ICML

L-MARS: Legal Multi-Agent System with Agentic Search and Citation-Faithfulness Audit

L-MARS：具有协调推理和代理搜索的法律多智能体工作流

Boqin Yuan, Ziqi Wang

机构 * University of Southern California（南加州大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校） 纠错

AI总结 L-MARS是一种多代理检索框架，通过分解查询为结构化子问题，利用代理网络搜索获取证据，并通过验证代理过滤结果，从而在法律问答中实现高准确率。

Comments Accepted at the AI4Law Workshop at ICML 2026

Language as a Wave Phenomenon: Semantic Phase Locking and Interference in Neural Networks

语言作为波的现象：神经网络中的语义相位锁定与干涉

Alper Yıldırım, İbrahim Yücedağ

机构 * Independent Researcher, Türkiye（土耳其独立研究者） ； Department of Computer Engineering, Düzce University, Düzce, Türkiye（杜泽大学计算机工程系） 纠错

AI总结 本文探讨神经序列模型中相位的作用，提出PRISM模型通过复值编码和相位锁定实现语义信息编码，发现相位结构能有效区分同义词对，并展示相位表示在对抗噪声时的鲁棒性。

Comments ICML 2026

InfoFlow KV: Information-Flow-Aware KV Recomputation for Long Context

InfoFlow KV：面向长上下文的信息流感知KV重计算

Xin Teng, Canyu Zhang, Shaoyi Zheng, Danyang Zhuo, Tianyi Zhou, Shenji Wan

机构 * New York University（纽约大学） ； Duke University（杜克大学） 纠错

AI总结 提出将选择性KV重计算建模为信息流问题，利用查询的注意力范数信号识别语义相关且结构上能传播信息的token，并引入信息流引导的块重排序策略，在LLM和VLM基准上优于现有方法。

Comments In proceedings of the 43rd International Conference on Machine Learning (ICML 2026). Project page: https://infoflow-kv.github.io

PhotoAgent: Exploratory Visual Aesthetic Planning with Large Vision Models

PhotoAgent: 带探索性视觉审美规划的代理照片编辑

Mingde Yao, Zhiyuan You, King-Man Tam, Menglu Wang, Tianfan Xue

机构 * MMLab, CUHK（CUHK媒体实验室） ； Shanghai AI Lab（上海AI实验室） ； USTC（中国科学技术大学） ； Institute of Science Tokyo（东京科学研究所） ； CPII under InnoHK（创新香港下的CPII） 纠错

AI总结 PhotoAgent通过探索性视觉审美规划实现自主照片编辑，无需用户逐步提示，提升图像质量和指令遵循度。

Comments ICML 2026 Oral. A fully automated, intelligent photo-editing agent that autonomously plans multi-step aesthetic enhancements, smartly chooses diverse editing tools, and enables everyday users to achieve professional-looking results without crafting complex prompts. Project page: https://mdyao.github.io/PhotoAgent/

Adaptive Time Series Reasoning via Segment Selection

通过片段选择的自适应时间序列推理

Shvat Messica, Jiawen Zhang, Kevin Li, Theodoros Tsiligkaridis, Marinka Zitnik

机构 * harvard（哈佛大学） ； mit（麻省理工学院） ； mitll（MIT林肯实验室） ； hongkong（香港科学与技术大学） 纠错

AI总结 提出ARTIST框架，将时间序列推理建模为序列决策问题，通过控制器-推理器架构和强化学习自适应选择信息片段，提升推理准确率。

Comments ICML 2026

Stabilizing Native Low-Rank LLM Pretraining

稳定原生低秩大语言模型预训练

Paul Janson, Edouard Oyallon, Eugene Belilovsky

机构 * Concordia University, Montreal, Canada（Concordia 大学） ； Mila Quebec AI Institute, Montreal, Canada（Quebec AI 研究院） ； Sorbonne University, CNRS , Paris , France（Sorbonne 大学） 纠错

AI总结 本文提出Spectron方法，通过谱归一化实现稳定原生低秩大语言模型预训练，显著提升推理效率并优化计算资源使用。

Comments Accepted at ICML 2026

To Grok Grokking: Provable Grokking in Ridge Regression

理解Grokking：岭回归中可证明的Grokking现象

Mingyue Xu, Gal Vardi, Itay Safran

机构 * Department of Computer Science, Purdue University, West Lafayette, IN, USA（普渡大学计算机科学系） ； Department of Computer Science（计算机科学系） ； Applied Mathematics, Weizmann Institute of Science, Israel（科学应用数学系，魏茨曼研究院） ； Stein Faculty of Computer（斯坦因计算机科学学院） ； Information Science, Ben-Gurion University of the Negev, Israel（信息科学系，本· Gurion 军事大学） 纠错

AI总结 本文在经典岭回归设置中研究grokking现象，证明使用带权重衰减的梯度下降学习过参数化线性回归模型时，存在过拟合、泛化延迟和最终泛化误差任意小的三个阶段，并首次给出泛化延迟（grokking时间）的严格定量界，同时通过实验表明该界也适用于非线性神经网络。

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

Step-Tagging: Toward controlling the generation of Language Reasoning Models through step monitoring

步骤标记：通过步骤监控控制语言推理模型的生成

Yannis Belkhiter, Seshu Tirupathi, Giulio Zizzo, John D. Kelleher

机构 * IBM Research Europe（IBM欧洲研究院） ； Trinity College Dublin（都柏林信任学院） ； ADAPT Research Centre（ADAPT研究中心） 纠错

AI总结 针对语言推理模型效率低、过度生成推理步骤的问题，提出步骤标记框架，引入ReasonType分类法，可在线监控特定步骤计数以产生早期停止标准，经实验在保持准确性时减少令牌数，为控制模型生成及研究其行为提供新途径和工具。

Comments ICML 2026 Workshop on Resource-Adaptive Foundation Model Inference (AdaptFM), Seoul, South Korea

Skewness-Robust Causal Discovery in Location-Scale Noise Models

位置尺度噪声模型中的偏度稳健因果发现

Daniel Klippert, Alexander Marx

AI总结 研究双变量因果发现问题，提出基于似然的SkewD算法，在位置尺度噪声模型下处理偏态噪声分布，结合启发式搜索和期望条件最大化算法估计参数，在新合成数据集和基准数据集上表现强劲且高偏度下稳健。

Comments Published at the 43rd International Conference on Machine Learning (ICML 2026)