ICLR

PhyScensis: Physics-Augmented LLM Agents for Complex Physical Scene Arrangement

PhyScensis: 基于物理的LLM代理用于复杂物理场景布置

Yian Wang, Han Yang, Minghao Guo, Xiaowen Qiu, Tsun-Hsuan Wang, Wojciech Matusik, Joshua B. Tenenbaum, Chuang Gan

机构 * UMass Amherst（马萨诸塞大学阿姆赫斯特分校） ； Genesis AI ； MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） 纠错

AI总结 PhyScensis通过物理引擎驱动的LLM代理框架，生成复杂物理场景布局，提升机器人操作中的场景复杂性和物理准确性。

Comments ICLR 2026

MAC-AMP: A Closed-Loop Multi-Agent Collaboration System for Multi-Objective Antimicrobial Peptide Design

MAC-AMP：一种用于多目标抗菌肽设计的闭环多智能体协作系统

Gen Zhou, Sugitha Janarthanan, Lianghong Chen, Pingzhao Hu

机构 * Department of Computer Science, Western University, London, ON, Canada（计算机科学系，西方大学） ； Department of Biochemistry, Western University, London, ON, Canada（生物化学系，西方大学） 纠错

AI总结 MAC-AMP通过闭环多智能体协作系统实现多目标抗菌肽设计，提升优化效率与可解释性，展现优异的抗菌性能和结构可靠性。

Comments This paper is published in ICLR 2026

Concepts' Information Bottleneck Models

概念信息瓶颈模型

Karim Galliamov, Syed M Ahsan Kazmi, Adil Khan, Adín Ramírez Rivera

AI总结 本文提出信息瓶颈正则化器，通过最小充分的概念表示提升CBM的预测性能和干预可靠性。

Comments To appear in ICLR 2026, code: https://github.com/dsb-ifi/cibm

AnyUp: Universal Feature Upsampling

AnyUp: 通用特征上采样

Thomas Wimmer, Prune Truong, Marie-Julie Rakotosaona, Michael Oechsle, Federico Tombari, Bernt Schiele, Jan Eric Lenssen

机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌） ； TU Munich（慕尼黑技术大学） 纠错

AI总结 AnyUp是一种通用特征上采样方法，无需特定编码器训练，能泛化到不同特征类型，提升上采样质量并高效应用于多种下游任务。

Comments Accepted to ICLR 2026 (Oral). Project Website: https://wimmerth.github.io/anyup/

Efficient Test-Time Scaling for Small Vision-Language Models

小视觉语言模型的高效测试时缩放

Mehmet Onurcan Kaya, Desmond Elliott, Dim P. Papadopoulos

AI总结 本文提出两种高效测试时缩放策略，通过模型内部特征提升小视觉语言模型的性能，同时保持计算效率。

Comments Accepted at ICLR 2026. Project Page: https://monurcan.github.io/efficient_test_time_scaling

DiffusionNFT: Online Diffusion Reinforcement with Forward Process

DiffusionNFT: 在线扩散强化学习与正向过程

Kaiwen Zheng, Huayu Chen, Haotian Ye, Haoxiang Wang, Qinsheng Zhang, Kai Jiang, Hang Su, Stefano Ermon, Jun Zhu, Ming-Yu Liu

机构 * Tsinghua University（清华大学） ； NVIDIA ； Stanford University（斯坦福大学） 纠错

AI总结 DiffusionNFT通过正向过程优化扩散模型，结合正负生成对比提升强化学习效率，无需CFG且比FlowGRPO更高效。

Comments ICLR 2026 Oral

Virne: A Comprehensive Benchmark for RL-based Network Resource Allocation in NFV

Virne：一种针对基于强化学习的网络资源分配的综合基准测试

Tianfu Wang, Liwei Deng, Xi Chen, Junyang Wang, Huiguo He, Zhengyu Hu, Wei Wu, Leilei Ding, Qilin Fan, Hui Xiong

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Aalborg University（奥胡斯大学） ； University of Science and Technology of China（中国科学技术大学） ； Sun Yat-sen University（中山大学） ； Chongqing University（重庆大学） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 Virne是一个针对NFV资源分配问题的综合基准测试框架，支持深度强化学习方法，提供多样化模拟和全面评估，推动相关算法的发展。

Comments Accepted by ICLR 2026

Stretching Beyond the Obvious: A Gradient-Free Framework to Unveil the Hidden Landscape of Visual Invariance

超越显而易见：一种无梯度框架，揭示视觉不变性的隐藏景观

Lorenzo Tausani, Paolo Muratore, Morgan B. Talbot, Giacomo Amerio, Gabriel Kreiman, Davide Zoccolan

机构 * Neuroscience Area, International School for Advanced Studies (SISSA), Trieste (Italy)（国际先进研究学院（SISSA）神经科学部门，特里埃斯蒂（意大利）） ； Boston Children’s Hospital, Harvard Medical School, Boston (USA)（哈佛医学院波士顿儿童医院，波士顿（美国）） ； Center for Brains, Minds, and Machines, MIT, Cambridge (USA)（麻省理工学院大脑、心智与机器中心，剑桥（美国）） ； Harvard-MIT Program in Health Sciences and Technology, MIT, Cambridge (USA)（哈佛-麻省理工学院健康科学与技术项目，麻省理工学院，剑桥（美国）） 纠错

AI总结 本文提出SnS框架，通过无梯度方法揭示视觉单元的不变性及对抗敏感性，发现深层表示的伸展会降低模型可解释性。

Comments 33 pages, 15 figures, Accepted as a conference paper at ICLR 2026

Robust Multi-Objective Controlled Decoding of Large Language Models

鲁棒多目标控制解码大型语言模型

Seongho Son, William Bankes, Sangwoong Yoon, Shyam Sundhar Ramesh, Xiaohang Tang, Ilija Bogunovic

机构 * University College London（伦敦大学学院） ； Ulsan National Institute of Science and Technology（釜山国立科学技术研究所） ； University of Basel（巴塞尔大学） ； University College London AI Centre（伦敦大学学院人工智能中心） 纠错

AI总结 本文提出RMOD算法，通过最大化最坏情况奖励实现鲁棒多目标解码，有效提升大型语言模型在多个人类目标上的对齐性能。

Comments Accepted to ICLR 2026

HiVid: LLM-Guided Video Saliency For Content-Aware VOD And Live Streaming

HiVid: 基于大语言模型的视频显著性识别用于内容感知点播与直播

Jiahui Chen, Bo Peng, Lianchen Jia, Zeyu Zhang, Tianchi Huang, Lifeng Sun

机构 * Tsinghua University（清华大学） ； The Australian National University（澳大利亚国立大学） ； Key Laboratory of Pervasive Computing, Ministry of Education（教育部普适计算重点实验室） 纠错

AI总结 HiVid利用大语言模型生成内容感知的视频显著性权重，提升点播和直播的QoE性能。

Comments ICLR 2026

Learning Part-Aware Dense 3D Feature Field for Generalizable Articulated Object Manipulation

学习具有部分感知的密集3D特征场以实现通用的可变形物体操作

Yue Chen, Muqing Jiang, Kaifeng Zheng, Jiaqi Liang, Chenrui Tie, Haoran Lu, Ruihai Wu, Hao Dong

机构 * Peking University（北京大学） ； Beijing Institute of Technology（北京理工大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本文提出PA3FF，一种具有部分感知的密集3D特征场，用于提升可变形物体操作的泛化能力，通过对比学习训练，实现高效且通用的机器人操作

Comments Accept to ICLR 2026, Project page: https://pa3ff.github.io

QuRL: Efficient Reinforcement Learning with Quantized Rollout

QuRL: 量化回滚的高效强化学习

Yuhang Li, Reena Elangovan, Xin Dong, Priyadarshini Panda, Brucek Khailany

机构 * NVIDIA Research（NVIDIA研究） 纠错

AI总结 QuRL通过量化动作器和自适应截断范围技术，显著提升强化学习回滚效率，实现20%-80%的加速

Comments Accepted to ICLR 2026

Fusing Pixels and Genes: Spatially-Aware Learning in Computational Pathology

融合像素与基因：计算病理学中的空间感知学习

Minghao Han, Dingkang Yang, Linhao Qu, Zizhi Chen, Gang Li, Han Wang, Jiacong Wang, Lihua Zhang

机构 * College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； Fysics Intelligence Technologies Co., Ltd. (Fysics AI)（菲茨斯智能科技有限公司（菲茨斯AI）） ； Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Tencent Youtu Lab（腾讯优图实验室） ； ByteDance（字节跳动） 纠错

AI总结 STAMP通过整合空间解析基因表达数据，提升计算病理学中多模态学习的性能与泛化能力。

Comments accepted by ICLR 2026, 34 pages, 10 figures, 7tables

Stroke3D: Lifting 2D strokes into rigged 3D model via latent diffusion models

Stroke3D: 通过潜在扩散模型将2D笔触提升为拟合的3D模型

Ruisi Zhao, Haoren Zheng, Zongxin Yang, Hehe Fan, Yi Yang

机构 * ReLER, CCAI, Zhejiang University（ReLER、CCAAI、浙江大学） ； DBMI, HMS, Harvard University（DBMI、HMS、哈佛大学） 纠错

AI总结 Stroke3D通过潜在扩散模型，将用户绘制的2D笔触和文本提示转化为拟合的3D模型，实现可控的骨骼生成和纹理网格合成。

Comments Accepted by ICLR 2026

Discrete Adjoint Matching

离散共轭匹配

Oswin So, Brian Karrer, Chuchu Fan, Ricky T. Q. Chen, Guan-Horng Liu

机构 * Massachusetts Institute of Technology（麻省理工学院） ； FAIR at Meta（Meta 的 FAIR） 纠错

AI总结 本文提出离散共轭匹配方法，用于微调离散生成模型，通过离散域上的共轭估计器解决熵正则化奖励优化问题。

Comments ICLR 2026

PRISMM-Bench: A Benchmark of Peer-Review Grounded Multimodal Inconsistencies

PRISMM-Bench: 一种基于同行评审的多模态不一致基准

Lukas Selch, Yufang Hou, M. Jehanzeb Mirza, Sivan Doveh, James Glass, Rogerio Feris, Wei Lin

机构 * Johannes Kepler University Linz（约翰内斯·开普勒大学林茨分校） ； Interdisciplinary Transformation University Austria（跨学科转型大学奥地利） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Stanford University（斯坦福大学） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） 纠错

AI总结 PRISMM-Bench是首个基于同行评审标记的多模态不一致基准，通过整理384个不一致点，设计三个任务评估模型跨模态检测和推理能力，揭示了多模态科学推理的挑战。

Comments Accepted at ICLR 2026. Project page https://da-luggas.github.io/prismm-bench/

Consistent text-to-image generation via scene de-contextualization

通过场景去上下文化实现一致的文本到图像生成

Song Tang, Peihao Gong, Kunyu Li, Kai Guo, Boyu Wang, Mao Ye, Jianwei Zhang, Xiatian Zhu

机构 * University of Shanghai for Science and Technology（上海科技大学） ； Universität Hamburg（汉堡大学） ； ComOriginMat Inc（ComOriginMat公司） ； Fudan University（复旦大学） ； Western University（西敏大学） ； Vector Institute（向量研究所） ； University of Electronic Science and Technology of China（电子科技大学） ； University of Surrey（萨里大学） 纠错

AI总结 本文提出Scene De-Contextualization方法，通过去除文本到图像生成中主体与场景的固有相关性，提升生成图像的一致性与多样性。

Comments This paper is accepted by ICLR 2026

Large Scale Diffusion Distillation via Score-Regularized Continuous-Time Consistency

大规模扩散蒸馏的连续时间一致性 via 分数正则化

Kaiwen Zheng, Yuji Wang, Qianli Ma, Huayu Chen, Jintao Zhang, Yogesh Balaji, Jianfei Chen, Ming-Yu Liu, Jun Zhu, Qinsheng Zhang

机构 * Dept. of Comp. Sci. & Tech., BNRist Center, THU-Bosch ML Center, AI Institute, Tsinghua（清华大学计算机科学与技术系，BNRist中心，THU-Bosch机器学习中心，人工智能研究院） ； NVIDIA 纠错

AI总结 本文提出分数正则化的连续时间一致性模型（rCM），通过引入分数蒸馏作为长跳正则化器，改进了sCM在细节生成和多样性方面的性能，适用于大规模图像和视频扩散任务。

Comments ICLR 2026

AWM: Accurate Weight-Matrix Fingerprint for Large Language Models

AWM: 用于大型语言模型的准确权重矩阵指纹

Boyi Zeng, Lin Chen, Ziwei He, Xinbing Wang, Zhouhan Lin

机构 * LUMIA Lab（LUMIA实验室） ； School of Artificial Intelligence（人工智能学院） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） 纠错

AI总结 AWM通过基于权重矩阵的无训练指纹方法，利用线性分配问题和无偏中心核对齐相似性，实现对大型语言模型训练来源的可靠识别。

Comments ICLR 2026

Dual Goal Representations

双目标表示

Seohong Park, Deepinder Mann, Sergey Levine

AI总结 本文提出双目标表示，通过时序距离集合表征状态，提升离线目标到达性能。

Comments ICLR 2026

Measuring Physical-World Privacy Awareness of Large Language Models: An Evaluation Benchmark

评估大型语言模型的物理世界隐私意识：一种评估基准

Xinjie Shen, Mufei Li, Pan Li

机构 * Georgia Tech（佐治亚理工学院） 纠错

AI总结 EAPrivacy评估基准揭示大型语言模型在物理世界隐私意识方面存在严重缺陷，需更稳健的物理感知对齐。

Comments Accepted by ICLR 2026

BiasFreeBench: a Benchmark for Mitigating Bias in Large Language Model Responses

BiasFreeBench: 一个用于减轻大型语言模型响应偏见的基准测试

Xin Xu, Xunzhi He, Churan Zhi, Ruizhe Chen, Julian McAuley, Zexue He

机构 * UC San Diego（加州大学圣地亚哥分校） ； Columbia University（哥伦比亚大学） ； Zhejiang University（浙江大学） ； Stanford University（斯坦福大学） 纠错

AI总结 BiasFreeBench通过统一测试平台评估八种主流偏见缓解方法，提供响应层面的偏见自由分数，旨在提升大型语言模型的公平性和安全性。

Comments Accepted by ICLR 2026

Internal Planning in Language Models: Characterizing Horizon and Branch Awareness

语言模型中的内部规划：刻画视野与分支意识

Muhammed Ustaomeroglu, Baris Askin, Gauri Joshi, Carlee Joe-Wong, Guannan Qu

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 研究通过分析语言模型内部计算结构，揭示规划视野与分支意识的特性，为理解模型内部动态提供通用工具。

Comments Accepted to ICLR 2026

d$^2$Cache: Accelerating Diffusion-Based LLMs via Dual Adaptive Caching

d$^2$Cache: 通过双适应缓存加速基于扩散的大型语言模型

Yuchu Jiang, Yue Cai, Xiangzhong Luo, Jiale Fu, Jiarui Wang, Chonghan Liu, Xu Yang

机构 * Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education（新一代人工智能技术及其交叉应用国家重点实验室（东南大学）） ； Southeast University（东南大学） ； Qiyuan Tech（启元科技） 纠错

AI总结 d$^2$Cache通过双适应缓存机制提升基于扩散的大型语言模型的推理效率和生成质量。

Comments Accepted by ICLR 2026, 21 pages, 9 figures

GEPA: Reflective Prompt Evolution Can Outperform Reinforcement Learning

GEPA：反思式提示进化可以超越强化学习

Lakshya A Agrawal, Shangyin Tan, Dilara Soylu, Noah Ziems, Rishi Khare, Krista Opsahl-Ong, Arnav Singhvi, Herumb Shandilya, Michael J Ryan, Meng Jiang, Christopher Potts, Koushik Sen, Alexandros G. Dimakis, Ion Stoica, Dan Klein, Matei Zaharia, Omar Khattab

AI总结 GEPA通过自然语言反思优化提示，以更少的回放次数在多个任务中超越强化学习方法GRPO和MIPROv2。

Comments Accepted to ICLR 2026 (Oral). Code: https://github.com/gepa-ai/gepa

U-MARVEL: Unveiling Key Factors for Universal Multimodal Retrieval via Embedding Learning with MLLMs

通过嵌入学习与大语言模型揭示通用多模态检索的关键因素：U-MARVEL

Xiaojie Li, Chu Li, Shi-Zhe Chen, Xi Chen

机构 * Tencent PCG（腾讯PCG） ； Nanjing University（南京大学） ； ByteDance（字节跳动） 纠错

AI总结 U-MARVEL通过嵌入学习与大语言模型揭示通用多模态检索的关键因素，实现超越现有方法的性能。

Comments Accepted to ICLR 2026

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

wd1: Weighted Policy Optimization for Reasoning in Diffusion Language Models

wd1: 为扩散语言模型推理的加权策略优化

Xiaohang Tang, Rares Dolga, Sangwoong Yoon, Ilija Bogunovic

机构 * Department of Statistical Science, University College London, United Kingdom（伦敦大学统计科学系） ； UCL AI Centre, University College London, United Kingdom（伦敦大学UCL人工智能中心） ； Graduate School of AI, Ulsan National Institute of Science and Technology, South Korea（韩国乌山国立科学与技术研究院人工智能研究生院） ； Department of Mathematics and Computer Science, Universität Basel, Switzerland（巴塞尔大学数学与计算机科学系） 纠错

AI总结 wd1通过加权策略优化提升扩散语言模型推理能力，实现更高准确率和更低计算成本。

Comments Accepted to ICLR 2026

Image Can Bring Your Memory Back: A Novel Multi-Modal Guided Attack against Image Generation Model Unlearning

图像能帮你找回记忆：一种新颖的多模态引导攻击对抗图像生成模型去学习

Renyang Liu, Guanlin Li, Tianwei Zhang, See-Kiong Ng

机构 * Institute of Data Science, National University of Singapore（数据科学研究所，新加坡国立大学） ； S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学） 纠错

AI总结 Recall提出一种新颖的多模态引导攻击框架，针对图像生成模型去学习的鲁棒性进行攻击，展示其在对抗有效性、计算效率和语义保真度上的优势。

Comments Accepted by ICLR 2026

RuleReasoner: Reinforced Rule-based Reasoning via Domain-aware Dynamic Sampling

RuleReasoner: 基于领域感知动态采样的强化规则推理

Yang Liu, Jiaqi Li, Zilong Zheng

机构 * State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI） 纠错

AI总结 RuleReasoner通过领域感知动态采样方法提升规则推理性能，优于现有大型推理模型。

Comments ICLR 2026 camera ready, 28 pages, 10 figures, 15 tables

RAVENEA: A Benchmark for Multimodal Retrieval-Augmented Visual Culture Understanding

RAVENEA：多模态检索增强视觉文化理解的基准

Jiaang Li, Yifei Yuan, Wenyan Li, Mohammad Aliannejadi, Daniel Hershcovich, Anders Søgaard, Ivan Vulić, Wenxuan Zhang, Paul Pu Liang, Yang Deng, Serge Belongie

机构 * University of Copenhagen（哥本哈根大学） ； ETH Zürich（苏黎世联邦理工学院） ； University of Amsterdam（阿姆斯特丹大学） ； University of Cambridge（剑桥大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Singapore University of Technology and Design（新加坡科技设计大学） ； Singapore Management University（新加坡管理大学） 纠错

AI总结 RAVENEA通过多模态检索增强方法提升视觉文化理解，验证了文化注释对多模态检索和下游任务的增强效果，并揭示了不同国家间性能差异。

Comments ICLR 2026; Project page: https://jiaangli.github.io/ravenea/