ICLR

Efficient-LVSM: Faster, Cheaper, and Better Large View Synthesis Model via Decoupled Co-Refinement Attention

Efficient-LVSM: 通过解耦共细化注意力实现更高效、更经济、更优质的大型视角合成模型

Xiaosong Jia, Yihang Sun, Junqi You, Songbur Wong, Zichen Zou, Junchi Yan, Zuxuan Wu, Yu-Gang Jiang

机构 * Institute of Trustworthy Embodied AI (TEAI)（可信具身人工智能研究院） ； Sch. of Computer Science & Sch. of Artificial Intelligence（计算机科学学院与人工智能学院） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 Efficient-LVSM通过解耦共细化注意力机制，实现了更高效、更经济、更优质的大型视角合成模型，提升了PSNR性能并加快了训练和推理速度。

Comments Accepted at ICLR 2026

Extreme Weather Nowcasting via Local Precipitation Pattern Prediction

通过局部降水模式预测实现极端天气现在预测

Changhoon Song, Teng Yuan Chang, Youngjoon Hong

机构 * Research Institute of Mathematics（数学研究所） ； Seoul National University（首尔国立大学） 纠错

AI总结 本文提出exPreCast框架，通过平衡雷达数据集和改进模型结构，实现高效且准确的极端天气现在预测。

Comments 10pages, 20 figures, The Fourteenth International Conference on Learning Representations, see https://github.com/tony890048/exPreCast

Learning a distance measure from the information-estimation geometry of data

从数据的信息-估计几何学习距离度量

Guy Ohayon, Pierre-Etienne H. Fiquet, Florentin Guth, Jona Ballé, Eero P. Simoncelli

机构 * Flatiron Institute（Flatiron研究所） ； New York University（纽约大学） 纠错

AI总结 本文提出信息-估计度量（IEM），通过学习去噪器和积分计算，用于图像质量评估，效果与现有方法相当或更优。

Comments ICLR 2026. Code is available at https://github.com/ohayonguy/information-estimation-metric

Visual Autoregressive Modeling for Instruction-Guided Image Editing

用于指导图像编辑的视觉自回归建模

Qingyang Mao, Qi Cai, Yehao Li, Yingwei Pan, Mingyue Cheng, Ting Yao, Qi Liu, Tao Mei

机构 * University of Science and Technology of China（中国科学技术大学） ； HiDream.ai Inc.（HiDream.ai公司） 纠错

AI总结 VAREdit通过自回归框架实现高效精准的图像编辑，优于扩散模型并在速度和质量上取得显著提升。

Comments ICLR 2026; Source codes and models are available at https://github.com/HiDream-ai/VAREdit

Scalable In-Context Q-Learning

可扩展的上下文Q学习

Jinmei Liu, Fuhong Liu, Zhenhong Sun, Jianye Hao, Huaxiong Li, Bo Wang, Daoyi Dong, Chunlin Chen, Zhi Wang

机构 * Nanjing University（南京大学） ； Australian National University（澳大利亚国立大学） ； Tianjin University（天津大学） ； University of Technology Sydney（悉尼大学） 纠错

AI总结 本文提出S-ICQL框架，通过动态规划和世界建模实现高效的奖励最大化和任务泛化，适用于决策领域。

Comments accepted by ICLR 2026

VFScale: Intrinsic Reasoning through Verifier-Free Test-time Scalable Diffusion Model

VFScale: 通过无验证器的测试时可扩展扩散模型实现内在推理

Tao Zhang, Jia-Shu Pan, Ruiqi Feng, Tailin Wu

机构 * Zhejiang University（浙江大学） ； Department of Artificial Intelligence, School of Engineering, Westlake University（人工智能系，工程学院，西湖大学） 纠错

AI总结 VFScale通过无验证器的测试时可扩展扩散模型实现可扩展的内在推理，解决了扩散模型在复杂推理任务中的两大挑战。

Comments ICLR 2026. 30 pages, 13 figures

Dataset Distillation as Pushforward Optimal Quantization

数据集蒸馏作为推前最优量化

Hong Ye Tan, Emma Slade

机构 * UCLA University of Cambridge（加州大学洛杉矶分校剑桥大学） ； Tangram Therapeutics 纠错

AI总结 本文提出基于最优量化的数据集蒸馏方法，通过潜在空间聚类提升ImageNet-1K数据集的蒸馏性能，优于现有SOTA方法。

Comments ICLR 2026, https://openreview.net/forum?id=FMSp8AUF3m

VowelPrompt: Hearing Speech Emotions from Text via Vowel-level Prosodic Augmentation

VowelPrompt：通过元音层面的语调增强从文本中听出语音情感

Yancheng Wang, Osama Hanna, Ruiming Xie, Xianfeng Rui, Maohao Shen, Xuedong Zhang, Christian Fuegen, Jilong Wu, Debjyoti Paul, Arthur Guo, Zhihong Lei, Ozlem Kalinli, Qing He, Yingzhen Yang

机构 * Meta Superintelligence Labs（Meta超智能实验室） ； Arizona State University（亚利桑那州立大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 VowelPrompt通过元音层面的语调增强，提升LLM在语音情感识别中的表现并生成可解释的解释。

Comments Accepted to ICLR 2026

ATEX-CF: Attack-Informed Counterfactual Explanations for Graph Neural Networks

ATEX-CF: 为图神经网络生成对抗感知的反事实解释

Yu Zhang, Sean Bin Yang, Arijit Khan, Cuneyt Gurcan Akcora

机构 * Aalborg University（奥尔堡大学） ； Bowling Green State University（伯灵顿州立大学） ； University of Central Florida（佛罗里达中央大学） 纠错

AI总结 ATEX-CF通过整合对抗攻击与反事实解释，为图神经网络生成忠实且合理的实例级解释，提升模型可解释性。

Comments 30 pages, accepted by ICLR 2026, github code:https://github.com/zhangyuo/ATEX_CF

Jackpot: Optimal Budgeted Rejection Sampling for Extreme Actor-Policy Mismatch Reinforcement Learning

Jackpot: 为极端演员-策略不匹配强化学习的最优预算拒绝采样

Zhuoming Chen, Hongyi Liu, Yang Zhou, Haizhong Zheng, Beidi Chen

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 Jackpot通过最优预算拒绝采样方法，有效减少rollout模型与策略之间的分布差异，提升大语言模型强化学习的训练稳定性与效率。

Comments ICLR 2026

String Seed of Thought: Prompting LLMs for Distribution-Faithful and Diverse Generation

字符串思维种子：用于大语言模型的提示方法以实现分布忠实和多样化生成

Kou Misaki, Takuya Akiba

机构 * Sakana AI 纠错

AI总结 SSoT通过引入随机字符串生成和提取机制，提升大语言模型在分布忠实和多样化生成任务中的性能。

Comments Accepted to ICLR 2026

Knowledgeable Language Models as Black-Box Optimizers for Personalized Medicine

具备知识的语言模型作为个性化医疗的黑盒优化器

Michael S. Yao, Osbert Bastani, Alma Andersson, Tommaso Biancalani, Aïcha Bentaieb, Claudia Iriondo

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Genentech（基因泰克） 纠错

AI总结 本文提出LEON方法，利用大语言模型作为黑盒优化器，结合领域知识提升个性化医疗治疗方案的优化效果。

Comments 63 pages, Accepted to ICLR 2026

Is Your Paper Being Reviewed by an LLM? Benchmarking AI Text Detection in Peer Review

你的论文正在由LLM审查吗？同行评审中AI文本检测的基准测试

Sungduk Yu, Man Luo, Avinash Madasu, Vasudev Lal, Phillip Howard

机构 * Oracle AI ； Abridge ； Intel Labs（Intel实验室） ； Thoughtworks 纠错

AI总结 本文提出一个包含788,984篇AI与人类同行评审的综合数据集，评估18种AI文本检测算法的性能，并探索上下文感知的Anchor检测方法，揭示识别AI生成文本的困难。

Comments Accepted to ICLR 2026

AP-OOD: Attention Pooling for Out-of-Distribution Detection

AP-OOD：用于分布外检测的注意力池化

Claus Hofmann, Christian Huber, Bernhard Lehner, Daniel Klotz, Sepp Hochreiter, Werner Zellinger

机构 * Institute for Machine Learning, JKU LIT SAL IWS Lab（机器学习研究所） ； Silicon Austria Labs, JKU LIT SAL IWS Lab（Silicon Austria实验室） ； Interdisciplinary Transformation University Austria（跨学科转型大学） ； ELLIS Unit, LIT AI Lab, Institute for Machine Learning, JKU Linz（ELLIS单元） 纠错

AI总结 AP-OOD通过利用token级信息，提出了一种新的分布外检测方法，有效提升了文本数据的检测性能。

Comments Accepted at ICLR 2026

Verification of the Implicit World Model in a Generative Model via Adversarial Sequences

通过对抗序列验证生成模型中的隐式世界模型

András Balogh, Márk Jelasity

机构 * University of Szeged（塞格德大学） ； HUN-REN–SZTE Research Group on AI（人工智能研究组） 纠错

AI总结 本研究通过对抗序列生成方法验证生成模型中的隐式世界模型有效性，发现多数模型无效，但部分训练技术可显著提升有效性。

Comments Accepted at ICLR 2026. Code, datasets, and models are available at https://github.com/szegedai/world-model-verification

Accelerating Benchmarking of Functional Connectivity Modeling via Structure-aware Core-set Selection

通过结构感知核心集选择加速功能连接建模的基准测试

Ling Zhan, Zhen Li, Junjie Huang, Tao Jia

机构 * College of Computer and Information Science, Southwest University（西南大学计算机与信息科学学院） ； Chongqing Key Laboratory of Brain-Inspired Cognitive Computing and Educational Rehabilitation for Children with Special Needs, Chongqing Normal University（重庆脑启发认知计算与特殊需要儿童教育康复重点实验室，重庆师范大学） ； College of Computer and Information Science, Chongqing Normal University（重庆师范大学计算机与信息科学学院） 纠错

AI总结 本文提出SCLCS方法，通过结构感知对比学习选择核心集，提升大规模功能连接建模方法的基准测试效率。

Comments 33 pages, 8 figures, ICLR conference paper

SSG: Scaled Spatial Guidance for Multi-Scale Visual Autoregressive Generation

SSG: 多尺度视觉自回归生成的缩放空间引导

Youngwoo Shin, Jiwan Hur, Junmo Kim

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） 纠错

AI总结 SSG通过缩放空间引导方法，在无需训练的情况下提升多尺度视觉自回归生成的保真度和多样性，同时保持低延迟。

Comments Accepted to ICLR 2026

M$^2$-Miner: Multi-Agent Enhanced MCTS for Mobile GUI Agent Data Mining

M$^2$-Miner: 多智能体增强的MCTS用于移动GUI智能体数据挖掘

Rui Lv, Juncheng Mo, Tianyi Chu, Chen Rao, Hongyi Jing, Jiajie Teng, Jiafu Chen, Shiqi Zhang, Liangzi Ding, Shuo Fang, Huaizhong Lin, Ziqiang Dang, Chenguang Ma, Lei Zhao

机构 * Ant Group（蚂蚁集团） ； Zhejiang University（浙江大学） 纠错

AI总结 M$^2$-Miner通过多智能体增强MCTS方法，实现了低成本、高效率的移动GUI智能体数据挖掘，提升了数据质量和挖掘效果。

Comments Accepted by ICLR 2026. Supplementary material is included at the end of the main paper (16 pages, 15 figures, 2 tables)

Disco: Densely-overlapping Cell Instance Segmentation via Adjacency-aware Collaborative Coloring

Disco：通过邻接感知的协作着色实现密集重叠细胞实例分割

Rui Sun, Yiwen Yang, Kaiyu Guo, Chen Jiang, Dongli Xu, Zhaonan Liu, Tan Pan, Limei Han, Xue Jiang, Wu Wei, Yuan Cheng

机构 * Shanghai Academy of Artificial Intelligence for Science（上海人工智能科学研究院） ； Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； School of Life Sciences and Biotechnology, Shanghai Jiao Tong University（上海交通大学生命科学与生物技术学院） ； Lingang Laboratory（临港实验室） ； Renji Hospital, School of Medicine, Shanghai Jiao Tong University（仁济医院，上海交通大学医学院） 纠错

AI总结 Disco通过邻接感知协作着色解决复杂细胞实例分割问题，结合拓扑标注与深度学习解决冲突。

Comments 17 pages, 10 figures; ICLR 2026

PPE: Positional Preservation Embedding for Token Compression in Multimodal Large Language Models

PPE：用于多模态大语言模型中token压缩的位置保持嵌入

Mouxiao Huang, Borui Jiang, Dehua Zheng, Hailin Hu, Kai Han, Xinghao Chen

机构 * Huawei Technologies（华为技术有限公司） 纠错

AI总结 PPE通过保持位置信息提升多模态大语言模型的token压缩效率和性能

Comments ICLR 2026

A Representer Theorem for Hawkes Processes via Penalized Least Squares Minimization

通过惩罚最小二乘法的Hawkes过程的代表定理

Hideaki Kim, Tomoharu Iwata

机构 * NTT, Inc.（日本电报电话公司） 纠错

AI总结 本文提出了一种基于惩罚最小二乘法的Hawkes过程代表定理，通过转换核和固定dual系数，提高了大规模数据处理效率和预测准确性。

Comments Accepted to ICLR 2026

LH-Deception: Simulating and Understanding LLM Deceptive Behaviors in Long-Horizon Interactions

LH-Deception：模拟和理解长周期交互中大语言模型的欺骗行为

Yang Xu, Xuanming Zhang, Samuel Yeh, Jwala Dhamala, Ousmane Dia, Rahul Gupta, Sharon Li

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Zhejiang University（浙江大学） ； Amazon AGI（亚马逊人工智能研究院） 纠错

AI总结 LH-Deception通过多智能体系统模拟长周期交互中的LLM欺骗行为，揭示欺骗的模型依赖性和对信任的侵蚀，为真实场景下的LLM评估提供基础。

Comments ICLR 2026

On Entropy Control in LLM-RL Algorithms

在LLM-RL算法中的熵控制

Han Shen

机构 * Ant Group（蚂蚁集团） 纠错

AI总结 本文提出AEnt方法，通过改进的熵控制策略提升LLM-RL算法在数学推理任务中的性能。

Comments Updated with ICLR 2026 version

GIQ: Benchmarking 3D Geometric Reasoning of Vision Foundation Models with Simulated and Real Polyhedra

GIQ：基于模拟和真实多面体的3D几何推理视觉基础模型基准测试

Mateusz Michalkiewicz, Anekha Sokhal, Tadeusz Michalkiewicz, Piotr Pawlikowski, Mahsa Baktashmotlagh, Varun Jampani, Guha Balakrishnan

机构 * Rice University（里士大学） ； The University of Queensland（昆士兰大学） 纠错

AI总结 GIQ通过模拟和真实多面体评估视觉基础模型的3D几何推理能力，揭示了现有模型在几何理解上的不足。

Comments Accepted to ICLR 2026. Camera ready version

SelfReflect: Can LLMs Communicate Their Internal Answer Distribution?

SelfReflect: LLMs能否传达其内部答案分布？

Michael Kirchhof, Luca Füger, Adam Goliński, Eeshan Gunesh Dhekane, Arno Blaas, Seong Joon Oh, Sinead Williamson

机构 * Apple（苹果公司） ； Independent Researcher（独立研究者） ； Tübingen AI Center（图宾根人工智能中心） 纠错

AI总结 SelfReflect通过评估LLM内部信念分布与总结之间的信息论距离，发现现代LLM无法有效传达其不确定性，但通过多输出采样可生成忠实的不确定性总结。

Comments Accepted at ICLR 2026

TASTE: Text-Aligned Speech Tokenization and Embedding for Spoken Language Modeling

TASTE: 用于语音语言建模的文本对齐语音标记化与嵌入

Liang-Hsuan Tseng, Yi-Chang Chen, Kuan-Yi Lee, Da-Shan Shiu, Hung-yi Lee

机构 * MediaTek Research（联发科技研究） ； Graduate Institute of Communication Engineering, National Taiwan University（国立台湾大学通信工程研究所） ； Artificial Intelligence Center of Research Excellence, National Taiwan University（国立台湾大学卓越人工智能研究中心） 纠错

AI总结 TASTE通过语音重建目标实现文本对齐的语音标记化与嵌入，提升语音语言建模的性能。

Comments ICLR 2026

In-context Time Series Predictor

上下文时间序列预测器

Jiecheng Lu, Yan Sun, Shihao Yang

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出一种基于上下文的时间序列预测方法，通过将时间序列预测任务转化为输入标记，提高了参数效率并减少了过拟合问题。

Comments Camera-ready version. Accepted at ICLR 2025

Journal ref Proceedings of the Thirteenth International Conference on Learning Representations (ICLR 2025)

ARM: Refining Multivariate Forecasting with Adaptive Temporal-Contextual Learning

ARM：通过自适应时间-上下文学习提升多变量预测

Jiecheng Lu, Xu Han, Shihao Yang

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Amazon Web Services（亚马逊网络服务） 纠错

AI总结 ARM通过自适应时间-上下文学习方法提升多变量长期时间序列预测的性能和效率

Comments Camera-ready version. Accepted at ICLR 2024

Journal ref Proceedings of the Twelfth International Conference on Learning Representations (ICLR 2024)

ReFORM: Reflected Flows for On-support Offline RL via Noise Manipulation

ReFORM：通过噪声操控实现支持下的离线强化学习

Songyuan Zhang, Oswin So, H. M. Sabbir Ahmad, Eric Yang Yu, Matthew Cleaveland, Mitchell Black, Chuchu Fan

机构 * MIT（麻省理工学院） ； Boston University（波士顿大学） ； MIT Lincoln Laboratory（麻省理工学院林伍德实验室） 纠错

AI总结 ReFORM通过反射流策略和噪声操控，在离线强化学习中实现更宽松的支持约束，从而在多模态分布下提升策略性能。

Comments 24 pages, 17 figures; Accepted by the fourteenth International Conference on Learning Representations (ICLR 2026)

Improving Set Function Approximation with Quasi-Arithmetic Neural Networks

通过准算术神经网络改进集合函数近似

Tomas Tokar, Scott Sanner

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） 纠错

AI总结 本文提出准算术神经网络（QUANNs），通过引入神经化的柯尔莫戈罗夫均值（NKM）作为可学习的聚合函数，改进集合函数近似，提升模型的表达能力和迁移能力。

Comments To appear at ICLR 2026