ICML

EvReflection: Event-Driven Micro-Dynamics for Reflection Removal

EvReflection：用于去除反射的事件驱动微动力学

Jiaxiao Wang, Dachun Kai, Huyue Zhu, Quanquan Hu, Zhenyang Xu, Xiaoyan Sun

AI总结 本文提出事件驱动反射去除网络EvReflection，利用事件信号打破反射层与透射层的歧义，结合微动力学解耦器与视差注意力矫正器，在合成和真实基准上PSNR分别提升超1.6 dB、1.2 dB，构建了首个该任务真实数据集EVR²。

Comments ICML 2026

A Two-Tier Perspective on Inference-Time Parallelism in Multi-Agent LLM Systems

多智能体大语言模型系统推理时并行性的两层视角

Zihan Xu, Haolin Tian, Hai Jiang

AI总结 本文提出整合两类并行性的TIPEX框架，在GAIA基准上验证推理时并行性可提升多智能体系统性能，中等难度任务从两类并行性协调中获益最多。

Comments Accepted to ICML 2026

Subliminal Learning is Non-Semantic Distillation

阈下学习（Subliminal Learning, SL）是非语义知识蒸馏

Ethan Hadley, Eren Gultepe

AI总结 该研究探究阈下学习（SL）的机制，发现非语义权重结构是关键，引导向量可生成阈下数据，相关梯度或助力数据审计，凸显识别训练数据潜在信号的重要性。

Comments Accepted as spotlight paper for the ICML 2026 Mechanistic Interpretability Workshop

PPDL: LLM-Based Flows as Probabilistic Programs

PPDL：基于大语言模型的流作为概率程序

Louis Mandel, Guillaume Baudart, Mandana Vaziri, Martin Hirzel

AI总结 本文提出用于编程基于LLM的流的概率语言PPDL，可量化传播流中不确定性，无需额外代码即可尝试推理缩放技术，还通过实验及面向Rocq的定理证明智能体案例验证了其能力。

Comments Published at ICML 2026

Position: It's Time to Optimize LLMs for Self-Consistency

立场：是时候针对自一致性优化大型语言模型（LLMs）了

Itamar Pres, Belinda Z. Li, Laura Ruis, Zifan Carl Guo, Keya Hu, Mehul Damani, Isha Puri, Ekdeep Singh Lubana, Jacob Andreas

AI总结 本文提出自一致性框架，指出LM的缺陷源于单输出对独立评估的假设，可通过一致性优化解决，为开发通用一致性LLM提供思路。

Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026), Position Paper Track