ICML

Not All Eval-Awareness Is Equal: Capabilities Framing Predicts Compliance

并非所有评估感知都等同：能力框架预测合规性

Allison Zhuang, Santiago Aranguri

机构 * ENS Paris-Saclay（巴黎萨克雷高等师范学校） ； Goodfire AI 纠错

AI总结 该研究发现评估感知的框架类型会显著影响模型合规性，能力导向型框架的合规性远高于安全导向型，且评估感知并非行为均匀的单一量，总抑制率变化不代表安全相关部分同步变化。

Comments 5 pages (14 appendices), 5 figures, presented at 2026 ICML Mechanistic Interpretability Workshop

MM-Spectrum: Multimodal Multi-spectral Molecular Structural Elucidation with a Stable MoE Framework

MM-Spectrum：基于稳定MoE框架的多模态多光谱分子结构解析

Hai-tao Yu, Nan Min, Zheng Fang, Hongyu Zhan, Yusen Tan, Yuhan Wang, Jun Xia

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Southeast University（东南大学） ； Fudan University（复旦大学） 纠错

AI总结 针对多光谱序列直接连接的性能下降问题，提出MM-Spectrum稳定MoE框架，引入模态感知路由与异质专家，在分子结构解析的多模态设置下取得显著改进。

Comments Accepted to ICML 2026

FOCUS & RePAIR: Mitigating Text Degeneration via Token-Level Guidance for Pruned Large Language Models

FOCUS与RePAIR：针对剪枝后的大语言模型，通过令牌级引导缓解文本退化问题

Junyoung Lee, Sehyeon Park, Shinhyoung Jang, Seonha Ryu, Hojeong Kim, Hyunsei Lee, Il Hong Suh, Yeseong Kim

机构 * POSTECH（浦项科技大学） ； Daegu Gyeongbuk Institute of Science and Technology (DGIST)（大邱庆北科学技术院） ； Hanyang University（汉阳大学） 纠错

AI总结 该研究针对剪枝后大语言模型的文本退化问题，提出FOCUS与RePAIR两种令牌级引导微调方法，在两类生成任务上均有效减少重复并提升生成质量。

Comments Accepted to ICML 2026 as a Spotlight

Structured Evidence Routing for Incident Risk Prediction from Multimodal Longitudinal EHRs

面向多模态纵向电子健康记录（EHR）的事件风险预测的结构化证据路由

Animesh Agarwal, Meysam Ghaffari, Nina Fatehi, Carlos Morato

机构 * Optum AI（奥普姆人工智能部门） ； UnitedHealth Group（联合健康集团） 纠错

AI总结 该研究针对多模态纵向EHR的事件风险预测难题，提出结构化证据路由方法，经5项1年期诊断任务验证，其AUROC达到现有基线水平、AUPRC具竞争力，还可提供患者特定证据轨迹。

Comments Accepted at the ICML 2026 Workshop on Structured Data for Health (SD4H), Seoul, South Korea

Position Is All You Need: A Free Lunch Token Compression Strategy for MLLM-based Referring Expression Segmentation

位置即你所需：一种用于基于多模态大语言模型的指代表达分割的免费午餐式令牌压缩策略

Yuhan Liu, Yixiong Zou, Yuhua Li, Ruixuan Li

AI总结 针对基于多模态大语言模型的指代表达分割任务的计算开销瓶颈，提出仅依赖位置信息的即插即用无训练令牌压缩方法PAYN，性能优于现有方法。

Comments Accepted by ICML 2026

Evaluating Language Models in Realistic Conversational Contexts

在真实对话语境中评估语言模型

Ilija Subasic, Andrew Rabinovich, Zhao Chen

AI总结 该研究针对现有对话评估框架的不足，推出UPHELD基准，开发混合评判者框架，提升了对话评估与人类判断的相关性，为LLM对话评估提供了稳健基础。

Comments International Conference on Machine Learning 2026

FIRSTPASS: A Multi-Domain, Multi-Round Peer Review Dataset Grounded in Real Editorial Outcomes

FIRSTPASS：基于真实编辑结果的多领域多轮同行评审数据集

Prabhjot Singh, Somnath Luitel, Manmeet Singh, Josh Durkee

AI总结 该研究推出首个多领域多轮同行评审数据集FIRSTPASS，填补现有数据集学科单一的空白，为跨学科AI科学判断提供可复现的基准测试资源。

Comments Accepted at the AI for Science Workshop at the 43rd International Conference on Machine Learning (ICML 2026), 3 pages, 1 figure, 1 table

DeflectBench: A Benchmark for Evaluating Rhetorical Fallacy Generation in LLMs

DeflectBench：评估大语言模型中修辞谬误生成的基准

Art Kanke

AI总结 DeflectBench评估四个前沿大语言模型在三种修辞谬误生成任务中的表现，发现拒绝率主要由提示框架和谬误类型决定，教育辩论教练提示可大幅降低拒绝率，且各模型的合规行为分布存在差异。

Comments 15 pages. Accepted at the CTB, FAGEN, and AI4GOOD workshops at ICML 2026 in Seoul, South Korea. Code and dataset: this https URL (https://github.com/ArtKanke/DeflectBench)

Aitchison Embeddings for Learning Compositional Graph Representations

用于学习组合图表示的Aitchison嵌入

Nikolaos Nakis, Chrysoula Kosma, Panagiotis Promponas, Michail Chatzianastasis, Giannis Nikolentzos

机构 * Human Nature Lab, Yale University, New Haven, USA（耶鲁大学人类本质实验室） ； Yale Institute for Network Science, Yale University, New Haven, USA（耶鲁大学网络科学研究所） ； Université Paris Saclay, Université Paris Cité, ENS Paris Saclay, CNRS, SSA, INSERM, Centre Borelli, Gif-sur-Yvette, France（巴黎萨克雷大学、巴黎城市大学、巴黎萨克雷高等师范学院、国家科学研究中心、SSA、国家医学研究院、Borelli研究中心，法国） ； Department of Informatics and Telecommunications, University of Peloponnese, Peloponnese, Greece（希腊皮洛斯大学信息与电信系） 纠错

AI总结 提出基于Aitchison几何的组合图嵌入框架，通过等距对数比坐标实现可解释的节点表示，在节点分类和链接预测任务中性能与强基线相当，并利用子成分一致性进行维度约简。

Comments ICML 2026 Camera-ready version

MCCE: A Framework for Multi-LLM Collaborative Search in Discrete Spaces with Similarity-Filtered Preference Learning

MCCE：基于相似度过滤偏好学习的离散空间多大语言模型协同搜索框架

Nian Ran, Zhongzheng Li, Yue Wang, Qingsong Ran, Xiaoyuan Zhang, Shikun Feng, Richard Allmendinger, Xiaoguang Zhao

机构 * Zhongguancun Academy（中关村学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； University of Manchester（曼彻斯特大学） ； Tongji University（同济大学） 纠错

AI总结 MCCE是结合冻结闭源LLM与轻量可训练模型的混合框架，通过轨迹记忆与强化学习优化小型模型，在多目标药物设计基准上实现最优帕累托前沿质量，优于基线方法，为混合LLM系统提供持续演化新范式。

Comments Accepted at ICML 2026