Verifying Meta-Awareness via Predictive Rewards in Reasoning Models
通过推理模型中的预测奖励验证元意识
机构 * Yoonjeon Kim, Doohyuk Jang, Eunho Yang
AI总结 提出 MAPR 方法，利用自生成任务预测推理统计量（长度、通过率、概念）来增强模型的元意识，从而在多个数学推理基准上显著提升准确率和训练效率。
Comments accepted to ICML 2026
期刊&会议
ICML
International Conference on Machine Learning · 会议 · Machine Learning
Simultaneous Multi-objective Alignment Across Verifiable and Non-verifiable Rewards
同时多目标对齐：可验证与不可验证奖励
机构 * ucsd（加州大学圣地亚哥分校）
AI总结 提出MAHALO框架，通过标准化PRM训练、多动作头DPO和PRM引导解码，实现大语言模型在可验证与不可验证奖励上的多目标对齐，减少目标冲突并支持推理时控制。
Comments ICML 2026
Query Circuits: Explaining How Language Models Answer User Prompts
查询电路：解释语言模型如何回答用户提示
机构 * University of Oxford（牛津大学）
AI总结 提出查询电路方法，通过直接追踪模型内部信息流来忠实解释特定输入如何产生输出，并引入归一化偏差忠实度（NDF）度量及采样方法实现稀疏电路发现。
Comments Accepted to ICML 2026
T-POP: Test-Time Personalization with Online Preference Feedback
T-POP：基于在线偏好反馈的测试时个性化
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； East China Normal University（华东师范大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； Tianjin University（天津大学） ； The Chinese University of Hong Kong（香港中文大学） ； Beihang University（北京航空航天大学） ； City University of Hong Kong（香港城市大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州））
AI总结 针对新用户冷启动问题，提出T-POP算法，通过在线成对偏好反馈和决斗式强盗机制，在不更新模型参数的情况下实时学习用户偏好并引导解码过程，实现快速数据高效的个性化。
Comments Accepted to ICML 2026
Off-Policy Learning in Large Action Spaces: Optimization Matters More Than Estimation
大动作空间中的离线策略学习：优化比估计更重要
机构 * Criteo AI Lab（Criteo AI实验室）
AI总结 本文研究离线上下文强盗中的离线策略学习，发现现有方法在大动作空间中面临严重优化问题，提出使用加权对数似然目标可改善优化并取得竞争性策略。
Comments ICML '26
Skill-Based Mixture-of-Experts: Adaptive Routing for Heterogeneous Reasoning via Inferred Skills
基于技能的混合专家模型：通过推断技能实现异构推理的自适应路由
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出Skill-MoE框架，通过推断查询所需技能进行实例级专家选择，并采用批推理策略降低开销，在单GPU上集成16个专家模型，在多个推理基准上平均提升8.15%。
Comments ICML 2026 (Camera-Ready). The first three authors contributed equally. Project Page: https://skill-moe.github.io/
Global Convergence of Adaptive Sensing for Principal Eigenvector Estimation
主特征向量估计的自适应传感的全局收敛性
机构 * School of Electrical and Computer Engineering, Georgia Institute of Technology, Atlanta, GA, USA（电子与计算机工程学院，佐治亚理工学院，亚特兰大，GA，USA）
AI总结 本文分析Oja算法的一种压缩变体，利用每样本两个自适应测量估计协方差矩阵的主特征向量，证明了期望正弦平方误差的收敛速率并给出信息论下界，揭示了压缩带来的维度代价。
Comments Accepted at ICML 2026. 34 pages (9 main text + appendices), 4 figures, 2 tables. v2 (camera-ready) adds a matching information-theoretic lower bound and a non-adaptive lower-bound separation across three powers of d; substantially revised from v1
Position: Neglecting the Sustainability of AI is Fuelling a Global AI Arms Race
立场：忽视人工智能的可持续性正在助长全球人工智能军备竞赛
机构 * Department of Computer Science, University of Copenhagen, Denmark（丹麦哥本哈根大学计算机科学系） ； Robotics Section, IT University of Copenhagen, Denmark（丹麦哥本哈根IT大学机器人学系）
AI总结 本文指出当前AI可持续性讨论忽视经济和社会维度，提出通过调和气候意识与资源意识、引入CARAML框架来遏制全球AI军备竞赛。
Comments Accepted to be presented at ICML 2026. Source code at https://github.com/saintslab/caraml
Safety Must Precede the Deployment of Open-Ended AI
安全必须优先于开放式AI的部署
机构 * CISPA-Helmholtz Center of Information Security（CISPA-海德堡信息安全中心） ； MPI for Intelligent Systems, ELLIS Institute Tübingen, Tübingen AI Center（智能系统Max Planck研究所、图宾根ELLIS研究所、图宾根人工智能中心）
AI总结 本文提出开放式AI系统因自主无限生成新行为而带来预测性丧失、新兴错位和控制困难等独特安全挑战，需在部署前主动研究，并给出挑战分类和研究方向。
Comments Accepted to ICML'26
Stability Analysis of Sharpness-Aware Minimization
锐度感知最小化的稳定性分析
机构 * Chung-Ang University, South Korea（Chung-Ang 大学，韩国） ； Korea Institute for Advanced Study, South Korea（韩国高级研究院） ； Ulsan National Institute of Science（乌山国家科学研究院） ； Nanyang Technological University (NTU), Singapore（南洋理工大学（NTU），新加坡） ； Seoul National University, South Korea（首尔国立大学，韩国）
AI总结 研究SAM在鞍点附近的收敛不稳定性，通过动力系统理论证明鞍点成为吸引子，并发现动量与批次大小可缓解该问题。
Comments Accepted to ICML 2026
