ICLR

Noise Stability of Transformer Models

Transformer模型的噪声稳定性

Themistoklis Haris, Zihan Zhang, Yuichi Yoshida

机构 * Department of Computer Science（计算机科学系） ； National Institute of Informatics（信息研究所） 纠错

AI总结 本文提出噪声稳定性作为衡量Transformer模型简单性的新指标，通过理论分析和实验验证，展示了其在提升模型训练效率和可解释性方面的有效性。

Comments Published in ICLR 2026

Improving 2D Diffusion Models for 3D Medical Imaging with Inter-Slice Consistent Stochasticity

通过跨切片一致的随机性改进2D扩散模型用于3D医学影像

Chenhe Du, Qing Wu, Xuanyu Tian, Jingyi Yu, Hongjiang Wei, Yuyao Zhang

机构 * ShanghaiTech University（上海科技大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 通过引入跨切片一致的随机性策略，改进2D扩散模型以提升3D医学影像重建的保真度与一致性。

Comments Accepted by ICLR 2026

HistoPrism: Unlocking Functional Pathway Analysis from Pan-Cancer Histology via Gene Expression Prediction

HistoPrism：通过基因表达预测解锁跨癌症组织学的功能通路分析

Susu Hu, Qinghe Zeng, Nithya Bhasker, Jakob Nikolas Kather, Stefanie Speidel

机构 * Translational Surgical Oncology, National Center for Tumor Diseases (NCT/UCC) Dresden, Germany（translational Surgical Oncology, 国家肿瘤疾病中心（NCT/UCC）德斯登，德国） ； Faculty of Medicine and University Hospital Carl Gustav Carus, TUD Dresden University of Technology, Germany（医学学院和卡尔·戈斯塔夫·卡尔斯大学医院，德斯登技术大学，德国） ； Helmholtz-Zentrum Dresden-Rossendorf (HZDR), Dresden, Germany（德斯登-罗斯endorf研究中心（HZDR），德斯登，德国） ； German Cancer Research Center (DKFZ), Heidelberg, Germany（德国癌症研究中心（DKFZ），海德堡，德国） ； Else Kroener Fresenius Center for Digital Health, Faculty of Medicine, TUD Dresden University of Technology, Germany（埃勒·克罗尼尔·弗里森医院数字健康中心，医学学院，德斯登技术大学，德国） ； Medical Oncology, National Center for Tumor Diseases (NCT), University Hospital Heidelberg, Heidelberg, Germany（医学肿瘤学，国家肿瘤疾病中心（NCT），海德堡大学医院，海德堡，德国） ； Department of Medicine I, Faculty of Medicine, TUD Dresden University of Technology, Germany（医学第一部门，医学学院，德斯登技术大学，德国） ； Pathology & Data Analytics, Leeds Institute of Medical Research at St James’s, University of Leeds, Leeds, United Kingdom（病理学与数据科学，圣詹姆斯医院医学研究所以及利兹大学，利兹，英国） 纠错

AI总结 HistoPrism通过基因表达预测实现了跨癌症组织学的功能通路分析，展示了在生物上一致的转录组模式恢复能力。

Comments Accepted at ICLR 2026. Camera-ready version

Journal ref International Conference on Learning Representations 2026

Test-Time Iterative Error Correction for Efficient Diffusion Models

测试时迭代误差校正用于高效扩散模型

Yunshan Zhong, Weiqi Yan, Yuxin Zhang

机构 * School of Computer Science and Technology, Hainan University（海南大学计算机科学与技术学院） ； MAC Lab, Department of Artificial Intelligence, School of Informatics, Xiamen University（厦门大学信息学院人工智能系） 纠错

AI总结 本文提出迭代误差校正方法，通过测试时迭代优化减少扩散模型生成误差，提升生成质量与效率的平衡。

Comments Accepted by ICLR 2026

Paper Copilot: Tracking the Evolution of Peer Review in AI Conferences

Paper Copilot：追踪人工智能会议中同行评审的演变

Jing Yang, Qiyao Wei, Jiaxin Pei

机构 * University of Southern California（南加州大学） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学） 纠错

AI总结 Paper Copilot通过创建同行评审数字档案和开放数据集，分析人工智能会议评审实践的演变，促进同行评审系统的透明和改进。

Comments ICLR 2026. https://papercopilot.com/

Color3D: Controllable and Consistent 3D Colorization with Personalized Colorizer

Color3D: 可控且一致的3D着色化方法，具有个性化着色器

Yecong Wan, Mingwen Shao, Renlong Wu, Wangmeng Zuo

机构 * Faculty of Computing, Harbin Institute of Technology（哈尔滨工业大学计算机学院） ； Harbin Institute of Technology Zhengzhou Research Institute（哈尔滨工业大学郑州研究所） ； Artificial Intelligence Research Institute, Shenzhen University of Advanced Technology（深圳先进技术大学人工智能研究所） 纠错

AI总结 Color3D通过个性化着色器实现可控且一致的3D着色化，提升动态和静态场景的色彩丰富度与用户可控性。

Comments ICLR 2026 Project Page https://yecongwan.github.io/Color3D/

MARC: Memory-Augmented RL Token Compression for Efficient Video Understanding

MARC: 用于高效视频理解的记忆增强强化学习令牌压缩

Peiran Wu, Zhuorui Yu, Yunze Liu, Chi-Hao Wu, Enmin Zhou, Junxiao Shen

机构 * University of Bristol（布里斯托大学） ； Memories.ai Research（Memories.ai研究） 纠错

AI总结 MARC通过结合结构化检索和强化学习知识蒸馏，实现高效视频理解，显著减少视觉令牌、GPU内存和延迟。

Comments Accepted at ICLR 2026

ASSESS: A Semantic and Structural Evaluation Framework for Statement Similarity

ASSESS: 一个用于语义和结构相似性评估的框架

Xiaoyang Liu, Tao Zhu, Zineng Dong, Yuntian Liu, Qingfeng Guo, Zhaoxuan Liu, Yu Chen, Tao Luo

机构 * School of Mathematical Sciences, Shanghai Jiao Tong University（上海交通大学数学科学学院） 纠错

AI总结 ASSESS提出了一种新的语义和结构相似性评估框架，通过TransTED度量在EPLA基准上实现了最先进的准确率和Kappa分数。

Comments Accepted to ICLR 2026

No Prompt Left Behind: Exploiting Zero-Variance Prompts in LLM Reinforcement Learning via Entropy-Guided Advantage Shaping

无提示被忽视：通过熵引导的优势塑造利用零方差提示进行LLM强化学习

Thanh-Long V. Le, Myeongho Jeon, Kim Vu, Viet Lai, Eunho Yang

AI总结 通过熵引导的优势塑造，RL-ZVP利用零方差提示提升LLM推理能力，显著优于GRPO及其他基线方法。

Comments ICLR 2026 camera-ready version

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

Lifelong Learning with Behavior Consolidation for Vehicle Routing

基于行为巩固的车辆路径长期学习

Jiyuan Pei, Yi Mei, Jialin Liu, Mengjie Zhang, Xin Yao

机构 * Center of Data Science and Artificial Intelligence & School of Engineering and Computer Science（数据科学与人工智能中心及工程与计算机科学学院） ； School of Data Science（数据科学学院） 纠错

AI总结 本文提出LLR-BC框架，通过行为巩固解决神经VRP求解器在长期学习中的灾难性遗忘问题，提升零样本泛化能力。

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

STITCH: Simultaneous Thinking and Talking with Chunked Reasoning for Spoken Language Models

STITCH：基于分块推理的 spoken language models 的同时思考与说话

Cheng-Han Chiang, Xiaofei Wang, Linjie Li, Chung-Ching Lin, Kevin Lin, Shujie Liu, Zhendong Wang, Zhengyuan Yang, Hung-yi Lee, Lijuan Wang

机构 * National Taiwan University（国立台湾大学） ； Microsoft（微软） 纠错

AI总结 STITCH通过分块推理实现语音语言模型的同时思考与说话，提升推理效率与响应速度。

Comments ICLR 2026 camera-ready version. Project page: https://d223302.github.io/STITCH/

Einstein Fields: A Neural Perspective To Computational General Relativity

爱因斯坦场：从计算广义相对论的角度看神经网络

Sandeep Suresh Cranganore, Andrei Bodnar, Arturs Berzins, Johannes Brandstetter

机构 * LIT AI Lab, Institute for Machine Learning, JKU Linz, Austria（LIT AI实验室，机器学习研究所，JKU林茨，奥地利） ； University of Manchester, United Kingdom（曼彻斯特大学，英国） ； Emmi AI GmbH, Linz, Austria（Emmi AI GmbH，林茨，奥地利） 纠错

AI总结 爱因斯坦场通过神经网络方法实现四维时空的高效建模，提升计算效率和精度，推动数值相对论的发展。

Comments Accepted at ICLR 2026: 64 pages, 23 figures, 14 Tables, Github: https://github.com/AndreiB137/EinFields, added (i) EinFields applied to Oscillating neutron star NR simulation using Fixed Mesh Refinement (FMR) for four refinement levels from EinsteinToolkit, (ii) Jit-based query speeds of EinFields and its derivative over 17 Million simulation grid points, (iii) Bianchi Identity values

Journal ref The Fourteenth International Conference on Learning Representations 2026

Optimas: Optimizing Compound AI Systems with Globally Aligned Local Rewards

Optimas: 通过全局对齐的局部奖励优化复合AI系统

Shirley Wu, Parth Sarthi, Shiyu Zhao, Aaron Lee, Herumb Shandilya, Adrian Mladenic Grobelnik, Nurendra Choudhary, Eddie Huang, Karthik Subbian, Linjun Zhang, Diyi Yang, James Zou, Jure Leskovec

机构 * Stanford University（斯坦福大学） ； Amazon（亚马逊） ； Jožef Stefan Institute（乔泽夫·斯蒂芬研究所） ； Rutgers University（罗格斯大学） 纠错

AI总结 Optimas通过全局对齐的局部奖励优化复合AI系统，有效提升复合系统的性能。

Comments Accepted to ICLR 2026. 22 pages

Out of the Shadows: Exploring a Latent Space for Neural Network Verification

走出阴影：探索神经网络验证的潜在空间

Lukas Koller, Tobias Ladner, Matthias Althoff

AI总结 本文提出了一种基于潜在空间的神经网络验证方法，通过迭代细化减少验证子问题数量，利用矩阵运算实现高效GPU加速，提升了验证性能。

Comments Accepted at the 14th International Conference on Learning Representations (ICLR 2026)

ABBA-Adapters: Efficient and Expressive Fine-Tuning of Foundation Models

ABBA-Adapters: 高效且表达力强的基础模型微调

Raghav Singhal, Kaustubh Ponkshe, Rohit Vartak, Praneeth Vepakomma

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫德尔·本·扎耶德人工智能大学） ； Duke University（杜克大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 ABBA-Adapters通过引入低秩矩阵的Hadamard乘积，实现高效且表达力强的基础模型微调，显著提升适应新领域的性能。

Comments ICLR 2026. Raghav Singhal, Kaustubh Ponkshe, and Rohit Vartak contributed equally to this work

Safety Subspaces are Not Linearly Distinct: A Fine-Tuning Case Study

安全子空间并非线性区分：一项微调案例研究

Kaustubh Ponkshe, Shaan Shah, Raghav Singhal, Praneeth Vepakomma

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本研究通过微调案例发现，安全行为与通用学习组件高度交织，基于子空间的防御策略存在根本限制。

Comments ICLR 2026. Kaustubh Ponkshe, Shaan Shah, and Raghav Singhal contributed equally to this work

Optimal Non-Asymptotic Rates of Value Iteration for Average-Reward Markov Decision Processes

平均奖励马尔可夫决策过程的价值迭代的最优非渐近速率

Jongmin Lee, Ernest K. Ryu

AI总结 本文研究了平均奖励马尔可夫决策过程的价值迭代的非渐近收敛速率，提出了锚定价值迭代的O(1/k)速率结果及跨度基于复杂度下界。

Journal ref International Conference on Learning Representations, 2025

ASIDE: Architectural Separation of Instructions and Data in Language Models

ASIDE: 语言模型中指令与数据的架构分离

Egor Zverev, Evgenii Kortukov, Alexander Panfilov, Alexandra Volkova, Soroush Tabesh, Sebastian Lapuschkin, Wojciech Samek, Christoph H. Lampert

机构 * Institute of Science and Technology Austria (ISTA)（奥地利科学与技术研究所） ； Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫兹研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Tübingen AI Center（图宾根人工智能中心） ； Centre of eXplainable Artificial Intelligence（可解释人工智能中心） ； Technische Universität Berlin（柏林技术大学） ； Berlin Institute for the Foundations of Learning and Data (BIFOLD)（柏林学习与数据基础研究所） 纠错

AI总结 ASIDE通过在令牌嵌入层面实现指令与数据的分离，提升了语言模型的安全性和性能

Comments ICLR 2026 paper

FlashVID: Efficient Video Large Language Models via Training-free Tree-based Spatiotemporal Token Merging

FlashVID: 通过无训练树状时空标记合并实现高效的视频大语言模型

Ziyang Fan, Keyu Chen, Ruilong Xing, Yulin Li, Li Jiang, Zhuotao Tian

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

AI总结 FlashVID通过无训练的树状时空标记合并技术，在保留99.1%性能的情况下将视频帧输入提升10倍，实现高效视频大语言模型加速。

Comments Accepted by ICLR 2026 (Oral)

EasyTune: Efficient Step-Aware Fine-Tuning for Diffusion-Based Motion Generation

EasyTune: 为基于扩散的运动生成实现高效的步感知微调

Xiaofeng Tan, Wanjiang Weng, Haodong Lei, Hongsong Wang

机构 * Southeast University（东南大学） 纠错

AI总结 EasyTune通过在去噪每一步进行微调，解决扩散模型在运动生成中的优化效率和内存消耗问题，并引入自我完善偏好学习机制提升训练效率。

Journal ref ICLR 2026

Emergent Misalignment is Easy, Narrow Misalignment is Hard

涌现的偏移是容易的，狭窄的偏移是困难的

Anna Soligo, Edward Turner, Senthooran Rajamanoharan, Neel Nanda

AI总结 研究发现，大型语言模型在狭窄有害数据集上微调易产生偏移，但一般偏移更稳定高效，通过线性表示和KL损失实现，为监控和缓解偏移提供方法。

Comments Published at ICLR 2026

Pruning as a Cooperative Game: Surrogate-Assisted Layer Contribution Estimation for Large Language Models

剪枝作为合作博弈：用于大型语言模型的代理辅助层贡献估计

Xuan Ding, Pengyu Tong, Ranjie Duan, Yunjian Zhang, Rui Sun, Yao Zhu

机构 * Shenzhen Future Network of Intelligence Institute（深圳未来网络智能研究院） ； Guangdong Provincial Key Laboratory of Future Networks of Intelligence（广东省未来网络智能重点实验室） ； The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）） ； Beijing Normal University（北京师范大学） ； Alibaba Group（阿里巴巴集团） ； University of Chinese Academy of Sciences（中国科学院大学） ； Zhejiang University（浙江大学） 纠错

AI总结 本文提出基于博弈论的层剪枝方法，利用代理网络估计层贡献，实现高效且有效的大型语言模型剪枝。

Comments Accepted by ICLR 2026

Dense Feature Learning via Linear Structure Preservation in Medical Data

通过线性结构保持实现密集特征学习：医学数据

Yuanyun Zhang, Mingxuan Zhang, Siyuan Li, Zihan Wang, Haoran Chen, Wenbo Zhou, Shi Li

机构 * Independent Researcher（独立研究者） ； The Chinese University of Hong Kong（香港中文大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 本文提出密集特征学习方法，通过线性结构保持提升医学数据表示的稳定性与可解释性，实现更优的下游性能。

Comments ICLR Workshop

SERE: Similarity-based Expert Re-routing for Efficient Batch Decoding in MoE Models

基于相似性的专家重新路由：用于MoE模型高效批量解码

Juntong Wu, Jialiang Cheng, Fuyu Lv, Ou Dan, Li Yuan

机构 * Taobao & Tmall Group of Alibaba（淘宝与天猫集团） ； Shenzhen Graduate School, Peking University（北京大学深圳研究生院） 纠错

AI总结 SERE通过基于相似性的专家重新路由方法，提升MoE模型在批量解码中的效率，实现2倍速度提升并减少质量损失。

Comments Published as a conference paper at ICLR 2026

Are Reasoning LLMs Robust to Interventions on Their Chain-of-Thought?

推理大语言模型对其推理链的干预是否具有鲁棒性？

Alexander von Recum, Leander Girrbach, Zeynep Akata

机构 * Helmholtz Munich（海德堡-慕尼黑研究所） ； Ludwig Maximilian University of Munich（慕尼黑路德维希-马克西米利安大学） ； Technical University of Munich, Munich Center for Machine Learning (MCML)（慕尼黑技术大学，慕尼黑机器学习中心） 纠错

AI总结 研究评估了推理大语言模型在面对不同干预时的鲁棒性，发现模型在干扰下能恢复但存在效率与准确性的权衡。

Comments ICLR 2026

Learning Molecular Chirality via Chiral Determinant Kernels

通过手性行列式核学习分子手性

Runhan Shi, Zhicheng Zhang, Letian Chen, Gufeng Yu, Yang Yang

机构 * AGI Institute, School of Computer Science, Shanghai Jiao Tong University（AGI研究院，计算机科学学院，上海交通大学） 纠错

AI总结 本文提出ChiDeK框架，通过手性行列式核和交叉注意机制，系统整合立体化学信息，实现对分子中心和轴手性的联合编码，并在ECD和OR预测任务中取得显著提升。

Comments Accepted at the ICLR 2026

Graph homophily booster: Reimagining the role of discrete features in heterophilic graph learning

图同质性增强器：重新审视离散特征在异质图学习中的作用

Ruizhong Qiu, Ting-Wei Li, Gaotang Li, Hanghang Tong

机构 * University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 GRAPHITE通过设计图变换直接提升图同质性，有效解决异质图学习中的挑战。

Comments ICLR 2026

Bypassing the Rationale: Causal Auditing of Implicit Reasoning in Language Models

绕过理由：语言模型中隐式推理的因果审计

Anish Sathyanarayanan, Aditya Nagarsekar, Aarush Rathore

机构 * Birla Institute of Technology and Science, Pilani, K. K. Birla Goa Campus（比拉理工学院和科学学院，比里拉班加尔学院） 纠错

AI总结 本文通过因果审计揭示语言模型中隐式推理的可信度差异，发现CoT的因果影响在模型和任务间存在显著变化，需通过逐层审计来验证。

Comments Under Review at ICLR, 2026

Time Is All It Takes: Spike-Retiming Attacks on Event-Driven Spiking Neural Networks

时间就是一切：针对事件驱动脉冲神经网络的脉冲重定时攻击

Yi Yu, Qixin Zhang, Shuhan Ye, Xun Lin, Qianshan Wei, Kun Wang, Wenhan Yang, Dacheng Tao, Xudong Jiang

机构 * School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院） ； Generative AI Lab, College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院生成式人工智能实验室） ； CUHK（香港中文大学） ； Southeast University（东南大学） ； Nanyang Technological University（南洋理工大学） ； Pengcheng Laboratory（鹏城实验室） 纠错

AI总结 本文提出了一种针对事件驱动脉冲神经网络的脉冲重定时攻击，通过重定时脉冲而非改变强度或计数来实现攻击，展示了其在多个基准上的高成功率。

Comments Accepted by ICLR 2026

Task-free Adaptive Meta Black-box Optimization

无需任务的自适应元黑盒优化

Chao Wang, Licheng Jiao, Lingling Li, Jiaxuan Zhao, Guanchun Wang, Fang Liu, Shuyuan Yang

机构 * Xidian University（西安电子科技大学） ； Tianjin Research Institute for Water Transport Engineering, M.O.T.（天津水运工程研究院） 纠错

AI总结 ABOM通过闭环自适应参数学习机制，在无需预定义任务分布的情况下实现零样本黑盒优化。

Comments This article was published as a conference paper (oral) at ICLR 2026