Proteo-R1: Reasoning Foundation Models for De Novo Protein Design
Proteo-R1：用于从头蛋白质设计的推理基础模型
AI总结 针对现有从头蛋白质设计模型缺乏推理能力的问题，本文提出 Proteo-R1 双专家架构框架，通过 MLLM 识别关键功能残基作为硬约束，结合扩散模型实现稳定可解释的蛋白质设计。
Journal ref ICML 2026
期刊&会议
ICML
International Conference on Machine Learning · 会议 · Machine Learning
Energy and Performance Benchmarking of Deep Learning Models for Breast Cancer Detection
用于乳腺癌检测的深度学习模型的能效与性能基准测试
AI总结 本文在乳腺超声、BreakHis 400X 两个数据集上对比七种深度学习模型的能效与性能，发现不同模型在两个数据集上的表现不同，需综合多维度选择医学应用模型。
Comments Accepted at ICMLA 2026 (IEEE International Conference on Machine Learning and Applications). Camera-ready version submitted
Diffract: Spectral View of LLM Domain Adaptation
Diffract：大语言模型领域自适应的谱视角
AI总结 本研究提出Diffract工具包，通过分析持续预训练的大语言模型的权重矩阵奇异值谱，发现可选择性回退低重要性注意力头以提升领域适配性能，实现高效的领域自适应。
Comments Accepted at ICML 2026. Code: https://github.com/Risk-AI-Research/diffract
Toward Human Rights Benchmarking for LLMs: A Pilot Methodology
面向大语言模型的人权基准测试：一种试点方法
AI总结 该研究开发了首个经专家验证的人权基准HumRightsBench，调整IRAC框架为IRAP，通过真实场景测试LLMs的人权推理能力，发现模型准确率差异显著，可推动AI评估科学发展。
Comments Best paper, honorable mention, at the ICML 2026 Workshop on AI4Law, Seoul, South Korea
Position: We Need Large Language Models Optimized For Our Well-Being
立场：我们需要针对人类福祉优化的大语言模型
AI总结 本文指出大语言模型因追求即时认可出现谄媚问题，提出需开发针对长期福祉结果优化的可选大语言模型福祉模式，明确其设计的三大核心张力。
Comments Accepted to the ICML 2026 Position Paper Track
Position: The Inevitable Transition to Machine Learning in Quantum Chemistry
量子化学中向机器学习的必然转变
机构 * Institute of Chemistry, Academia Sinica, Taipei, Taiwan（中国科学院化学研究所）
AI总结 量子多体问题精确解计算难，传统方法发展遇瓶颈，机器学习被认为是量子化学最有前途的方向，它不受问题本质限制，近期传统方法可视为“手工制作机器学习”，虽有挑战但有路径，应获战略优先。
Comments Accepted as a position paper at ICML 2026. OpenReview forum: https://openreview.net/forum?id=Mq1oTEIwp4
Journal ref Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026
Foundations of Equivariant Deep Learning: Unifying Graph and Sheaf Neural Networks
等变深度学习基础：统一图神经网络和层神经网络
AI总结 扩展几何深度学习利用更丰富对称结构，开发等变神经网络，刻画线性等变映射，构建层并证明连续等变映射的通用逼近定理，还扩展到范畴等变神经网络，给出等变神经网络通用形式及定理。
Comments Accepted at ICML 2026 as a spotlight paper with oral presentation
The Truth Stays in the Family: Enhancing Contextual Grounding via Inherited Truthful Heads in Model Lineages
真相留在家族中：通过模型谱系中继承的真相头增强上下文基础
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 研究发现基础LLM与下游变体间存在上下文真相分数的强继承性，提出TruthProbe软门控策略放大真相头以提升上下文真实性并减少多模态幻觉。
Comments Accepted at ICML 2026
Dissect and Prune: Enhancing Robustness in AI-Generated Image Detection
剖析与剪枝：增强AI生成图像检测的鲁棒性
机构 * Korea AI Safety Institute (AISI), ETRI, Seongnam, South Korea（韩国人工智能安全研究所（AISI）、ETRI、Seongnam韩国） ； Department of Artificial Intelligence, Sungkyunkwan University, Suwon, South Korea（人工智能系，全州大学，Suwon韩国）
AI总结 针对AI生成图像检测器对真实类别的预测偏差问题，提出DEAR方法，利用修复图像识别并剪除干扰特征，从而提升对未知生成器和后处理的鲁棒性。
Comments Accepted to ICML 2026. 26 pages, 9 figures, 9 tables. Includes appendix
Where Flow Matching Leaks: Characterising Membership Signals Along the Interpolation Path
整流流泄漏之处：沿插值路径表征成员信号
机构 * University of Amsterdam（阿姆斯特丹大学）
AI总结 本文分析整流流（Rectified Flows）在插值路径上的训练数据成员信号，发现训练与测试数据的重建差异呈钟形曲线，并在高斯假设下推导出峰值位置，验证了该结构的普适性，并利用其进行成员推断攻击。
Comments ICML 2026 article, 9 main pages and 25 with annexes, 11 figures
Journal ref 43rd International Conference on Machine Learning, Seoul, South Korea, 2026
Taming the Loss Landscape of PINNs with Noisy Feynman-Kac Supervision: Operator Preconditioning and Non-Asymptotic Error Bounds
驯服带噪声Feynman-Kac监督的PINN损失景观：算子预条件与非渐近误差界
机构 * Department of Data Science, City University of Hong Kong（香港城市大学数据科学系） ； Department of Mathematics, City University of Hong Kong（香港城市大学数学系）
AI总结 通过引入点态数据保真项作为算子级预条件，显著改善PINN的损失景观条件数，并基于Feynman-Kac表示生成标签，提出FK-PINN方法，推导了梯度下降下的非渐近误差界。
Comments v2: discusses additional related works; final version accepted at ICML 2026
On Effectiveness and Efficiency of Agentic Tool-calling and RL Training
论智能体工具调用与强化学习训练的有效性与效率
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学）
AI总结 本文系统分析工具调用评估中的实现选择对结果敏感性的影响，并针对强化学习训练中的计算浪费提出两种加速技术。
Comments ICML 2026
From Talking to Singing: A New Challenge for Audio-Visual Deepfake Detection
从说话到唱歌：音视频深度伪造检测的新挑战
机构 * Center for Future Media, School of Computer Science and Engineering, University of Electronic Science and Technology of China（未来媒体中心，计算机科学与工程学院，电子科技大学）
AI总结 针对现有音视频深度伪造检测方法在唱歌场景中性能下降的问题，提出文本引导的音视频伪造检测框架（T-AVFD），通过面部真实性模式学习和多模态差异权重学习，在说话和唱歌场景中均实现鲁棒检测。
Comments Accepted by ICML 2026
When Does Critique Improve AI-Assisted Theoretical Physics? SCALAR: Structured Critic--Actor Loop for Agentic Reasoning
当批评如何提升AI辅助理论物理？SCALAR：用于代理推理的结构化批评-代理循环
机构 * Department of Physics, CCTP ； ITCP, University of Crete, 71303, Greece ； Centre for Theoretical Physics, Department of Physics ； Astronomy, Queen Mary University of London, London E1 4NS, United Kingdom ； Theoretical Physics Department, CERN, Geneva, Switzerland
AI总结 本文研究了研究人员与代理交互对AI辅助理论物理研究的影响，通过SCALAR框架评估不同交互结构对科学发现的促进作用。
Comments V2. Expanded experiments. Accepted at ICML 2026 Workshop (AI4Physics); 18 pages; 9 figures
ADIOS: Antibody Development via Opponent Shaping
ADIOS：通过对手塑造进行抗体开发
机构 * FLAIR, Foerster Lab for AI Research（FLAIR人工智能研究实验室） ； Department of Engineering, University of Oxford, Oxford, UK（牛津大学工程系） ； Department of Biomedicine, University of Basel, Basel, Switzerland（巴塞尔大学生物医学系） ； Isomorphic Labs, London, UK（Isomorphic实验室） ； Epsilogen Ltd., London, UK（Epsilogen有限公司）
AI总结 ADIOS通过对手塑造方法设计抗体，使抗体不仅抵御未来变异，还能影响其进化方向，提升抗病毒治疗效果。
Comments Accepted at ICML 2025
Journal ref Proceedings of the 42nd International Conference on Machine Learning (ICML 2025), PMLR 267
Can Computational Reducibility Lead to Transferable Models for Graph Combinatorial Optimization?
计算可约性能否导致图组合优化的可迁移模型？
机构 * Operations Research, Université de Montréal（运营研究，蒙特利尔大学） ； Mila – Quebec AI Institute（魁北克人工智能研究所） ； Valence Labs（Valence实验室） ； Dept. of Mathematics, Boise State University（数学系，博伊州立大学）
AI总结 本文提出了一种基于计算可约性的方法，通过表达性消息传递和预训练策略，在图组合优化中实现跨任务的可迁移模型。
Comments Accepted at ICML 2026; 20 pages, 2 figures, 15 tables
On the Condition Number Dependency in Bilevel Optimization
关于双层优化中条件数依赖性的研究
机构 * IIIS, Tsinghua University（清华大学信息学院）
AI总结 本文针对非凸上层、强凸下层的双层优化问题，建立了条件数依赖性的下界，揭示了双层与极小极大优化在条件数依赖上的首次可证明差距。
Comments v4 is a merge with v3 (Chen and Zhang) and https://arxiv.org/abs/2511.19656 (Ji, ICML 2026)
URS: A Unified Neural Routing Solver for Cross-Problem Zero-Shot Generalization
URS：一种面向跨问题零样本泛化的统一神经路由求解器
机构 * School of Automation and Intelligent Manufacturing, Southern University of Science and Technology, Shenzhen, China（自动化与智能制造学院，南方科技大学，深圳，中国） ； Guangdong Provincial Key Laboratory of Fully Actuated System Control Theory and Technology, Southern University of Science and Technology, Shenzhen, China（广东省全驱动系统控制理论与技术重点实验室，南方科技大学，深圳，中国） ； College of Computer Science and Software Engineering, Shenzhen University, Shenzhen, China（计算机科学与软件工程学院，深圳大学，深圳，中国） ； Department of Computer Science, City University of Hong Kong, Hong Kong SAR, China（计算机科学系，香港城市大学，香港特别行政区，中国） ； School of Mathematics and Statistics, Xi'an Jiaotong University, Xi'an, China（数学与统计学学院，西安交通大学，西安，中国）
AI总结 提出URS，一种统一神经路由求解器，通过统一数据表示和混合偏置模块，实现单个模型在110种车辆路径问题变体（含99种未见变体）上的零样本泛化，并支持高达7000节点的规模。
Comments accepted by ICML 2026
