ICLR

Look Carefully: Adaptive Visual Reinforcements in Multimodal Large Language Models for Hallucination Mitigation

仔细观察：多模态大语言模型中的自适应视觉增强以缓解幻觉

Xingyu Zhu, Kesen Zhao, Liang Yi, Shuo Wang, Zhicai Wang, Beier Zhu, Hanwang Zhang

机构 * MoE Key Lab of BIPC, University of Science and Technology of China（信息与电子技术联合实验室，中国科学技术大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本研究提出自适应视觉增强框架AIR，通过减少冗余标记和选择性整合补丁来缓解多模态大语言模型中的幻觉问题。

Comments ICLR 2026

GuardAlign: Test-time Safety Alignment in Multimodal Large Language Models

GuardAlign: 多模态大语言模型中的测试时安全性对齐

Xingyu Zhu, Beier Zhu, Junfeng Fang, Shuo Wang, Yin Zhang, Xiang Wang, Xiangnan He

机构 * MoE Key Lab of BIPC, University of Science and Technology of China（摩埃关键实验室，中国科学技术大学） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学） ； Tianjin University（天津大学） 纠错

AI总结 GuardAlign通过OT增强的安全检测和跨模态注意力校准，有效提升多模态大语言模型在测试时的安全性，减少不安全响应率并提升任务表现。

Comments ICLR 2026

Steering and Rectifying Latent Representation Manifolds in Frozen Multi-modal LLMs for Video Anomaly Detection

在冻结的多模态大语言模型中引导和校正潜在表示流形以进行视频异常检测

Zhaolin Cai, Fan Li, Huiyu Duan, Lijun He, Guangtao Zhai

AI总结 SteerVAD通过引导和校正冻结多模态大语言模型的潜在表示流形，提升视频异常检测的性能，仅需1%训练数据即达最优效果。

Comments Accepted by ICLR 2026

Intrinsic Lorentz Neural Network

内禀洛伦兹神经网络

Xianglong Shi, Ziheng Chen, Yunhan Jiang, Nicu Sebe

机构 * University of Science and Technology of China（中国科学技术大学） ； University of Trento（特伦托大学） ； Peking University（北京大学） 纠错

AI总结 内禀洛伦兹神经网络通过全内禀双曲架构提升几何决策性能，结合陀螺归一化和双曲距离计算，实现优于现有方法的性能和效率。

Comments Published in ICLR 2026

Hierarchical Concept-based Interpretable Models

层次化概念基于的可解释模型

Oscar Hill, Mateo Espinosa Zarlenga, Mateja Jamnik

AI总结 本文提出层次化概念嵌入模型HiCEMs，通过概念分裂方法自动发现细粒度子概念，提升模型可解释性和任务准确性。

Comments Published as a conference paper at ICLR 2026

Ref-Adv: Exploring MLLM Visual Reasoning in Referring Expression Tasks

Ref-Adv：探索提及表达任务中的多模态大语言模型视觉推理

Qihua Dong, Kuo Yang, Lin Ju, Handong Zhao, Yitian Zhang, Yizhou Wang, Huimin Zeng, Jianglin Lu, Yun Fu

机构 * Northeastern University（东北大学） 纠错

AI总结 Ref-Adv 是一个旨在评估多模态大语言模型视觉推理能力的基准，通过增加表达复杂性和减少干扰项，揭示模型在视觉推理和 grounding 方面的不足。

Comments ICLR 2026

Reasoning-Driven Multimodal LLM for Domain Generalization

基于推理的多模态大语言模型用于领域泛化

Zhipeng Xu, Zilong Wang, Xinyang Jiang, Dongsheng Li, De Cheng, Nannan Wang

机构 * Xidian University（西安电子科技大学） ； Microsoft Research Asia（微软亚洲研究院） ； National Engineering Laboratory for Integrated Aero-Space-Ground- Ocean Big Data Application（国家一体化空天地海大数据应用工程实验室） 纠错

AI总结 本文提出RD-MLDG框架，利用多模态大语言模型的推理能力，通过引入多任务交叉训练和自我对齐的推理正则化，提升领域泛化性能。

Comments Accepted at ICLR 2026 (Poster)

From Static Benchmarks to Dynamic Protocol: Agent-Centric Text Anomaly Detection for Evaluating LLM Reasoning

从静态基准到动态协议：面向评估LLM推理能力的代理中心文本异常检测

Seungdong Yoa, Sanghyu Yoon, Suhee Yoon, Dongmin Kim, Ye Seul Sim, Junhyun Lee, Woohyung Lim

机构 * LG AI Research（LG人工智能研究） 纠错

AI总结 本文提出了一种动态协议，通过代理中心文本异常检测评估LLM推理能力，以克服静态数据集的局限性。

Comments Accepted to ICLR 2026

HiDrop: Hierarchical Vision Token Reduction in MLLMs via Late Injection, Concave Pyramid Pruning, and Early Exit

HiDrop：通过晚期注入、凹形金字塔剪枝和早期退出实现MLLM中的层次视觉令牌减少

Hao Wu, Yingqi Fan, Jinyang Dai, Junlong Tong, Yunpu Ma, Xiaoyu Shen

机构 * Institute of Digital Twin, Eastern Institute of Technology（数字孪生研究所，东部技术研究所） ； Ningbo Key Laboratory of Spatial Intelligence and Digital Derivative（宁波空间智能与数字衍生关键实验室） ； University of Science and Technology of China（中国科学技术大学） ； Shanghai Jiao Tong University（上海交通大学） ； Munich Center for Machine Learning, LMU Munich（慕尼黑大学机器学习中心，慕尼黑大学） 纠错

AI总结 HiDrop通过晚期注入、凹形金字塔剪枝和早期退出机制，实现多模态大语言模型中视觉令牌的高效减少，提升训练效率并保持性能。

Comments Accepted to ICLR 2026

Multimodal Dataset Distillation Made Simple by Prototype-Guided Data Synthesis

通过原型引导的数据合成实现多模态数据集蒸馏

Junhyeok Choi, Sangwoo Mo, Minwoo Chae

机构 * Department of Industrial and Management Engineering（工业与管理工程系） 纠错

AI总结 通过原型引导的数据合成实现多模态数据集蒸馏，无需大规模训练和优化，提升跨架构泛化能力。

Comments ICLR 2026

Resp-Agent: An Agent-Based System for Multimodal Respiratory Sound Generation and Disease Diagnosis

Resp-Agent：一种基于代理的多模态呼吸声生成与疾病诊断系统

Pengfei Zhang, Tianxin Xie, Minghao Yang, Li Liu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） 纠错

AI总结 Resp-Agent是一种基于代理的多模态系统，通过主动对抗课程代理和模态编织器提升呼吸声生成与疾病诊断的鲁棒性。

Comments 24 pages, 3 figures. Published as a conference paper at ICLR 2026

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

COOPERTRIM: Adaptive Data Selection for Uncertainty-Aware Cooperative Perception

COOPERTRIM: 适应性数据选择用于不确定性感知的协作感知

Shilpa Mukhopadhyay, Amit Roy-Chowdhury, Hang Qiu

机构 * University of California, Riverside（加州大学河滨分校） ； New Jersey Institute of Technology（新泽西理工学院） 纠错

AI总结 COOPERTRIM通过引入时间不确定性度量和数据驱动机制，实现动态适应性数据选择，有效降低协作感知的带宽需求并提升检测精度。

Comments Accepted in ICLR 2026

Stop Unnecessary Reflection: Training LRMs for Efficient Reasoning with Adaptive Reflection and Length Coordinated Penalty

停止不必要的反思：通过自适应反思和长度协调惩罚训练高效的推理模型

Zewei Yu, Lirong Gao, Yuke Zhu, Bo Zheng, Junbo Zhao, Sheng Guo, Haobo Wang

机构 * State Key Laboratory of Blockchain and Data Security, Zhejiang University（浙江大学区块链与数据安全国家重点实验室） ； MYbank, Ant Group（蚂蚁集团MYbank） ； Innovation and Management Center, School of Software Technology (Ningbo), Zhejiang University（浙江大学软件学院（宁波）创新与管理中心） 纠错

AI总结 通过自适应反思和长度协调惩罚方法，提升推理效率和准确性，减少响应长度并提高性能。

Comments Accepted to ICLR 2026

Unified Biomolecular Trajectory Generation via Pretrained Variational Bridge

通过预训练变分桥统一生物分子轨迹生成

Ziyang Yu, Wenbing Huang, Yang Liu

机构 * Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院） ； Gaoling School of Artificial intelligence, Renmin University of China（中国人民大学北京学院人工智能学院） 纠错

AI总结 本文提出预训练变分桥模型，通过统一训练单结构和配对轨迹数据，提升生物分子轨迹生成的效率和保真度。

Comments The Fourteenth International Conference on Learning Representations (ICLR 2026)

AQER: a scalable and efficient data loader for digital quantum computers

AQER：一种可扩展且高效的量子计算机数据加载器

Kaining Zhang, Xinbiao Wang, Yuxuan Du, Min-Hsiu Hsieh, Dacheng Tao

AI总结 AQER是一种基于信息论的高效量子数据加载方法，通过系统减少目标状态纠缠，提升量子计算的数据处理能力。

Comments 45 pages, 19 figures

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

CPiRi: Channel Permutation-Invariant Relational Interaction for Multivariate Time Series Forecasting

CPiRi：通道置换不变关系交互用于多变量时间序列预测

Jiyuan Xu, Wenyu Zhang, Xin Jing, Shuai Chen, Shuai Zhang, Jiahao Nie

机构 * School of Computing and Artificial Intelligence（计算与人工智能学院） ； Shanghai University of Finance and Economics（上海财经大学） ； School of Information Technology and Artificial Intelligence（信息科技与人工智能学院） ； Zhejiang University of Finance and Economics（浙江财经大学） 纠错

AI总结 CPiRi提出一种通道置换不变框架，通过时空解耦架构和置换不变正则化策略提升多变量时间序列预测的鲁棒性和泛化能力。

Comments 22 pages, 10 figures, ICLR 2026

Sharp Monocular View Synthesis in Less Than a Second

在一秒内实现锐利的单目视图合成

Lars Mescheder, Wei Dong, Shiwei Li, Xuyang Bai, Marcel Santos, Peiyun Hu, Bruno Lecouat, Mingmin Zhen, Amaël Delaunoy, Tian Fang, Yanghai Tsin, Stephan R. Richter, Vladlen Koltun

机构 * Apple（苹果公司） 纠错

AI总结 SHARP通过单次神经网络前向传递在一秒内实现逼真视图合成，提升渲染效率并降低合成时间。

Comments Published at ICLR 2026. Code and weights available at https://github.com/apple/ml-sharp

FRIEDA: Benchmarking Multi-Step Cartographic Reasoning in Vision-Language Models

FRIEDA：评估视觉语言模型中多步骤制图推理的基准

Jiyoon Pyo, Yuankun Jiao, Dongwon Jung, Zekun Li, Leeje Jang, Sofia Kirsanova, Jina Kim, Yijun Lin, Qin Liu, Junyi Xie, Hadi Askari, Nan Xu, Muhao Chen, Yao-Yi Chiang

机构 * University of Minnesota-Twin Cities（明尼苏达大学双城分校） ； University of California, Davis（加州大学戴维斯分校） ； University of Southern California（南加州大学） 纠错

AI总结 FRIEDA 是一个评估视觉语言模型多步骤制图推理能力的基准，通过多步骤推理和跨地图定位测试，揭示了当前模型在空间智能方面的不足。

Comments Accepted to ICLR 2026

Log Probability Tracking of LLM APIs

LLM API 的对数概率跟踪

Timothée Chauvin, Erwan Le Merrer, François Taïani, Gilles Tredan

机构 * Université de Rennes（里昂大学） ； Inria（法国国家信息与自动化技术研究所） ； CNRS/IRISA（国家科学研究中心/里昂信息与自动化研究所） ； LAAS（国家科学研究中心拉瓦尔研究所） ； CNRS（国家科学研究中心） 纠错

AI总结 通过LLM API的对数概率进行低成本持续监控，能检测微调变化并提升审计效率

Comments ICLR 2026

Automating the Refinement of Reinforcement Learning Specifications

强化学习规范的自动化细化

Tanmay Ambadkar, Đorđe Žikelić, Abhinav Verma

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Singapore Management University（新加坡管理大学） 纠错

AI总结 本文提出AutoSpec框架，通过探索引导策略自动细化逻辑规范，提升强化学习算法学习有效策略的能力。

Comments Fourteenth International Conference on Learning Representations 2026 https://ambadkar.com/autospec

VCWorld: A Biological World Model for Virtual Cell Simulation

VCWorld：一种用于虚拟细胞模拟的生物世界模型

Zhijian Wei, Runze Ma, Zichen Wang, Zhongmin Li, Shuotong Song, Shuangjia Zheng

AI总结 VCWorld通过整合生物学知识与大语言模型的推理能力，构建了可解释的虚拟细胞模拟模型，实现了对细胞扰动的高效预测和机理阐释。

Comments Accepted at ICLR 2026

Steering Language Models with Weight Arithmetic

通过权重算术引导语言模型

Constanza Fierro, Fabien Roger

机构 * Department of Computer Science University of Copenhagen（计算机科学系 拉丁大学） ； Anthropic 纠错

AI总结 通过权重算术引导方法提升语言模型在分布外行为控制中的性能，同时减少趋炎附势和偏差。

Comments ICLR 2026 camera-ready

Supervised Reinforcement Learning: From Expert Trajectories to Step-wise Reasoning

监督强化学习：从专家轨迹到逐步推理

Yihe Deng, I-Hung Hsu, Jun Yan, Zifeng Wang, Rujun Han, Gufeng Zhang, Yanfei Chen, Wei Wang, Tomas Pfister, Chen-Yu Lee

AI总结 本文提出SRL框架，通过生成逻辑动作序列提升小模型的多步推理能力，结合监督与强化学习实现更有效的训练。

Comments Paper accepted by ICLR 2026. The first two authors contribute equally

FAPO: Flawed-Aware Policy Optimization for Efficient and Reliable Reasoning

FAPO：面向高效可靠推理的缺陷感知策略优化

Yuyang Ding, Chi Zhang, Juntao Li, Haibin Lin, Min Zhang

机构 * Soochow University（苏州大学） ； ByteDance Seed（字节跳动种子） 纠错

AI总结 FAPO通过引入缺陷感知机制，优化策略以提升大语言模型在高效可靠推理中的性能，提高结果正确性与训练稳定性。

Comments ICLR 2026. Project page: https://fapo-rl.github.io/; Infra Doc: https://verl.readthedocs.io/en/latest/advance/reward_loop.html

Small Drafts, Big Verdict: Information-Intensive Visual Reasoning via Speculation

小草稿，大结论：通过推测进行信息密集的视觉推理

Yuhan Liu, Lianhui Qin, Shengjie Wang

机构 * New York University（纽约大学） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 SV通过结合多个轻量级草稿专家和大型结论模型，提升信息密集视觉推理的效率和准确性。

Comments Accepted to ICLR 2026

Unified Privacy Guarantees for Decentralized Learning via Matrix Factorization

通过矩阵分解实现去中心化学习的统一隐私保障

Aurélien Bellet, Edwige Cyffers, Davide Frey, Romaric Gaudel, Dimitri Lerévérend, François Taïani

机构 * Inria, Université de Montpellier, INSERM Montpellier, France（法国蒙彼利埃大学、INSERM蒙彼利埃研究所、Inria） ； Institute of Science & Technology Austria (ISTA)（奥地利科学与技术研究所） ； University of Rennes, Inria, CNRS, IRISA（雷恩大学、Inria、CNRS、IRISA） 纠错

AI总结 本文提出通过矩阵分解实现去中心化学习的统一隐私保障方法，改进隐私计费并开发新算法，引入MAFALDA-SGD算法在合成和现实数据上表现更优。

Comments Accepted at ICLR 2026. 23 pages, 6 figures

Thompson Sampling via Fine-Tuning of LLMs

通过微调大语言模型进行汤普森采样

Nicolas Menet, Aleksandar Terzić, Michael Hersche, Andreas Krause, Abbas Rahimi

机构 * IBM Research – Zurich（IBM瑞士研究院） ； Department of Computer Science, ETH Zürich（苏黎世联邦理工学院计算机科学系） 纠错

AI总结 通过微调大语言模型实现高效汤普森采样，提升贝叶斯优化的样本和计算效率。

Comments accepted at ICLR 2026

Uncertainty Matters in Dynamic Gaussian Splatting for Monocular 4D Reconstruction

不确定性在单目4D重建中的动态高斯点云中至关重要

Fengzhi Guo, Chih-Chuan Hsu, Sihao Ding, Cheng Zhang

机构 * Texas A&M University（德克萨斯大学） 纠错

AI总结 USplat4D通过建模高斯点云的不确定性，提升单目4D重建的稳定性和合成质量。

Comments Accepted to ICLR 2026. Project page: https://tamu-visual-ai.github.io/usplat4d/

CMT-Benchmark: A Benchmark for Condensed Matter Theory Built by Expert Researchers

CMT-Benchmark：由专家研究人员构建的凝聚态理论基准

Haining Pan, James V. Roggeveen, Erez Berg, Juan Carrasquilla, Debanjan Chowdhury, Surya Ganguli, Federico Ghimenti, Juraj Hasik, Henry Hunt, Hong-Chen Jiang, Mason Kamb, Ying-Jer Kao, Ehsan Khatami, Michael J. Lawler, Di Luo, Titus Neupert, Xiaoliang Qi, Michael P. Brenner, Eun-Ah Kim

机构 * Rutgers University（罗格斯大学） ； Harvard University（哈佛大学） ； Weizmann Institute of Science（魏茨曼科学研究所） ； ETH Zürich（苏黎世联邦理工学院） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； University of Zürich（苏黎世大学） ； Stanford Institute for Materials and Energy Sciences（斯坦福材料与能源科学研究所） ； SLAC National Accelerator Laboratory（斯坦福直线加速器实验室） ； University of California, Los Angeles（加州大学洛杉矶分校） ； National Taiwan University（台湾大学） ； San José State University（圣何塞州立大学） 纠错

AI总结 CMT-Benchmark通过专家设计的50个凝聚态理论问题评估LLM在物理推理能力上的不足，揭示当前模型在复杂科学问题上的局限性。

Comments CMT-Benchmark dataset is available at https://huggingface.co/datasets/JVRoggeveen/cmt_benchmark. CMT-Benchmark was referenced in the Gemini 3 Deep Think (February 2026) release at https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-deep-think/

Journal ref International Conference on Learning Representations (ICLR) main conference 2026

Embracing Discrete Search: A Reasonable Approach to Causal Structure Learning

拥抱离散搜索：因果结构学习的一种合理方法

Marcel Wienöbst, Leonard Henckel, Sebastian Weichwald

AI总结 FLOP算法通过快速父节点选择和迭代Cholesky更新，实现了高效的因果结构学习，显著提升了离散搜索在因果发现中的应用效果。

Comments Accepted at ICLR 2026