视频数据库和多维评估协议，解决现有视频编辑基准在评估指令引导视频编辑方面的不足，提供全面的人类对齐评估结果。

Comments Accepted by ICLR 2026. Equal contributions from first two authors. Project page: https://ryanchenyn.github.io/projects/IVEBench Code: https://github.com/RyanChenYN/IVEBench Dataset: https://huggingface.co/datasets/Coraxor/IVEBench

A.I.R.: Enabling Adaptive, Iterative, and Reasoning-based Frame Selection For Video Question Answering

A.I.R.: 为视频问答实现适应性、迭代性和基于推理的帧选择

Yuanhao Zou, Shengji Jin, Andong Deng, Youpeng Zhao, Jun Wang, Chen Chen

机构 * University of Central Florida（中佛罗里达大学） ； Weill Cornell Medicine（威尔康奈尔医学院） 纠错

AI总结 本文提出A.I.R方法，通过深度语义分析和高效迭代循环提升视频问答的帧选择效果，实验表明其在性能和计算效率上均优于现有方法。

Comments ICLR 2026 Paper

MemoryCD: Benchmarking Long-Context User Memory of LLM Agents for Lifelong Cross-Domain Personalization

MemoryCD：LLM代理跨领域终身个性化长期上下文用户记忆基准测试

Weizhi Zhang, Xiaokai Wei, Wei-Chieh Huang, Zheng Hui, Chen Wang, Michelle Gong, Philip S. Yu

机构 * Roblox ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of Cambridge（剑桥大学） 纠错

AI总结 MemoryCD通过12个多样化领域和4种个性化任务，评估14种先进LLM基模型与6种记忆方法在单域和跨域场景下的长期上下文用户记忆能力，揭示现有方法在跨领域终身个性化中的不足。

Comments Published as a workshop paper in Lifelong Agent @ ICLR 2026

A Neural Score-Based Particle Method for the Vlasov-Maxwell-Landau System

基于神经网络的分数粒子方法用于Vlasov-Maxwell-Landau系统

Vasily Ilin, Jingwei Hu

机构 * University of Washington（华盛顿大学） 纠错

AI总结 本文提出一种基于神经网络的分数粒子方法，用于解决Vlasov-Maxwell-Landau系统中的碰撞问题，通过隐式分数匹配训练神经网络，提高了计算效率和准确性。

Comments presented at ICLR AI&PDE workshop

From Pixels to Patches: Pooling Strategies for Earth Embeddings

从像素到拼接：地球嵌入的池化策略

Isaac Corley, Caleb Robinson, Inbal Becker-Reshef, Juan M. Lavista Ferres

机构 * Wherobots ； Microsoft AI for Good Research Lab（微软人工智能造福研究实验室） 纠错

AI总结 研究提出三种池化策略以提升地理嵌入的泛化能力，通过基准测试发现统计池化和协方差池化在空间分割任务中表现更优，比均值池化提升50%以上。

Comments ICLR 2026 ML4RS Workshop

On Neural Scaling Laws for Weather Emulation through Continual Training

关于通过持续训练进行天气仿真的神经扩展定律

Shashank Subramanian, Alexander Kiefer, Arnur Nigmetov, Amir Gholami, Dmitriy Morozov, Michael W. Mahoney

机构 * Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室） ； Oak Ridge National Laboratory（橡树岭国家实验室） 纠错

AI总结 本文研究了科学机器学习中神经扩展定律，通过最小化设置的Swin Transformer架构和持续训练策略，展示了模型在预测天气中的性能提升及计算优化。

Comments ICLR Foundation Models for Science Workshop 2026, 19 pages, 13 figures