期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
MoSE: 混合可瘦身专家实现高效自适应语言模型
机构 * Mohamed bin Zayed University of Artificial Intelligence (MBZUAI), UAE（Mohamed bin Zayed人工智能大学（MBZUAI）） ； Michigan State University (MSU), USA（密歇根州立大学（MSU）） ； Amazon Science, UK（亚马逊科学）
AI总结 提出MoSE架构，每个专家具有可变宽度的嵌套结构，支持在推理时连续调节精度-计算权衡，通过多宽度训练和轻量级测试时训练实现高效自适应。
Comments Accepted to ICML 2026
部分环形扫描：重新审视视觉状态空间模型中的扫描顺序
机构 * College of Artificial Intelligence（人工智能学院） ； National Yang Ming Chiao Tung University（国立阳明交通大学） ； Mitsubishi Electric Research Labs（三菱电机研究实验室） ； Computer Science Department（计算机科学系） ； University at Albany, SUNY, NY, USA（纽约州立大学阿尔巴尼分校）
AI总结 提出PRISMamba，通过环形扫描和部分通道滤波提升视觉状态空间模型的旋转鲁棒性和效率，在ImageNet-1K上达到84.5% Top-1精度。
Comments Accepted to the 43rd International Conference on Machine Learning (ICML 2026)
最大化相对改进：将公平学习视为讨价还价问题
机构 * Department of Statistics, University of Michigan, Ann Arbor, USA（密歇根大学统计学系，安阿伯，美国）
AI总结 提出将群体公平解释为子群体间的讨价还价问题，通过相对改进指标恢复Kalai-Smorodinsky解，并给出公理化和有限样本收敛保证。
Comments Accepted at ICML 2026
R1-SyntheticVL：生成模型的合成数据是否已为多模态大语言模型做好准备？
机构 * Hong Kong Polytechnic University（香港理工大学） ； Nanyang Technological University（南洋理工大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学）
AI总结 提出集体对抗数据合成（CADS）方法，通过集体智能和对抗学习自动生成高质量、多样且具有挑战性的多模态数据，用于增强多模态大语言模型（MLLM）在复杂现实任务中的性能。
Comments ICML 2026 Camera Ready
先澄清再绘制：面向鲁棒文本到CAD生成的主动式智能体
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出主动式智能体框架ProCAD，通过澄清代理在代码生成前解决用户提示中的歧义，再通过CAD编码代理生成可执行程序，显著提升鲁棒性，平均Chamfer距离降低79.9%。
Comments ICML 2026
对抗攻击利用特征叠加中的干扰
机构 * Department of Computer Science, Imperial College London, London, United Kingdom（帝国理工学院伦敦校区计算机科学系）
AI总结 本文揭示神经网络中特征叠加导致的干扰是对抗脆弱性的根源，通过理论推导和实验验证了干扰模式决定攻击成功与迁移性。
Comments Forty-third International Conference on Machine Learning
代码的回归语言模型
机构 * Cornell University（康奈尔大学） ； Google DeepMind（谷歌DeepMind） ； Google Cloud（谷歌云）
AI总结 提出回归语言模型（RLM），利用冻结的大语言模型编码器直接从文本预测代码执行结果（如内存占用、延迟、神经网络精度等），在多个任务上达到高相关度。
Comments Published in International Conference on Machine Learning (ICML) 2026
Moving Out: 基于物理的人机协作
机构 * University of Virginia（弗吉尼亚大学）
AI总结 提出Moving Out基准测试，模拟物理约束下的协作场景，并开发BASS方法增强智能体多样性及动作理解，实验证明其与未见过的AI和人类均能有效协作。
Comments Accepted at ICML 2026
现实中的思维链推理并不总是忠实的
机构 * Poseidon Research（Poseidon研究）
AI总结 研究发现，在自然语言提示下，模型有时会生成表面连贯但自相矛盾的思维链，揭示出隐含的事后合理化现象，且前沿模型也未能完全避免。
Comments Published at the 43rd International Conference on Machine Learning (ICML 2026)
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈