ICML

Socially Grounded Agentic AI: Coordinating Plural Perspectives through Social Theory

基于社会基础的智能体人工智能：通过社会理论协调多元视角

Matt Ratto, Abhishek Moturu, Daniel Silver

AI总结 本文提出将社会理论用于人工智能系统设计，以解决多元对齐问题，将多元对齐重新定位为基于社会基础的协调问题，勾勒了相关系统的设计空间并指明未来研究方向。

Comments Pluralistic Alignment Workshop @ ICML 2026, Seoul, South Korea

Learning Clinical-Trial Strategy: Offline Policy Training for Decision Agents

临床试验策略学习：面向决策智能体的离线策略训练

William Bolton, Philip Torr

AI总结 本研究将肿瘤学临床开发建模为离线决策问题，构建时间数据集，对比4种离线目标与4种LLM智能体，发现奖励加权行为克隆表现最优，证明结构化离线学习可用于规划临床实验。

Comments Accepted for a spotlight at the ICML 2026 Workshop on Generative and Agentic AI for Biology (GenBio) and as a poster at the ICML 2026 Workshop on Decision-Making from Offline Datasets to Online Adaptation: Black-Box Optimization to Reinforcement Learning (DEMO). 15 pages, 3 figures, 11 tables

Adversarial Fast-Moving Real-World Domains as Test Beds for Benchmarking AI Scientist Capabilities

对抗性快速变化的真实世界领域：用于基准测试AI科学家能力的测试床

William Bolton, Philip Torr

AI总结 该研究提出以F1、MTG等对抗性快速变化的真实世界领域为测试床，发现AI科学家的核心能力差距是想法过滤、优先级排序而非生成。

Comments Accepted at the AI for Science workshop at ICML 2026. 14 pages, 11 figures

Emergence of Biased Consensus in Multi-Agent LLM Debates

多智能体LLM辩论中偏向性共识的涌现

Maya Okawa

AI总结 该研究针对多智能体LLM辩论中集体偏向性共识的涌现问题，提出物理启发的社会动力学分析框架，经实验验证其相变规律，发现智能体异质性可抑制该现象，且见解可推广至投资等现实决策任务。

Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026). 23 pages, 12 figures

Can Training Logs Make Model Comparisons More Precise?

训练日志能让模型比较更精确吗？

Wei-Jung Huang

AI总结 该研究探讨训练日志能否提升随机训练模型比较的精度，采用针对各模型的协变量调整方法，经视觉实验发现早期训练日志的简单调整可降低比较不确定性，但协变量选择的噪声会限制效果。

Comments Accepted at the ICML 2026 Workshop on Hypothesis Testing

Journal ref The ICML 2026 Workshop on Hypothesis Testing

LLMs Can Annotate Attribution Graphs

大型语言模型（LLMs）可对归因图进行标注

Ameen Patel, Max Zhang, Nathan Hu

AI总结 该研究提出一种LLM自动化流程，可将特征分组为超级节点标注归因图，其效果与人类标注相当，在两跳首都任务中准确率达97%，还可用于开放式探索，推动自动化电路追踪研究。

Comments Poster at ICML Mechanistic Interpretability Workshop 2026