ICML

The Perceptual Bandwidth Bottleneck in Vision-Language Models: Active Visual Reasoning via Sequential Experimental Design

视觉语言模型中的感知带宽瓶颈：通过顺序实验设计实现主动视觉推理

Anjie Liu, Ziqin Gong, Yan Song, Yuxiang Chen, Xiaolong Liu, Hengtong Lu, Kaike Zhang, Chen Wei, Jun Wang

机构 * The Hong Kong University of Science（香港科学与技术大学） ； University College London, London, United Kingdom（伦敦大学学院, 英国伦敦） ； ShanghaiTech University, Shanghai, China（上海科技大学, 中国上海） ； AI Lab, The Yangtze River Delta, China（人工智能实验室, 长江三角洲, 中国） 纠错

AI总结 本文提出通过顺序贝叶斯最优实验设计实现主动视觉推理，解决视觉语言模型中感知带宽瓶颈问题，提升高分辨率视觉推理能力。

Comments 27 pages, 5 figures, accepted at ICML 2026

SLQ: Bridging Modalities via Shared Latent Queries for Retrieval with Frozen MLLMs

SLQ：通过共享潜在查询桥接模态以实现冻结MLLMs的检索

Haoran Lou, Ziyan Liu, Chunxiao Fan, Yuexin Wu, Yue Ming, Hao Wu, Kai Zuo, Yibo Chen, Xu Tang

机构 * School of Electronic Engineering, Beijing University of Posts（北京邮电大学电子工程学院） ； Xiaohongshu Inc., China（小红书公司） 纠错

AI总结 SLQ通过冻结MLLMs的主干，引入共享潜在查询提升多模态检索性能，实验显示其在多个基准上表现优异。

Comments Accepted to ICML-2026

Self-Debias: Self-correcting for Debiasing Large Language Models

Self-Debias：为大型语言模型引入自我纠正的去偏方法

Xuan Feng, Shuai Zhao, Luwei Xiao, Tianlong Gu, Bo An

机构 * Jinan University, China（济南大学，中国） ； Nanyang Technological University, Singapore（南洋理工大学，新加坡） 纠错

AI总结 本文提出Self-Debias框架，通过资源再分配策略使模型具备自我纠正能力，以解决去偏过程中持续的偏见传播问题，无需外部干预即可提升去偏效果。

Comments ICML 2026

Spectrally-Guided Diffusion Noise Schedules

基于光谱引导的扩散噪声调度

Carlos Esteves, Ameesh Makadia

机构 * Google Research（谷歌研究） 纠错

AI总结 本文提出基于图像光谱特性设计实例特定噪声调度的方法，通过理论界限优化噪声级别，提升单阶段像素扩散模型生成质量，尤其在低步数情况下表现更佳。

Comments Accepted to ICML'26

Can Recommender Systems Teach Themselves? A Recursive Self-Improving Framework with Fidelity Control

推荐系统能否自我教学？一种递归自我改进框架与保真度控制

Luankang Zhang, Hao Wang, Zhongzhou Liu, Mingjia Yin, Yonghao Huang, Jiaqi Li, Wei Guo, Yong Liu, Huifeng Guo, Defu Lian, Enhong Chen

AI总结 本文提出递归自我改进推荐框架RSIR，通过闭环机制自主提升性能，克服数据稀疏性问题，实验证明其在多个基准和架构上的有效性。

Comments Accepted to ICML 2026

MEG-XL: Data-Efficient Brain-to-Text via Long-Context Pre-Training

MEG-XL：通过长上下文预训练实现数据高效的脑-文本转换

Dulhan Jayalath, Oiwi Parker Jones

机构 * PNPL assets/pnpl.png , University of Oxford（PNPL资产/pnpl.png，牛津大学） 纠错

AI总结 MEG-XL通过长上下文预训练提升数据效率，利用2.5分钟的MEG上下文捕捉扩展神经上下文，优于传统方法，在脑数据词解码任务中表现更优。

Comments Published as a conference paper at ICML 2026. 19 pages, 8 figures, 5 tables

Hidden Heroes and Gradient Bloats: Layer-Wise Redundancy Inverts Attribution in Transformers

隐性英雄与梯度膨胀：层间冗余在Transformer中的反向归因

Donald Ye

机构 * Department of Computer Science, Fu Foundation School of Engineering and Applied Science, Columbia University, New York, NY, USA（计算机科学系，工程与应用科学基金会学院，哥伦比亚大学，纽约，纽约州，美国） 纠错

AI总结 研究揭示Transformer中梯度归因方法在层间冗余下的系统性失效，早期层的梯度膨胀被高估，晚期层的隐性英雄被低估，导致归因可靠性下降。

Comments 9 pages, 6 figures, under review at ICML 2026 Workshop on Mechanistic Interpretability

Less Diverse, Less Safe: The Indirect But Pervasive Risk of Test-Time Scaling in Large Language Models

多样性越低，安全性越差：大规模语言模型测试时缩放的间接但广泛的风险

Shahriar Kabir Nahin, Hadi Askari, Muhao Chen, Anshuman Chhabra

机构 * Bellini College of AI, Cybersecurity, and Computing（人工智能、网络安全与计算学院） ； University of South Florida, Tampa, Florida, USA（佛罗里达州塔帕斯大学） ； University of California, Davis, California, USA（加州大学戴维斯分校） 纠错

AI总结 本文揭示了测试时缩放（TTS）中多样性降低导致安全风险增加的问题，提出RefDiv协议用于检测TTS管道中的漏洞，并发现现有安全防护措施对此类风险效果有限。

Comments Accepted to ICML 2026

Compute as Teacher: Turning Inference Compute Into Reference-Free Supervision

计算作为教师：将推理计算转化为无参考监督

Dulhan Jayalath, Shashwat Goel, Thomas Foster, Parag Jain, Suchin Gururangan, Cheng Zhang, Anirudh Goyal, Alan Schelten

机构 * University of Oxford（牛津大学） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； Meta Superintelligence Labs（元宇宙超级智能实验室） 纠错

AI总结 本文提出计算作为教师框架，通过推理计算生成参考估计，实现无监督学习，尤其在非可验证领域如医疗指导中表现优异，测试时计算开销减少9倍。

Comments Published as a conference paper at ICML 2026. 23 pages, 6 figures, 12 tables

Overcoming Multi-step Complexity in Multimodal Theory-of-Mind Reasoning: A Scalable Bayesian Planner

克服多步复杂性以实现多模态理论思维推理：一种可扩展的贝叶斯规划器

Chunhui Zhang, Zhongyu Ouyang, Kwonjoon Lee, Nakul Agarwal, Sean Dae Houlihan, Soroush Vosoughi, Shao-Yuan Lo

机构 * Dartmouth College（达特茅斯学院） ； Honda Research Institute USA（本田美国研究院） 纠错

AI总结 本文提出了一种可扩展的贝叶斯理论思维规划器，通过分步贝叶斯更新分解理论思维推理，利用弱到强控制使小语言模型专精于理论思维似然估计，并将其推理行为转移给大语言模型，从而在多模态理论思维基准测试中实现4.6%的准确率提升。

Comments Accepted as a Spotlight at the 2025 Forty-Second International Conference on Machine Learning (ICML 2025)

Belief or Circuitry? Causal Evidence for In-Context Graph Learning

信念还是电路？基于因果证据的上下文图学习

Katharine Kowalyshyn, Timothy Duggan, Daniel Little, Michael C Hughes

机构 * Department of Computer Science, Tufts University, Medford, United States（计算机科学系，塔夫茨大学，梅德福，美国） 纠错

AI总结 本文通过玩具图随机游走任务探讨LLM上下文学习机制，发现单一模式匹配或局部结构推断无法解释结果，提出双机制模型更符合数据。

Comments Under review at ICML Mechanistic Interpretability Workshop 2026

Towards Universal Gene Regulatory Network Inference: Unlocking Generalizable Regulatory Knowledge in Single-cell Foundation Models

迈向通用基因调控网络推断：在单细胞基础模型中解锁可泛化的调控知识

Jiaxin Qi, Hang Li, Yan Cui, Yuhua Zheng, Jianqiang Huang

机构 * Computer Network Information Center, Chinese Academy of Sciences, Beijing, China（中国科学院计算机网络信息中心，北京，中国） ； Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences, Hangzhou, China（中国科学院大学杭州高等研究院，杭州，中国） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国） 纠错

AI总结 本文提出两种新方法，通过单细胞基础模型提取隐含的调控信息，提升基因调控网络推断的泛化能力，实验表明优于现有方法。

Comments Accepted to the 43rd International Conference on Machine Learning (ICML 2026)