期刊&会议
International Conference on Learning Representations · 会议 · Machine Learning
量化视觉几何基础变换器
机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院人工智能安全国家重点实验室，计算技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； ETH Zürich（苏黎世联邦理工学院） ； City College of New York, City University of New York, USA（纽约城市学院，纽约城市大学，美国） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出QuantVGGT，首个针对大规模VGGT的量化框架，通过双平滑细粒度量化和噪声过滤多样化采样技术，在保持高精度的同时实现显著的内存减少和加速。
Comments Accepted by ICLR 2026
更高效的梯度方法用于高光滑随机双层优化
机构 * Tsinghua University（清华大学） ； Shanghai Qizhi Institude（上海启智研究所） ； École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院）
AI总结 本文提出F²SA-p方法，通过高阶有限差分提升随机双层优化的收敛速度，达到近最优的复杂度界。
Comments ICLR 2026; Add one additional author compared to v1
尖锐性感知的机器无学习
AI总结 本文提出Sharp MinMax方法，通过分离模型学习保留信号和无学习遗忘信号，提升无学习性能，同时发现SAM在特定条件下会牺牲去噪能力。
Comments Accepted to ICLR 2026
CyclicReflex: 通过循环反思标记调度提升推理模型
AI总结 CyclicReflex通过循环反思标记调度提升推理模型性能，采用动态三角波调节反思标记logits，无需额外计算成本。
Comments Accepted to ICLR 2026
重新思考连续学习与渐进神经崩溃
机构 * Department of Computer Science, University of Houston, USA（德克萨斯大学休斯顿分校计算机科学系） ； Department of Computer Science, University of North Carolina at Charlotte, USA（北卡罗来纳大学夏洛特分校计算机科学系）
AI总结 本文提出渐进神经崩溃（ProNC）框架，通过动态扩展ETF目标，缓解连续学习中的灾难性遗忘问题，实现更灵活高效的模型学习。
Comments Our work is accepted by ICLR 2026
开放世界长期短期想象强化学习
机构 * MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（人工智能大模型关键实验室、人工智能研究院、上海交通大学） ； Ningbo Institute of Digital Twin, Eastern Institute of Technology（宁波数字孪生研究院、技术东院） ； School of Computer Science and Technology, East China Normal University（计算机科学与技术学院、华东师范大学）
AI总结 本文提出LS-Imagine方法，通过扩展想象 horizon 提高开放世界强化学习中长期收益的探索效率。
Comments Accepted by ICLR 2025 Oral. Project page: https://qiwang067.github.io/ls-imagine
神经网络计算的因果解释与贡献分解
AI总结 CODEC通过稀疏自编码器分解神经网络的贡献模式，揭示因果过程并提升对中间层的控制与解释。
Comments 32 pages, 19 figures. ICLR 2026 poster
当一种模态统治一切：多模态扩散模型中的后门模态崩溃
机构 * University of Delaware（德克萨斯大学） ； Illinois Institute of Technology（伊利诺伊理工学院） ； Columbia University（哥伦比亚大学）
AI总结 本文研究了多模态扩散模型中后门攻击的模态崩溃现象，发现攻击常依赖单一模态，跨模态交互反而降低攻击效果，揭示了现有评估的盲点。
Comments Accepted to the ICLR 2026 Workshop on Principled Design for Trustworthy AI. The first two authors contributed equally
COLD-Steer: 通过上下文一步学习动态引导大型语言模型
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 COLD-Steer通过近似学习动态实现无需训练的LLM引导，有效提升引导效果并减少样本需求。
Comments ICLR 2026. Code available at https://github.com/Ksartik/cold-steer
ROSER：用于可扩展机器人学习的少样本机器人序列检索
机构 * University of Nevada, Las Vegas（内华达大学拉斯维加斯分校） ； University of Toronto（多伦多大学） ； LatentWorlds AI
AI总结 ROSER通过少样本检索框架有效解决机器人序列数据稀缺问题，提升机器人学习的数据可用性。
Comments 2026 ICLR DATA-FM Workshop
长上下文推理在自动化Bug修复中的局限性
机构 * SambaNova Systems（SambaNova系统）
AI总结 本研究发现长上下文推理在自动化Bug修复中存在显著局限，现有模型在长上下文下的表现远低于预期。
Comments Accepted to ICLR 2026 ICBINB workshop
验证siRNA效用预测中的可解释性：一种基于扰动、数据集感知的协议
机构 * University of Central Florida（中央佛罗里达大学）
AI总结 本文提出了一种验证siRNA效用预测中重要性图忠实性的协议，发现模型在不同数据集上表现不稳定，并引入了基于生物学的正则化器来提升重要性忠实性。
Comments Accepted at the Machine Learning for Genomics Explorations (MLGenX) Workshop at ICLR 2026
Journal ref ICLR 2026 Workshop on Machine Learning for Genomics Explorations (MLGenX)
先行动，后提问？构建能探索和行动像人的理性代理
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT Brain and Cognitive Sciences（麻省理工学院脑科学与认知科学） ； Harvard SEAS（哈佛大学工程学院）
AI总结 本文提出了一种基于贝叶斯实验设计的蒙特卡洛推理策略，用于构建能像人类一样探索和行动的理性代理，在战舰和Guess Who?任务中提升了代理性能。
Comments ICLR 2026
语言模型微基准测试的可靠性如何？
AI总结 研究探讨了微基准测试在不同规模下的可靠性，发现需至少250个示例才能一致排序模型，随机抽样在某些情况下与现有方法相当。
Comments Published at ICLR 2026
CMRAG：基于共模的视觉文档检索与问答
机构 * Baidu Inc（百度公司） ； The University of Hong Kong（香港大学） ； Beihang University（北京航空航天大学） ； Peking University（北京大学）
AI总结 CMRAG通过统一编码模型和共模信息检索方法，提升多模态视觉文档问答系统的性能。
Comments Published at ICLR 2026 Workshop on Multimodal Intelligence
Sysformer: 通过自适应系统提示保护冻结的大语言模型
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Visa Research（Visa研究）
AI总结 Sysformer通过自适应系统提示提高大语言模型的安全性，显著提升对有害提示的拒绝率和对安全提示的合规性。
Comments ICLR 2026. Code available at https://github.com/Ksartik/sysformer
ContextBench: 为定向激活潜在特征修改上下文
机构 * Imperial College London（帝国理工学院伦敦校区） ； University College London（伦敦大学学院） ； University of Oxford（牛津大学） ； UK AI Security Institute（英国人工智能安全研究所）
AI总结 ContextBench通过上下文修改方法提升语言模型触发特定潜在特征的能力，结合LLM辅助和扩散模型实现最佳平衡效果。
Comments Published at ICLR 2026
Journal ref Proceedings of the International Conference on Learning Representations (ICLR), 2026
AdAEM：一种自适应和自动扩展的大型语言模型价值差异测量方法
AI总结 AdAEM是一种自适应和自动扩展的LLMs价值差异测量方法，通过自动生成和扩展测试问题，提高评估的多样性和信息性。
Comments This paper is accepted by ICLR 2026(Oral)
基于动力学的正则化：学习空间导数和PDE应用
机构 * Engineering Mechanics Unit（工程力学单元） ； Jawaharlal Nehru Centre for Advanced Scientific Research（贾瓦哈拉尔·奈尔中心先进科学研究所） ； Fondazione Istituto Italiano di Tecnologia（意大利技术研究院）
AI总结 本文提出基于动力学的正则化方法，用于高精度学习空间导数并应用于偏微分方程的求解，通过两种方案实现二次收敛性，提升在不规则点云上求解PDE的稳定性与准确性。
Comments Published as a conference paper at ICLR 2026 Workshop AI and PDE
SAHOO：递归自我改进中高阶优化目标的安全保障
机构 * MARS 4.0 Fellowship, Cambridge AI Safety Hub(CAISH), University of Cambridge（剑桥大学） ； AWS Generative AI Innovation Center, Amazon Web Services, USA（亚马逊网络服务） ； Google, USA（谷歌） ； Stanford University（斯坦福大学） ； Northeastern University, Seattle, WA, USA（东北大学）
AI总结 SAHOO通过三种保障措施实现递归自我改进中高阶优化目标的安全保障，显著提升代码生成和推理质量，同时保持约束和事实性。
Comments Published at ICLR 2026 Workshop on AI with Recursive Self-Improvement. 20 pages, 5 figures
学习物理所在的位置：用于刚性PDEs的概率自适应采样
机构 * Indian Institute of Technology, Madras（印度理工学院马德拉斯学院）
AI总结 本文提出GMM-PIELM方法，通过概率模型自适应采样，有效解决刚性PDEs中的刚性问题，实现高精度与高速度的平衡。
Comments Accepted at AI&PDE Workshop at the Fourteenth International Conference on Learning Representations
学习解决带有时间窗口和可变利润的指派问题
AI总结 本文提出DeCoST方法，通过解耦离散和连续变量并结合学习机制，有效解决带有时间窗口和可变利润的指派问题，提升解质量和计算效率。
Comments Accepted at ICLR 2026
MOSIV：从视频中多物体系统识别
机构 * CMU（卡内基梅隆大学） ； Georgia Tech（佐治亚理工学院） ； Harvard（哈佛大学） ； ETH Zurich（苏黎世联邦理工学院） ； UIUC（伊利诺伊大学香槟分校） ； Insta360 ； UC Merced（加州大学默塞德分校）
AI总结 MOSIV通过从视频中导出的几何目标直接优化连续材料参数，提升多物体系统识别的接地准确性和模拟保真度。
Comments ICLR 2026
Weak-SIGReg: 均值正则化用于稳定的深度学习
机构 * Kreasof AI Jakarta, Indonesia（Kreasof AI 印度尼西亚雅加达）
AI总结 Weak-SIGReg通过协方差正则化稳定深度学习训练，有效恢复ViT在低数据情况下的性能并提升MLP收敛性。
Comments Accepted at GRaM workshop (ICLR 2026). Code & supplementary: https://github.com/kreasof-ai/sigreg
层次化潜在动作模型
机构 * Yonsei University（延世大学） ； New York University（纽约大学）
AI总结 HiLAM通过建模长期时间信息，从无动作视频中发现高层次潜在技能，提升了动态技能发现的鲁棒性。
Comments ICLR 2026 Workshop - 2nd Workshop on World Models: Understanding, Modelling and Scaling
MoE Lens -- 一个专家足矣
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； University of Maryland（马里兰大学） ； Harvard University（哈佛大学）
AI总结 MoE Lens研究显示，MoE模型主要依赖少数专家，通过针对性剪枝可优化推理，同时保持性能。
Comments 15 pages, 10 figures, ICLR 2025 Workshop on Sparsity in LLMs (SLLM)
ThaiSafetyBench: 评估泰语文化背景下语言模型的安全性
机构 * SCB DataX（SCB数据X） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； SCBX R&D（SCBX研发部） ； SCB 10X
AI总结 本研究提出ThaiSafetyBench，通过泰语文化背景下的恶意提示评估语言模型安全性，发现闭源模型安全性更强，同时揭示了文化特定攻击的高风险。
Comments ICLR 2026 Workshop on Principled Design for Trustworthy AI
面向刚性的几何预训练用于蛋白质设计与构象集合
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Washington（华盛顿大学） ； MPI for Intelligent Systems, Tübingen（智能系统马克斯·普朗克研究所，图宾根） ； National Research Council of Canada（加拿大国家研究理事会） ； University of Ottawa（渥太华大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 RigidSSL通过刚性感知的几何预训练，提升蛋白质设计和构象集合的生成能力。
Comments The Fourteenth International Conference on Learning Representations; Code available at: https://github.com/ZhanghanNi/RigidSSL.git
探索性记忆增强型大语言模型代理：通过混合的在线与离线策略优化
机构 * Microsoft Research（微软研究院） ； KAIST（韩国科学技术院）
AI总结 EMPO²通过混合在线与离线策略优化，提升大语言模型在探索性和通用性方面的性能。
Comments Accepted to ICLR 2026
通过提示级策略欺骗进行对齐审计压力测试
机构 * MATS ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Google Deepmind（谷歌DeepMind）
AI总结 本文提出自动红队流水线，通过生成针对白盒和黑盒审计方法的欺骗提示，揭示了当前对齐审计方法在面对强大非对齐模型时的脆弱性。
Comments Accepted at the ICLR 2026 Workshop on Principled Design for Trustworthy AI
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