icml-2026

本技术报告介绍了ICML 2026 AI4Math Workshop中SeePhys Pro挑战赛的第一名解决方案，该方案采用两阶段框架，结合视觉信息提取和多智能体辩论，从图像中回答大学物理问题。

本文介绍了一个在随机优化中减少每样本损害的框架，其中来自批次平均和历史状态的参数更新会增加单个样本的损失。该方法采用降维技术，并专注于最后一层线性层以提高效率，在图像分类任务上展示了更好的泛化性能。

南开大学与联想合作提出Graph of States (GoS)，一个面向通用溯因推理的神经符号框架，通过显式信念状态和状态机控制多智能体协作，在医疗诊断和系统故障诊断任务上取得显著提升。该工作被ICML 2026接收。

介绍了PerceptionRubrics，这是一个基于评分标准的多模态AI评估框架，从整体匹配转向原子级审计，使用了1,038张图像和超过10,000个实例特定评分标准，并通过门控评分来强制执行严格的感知保真度。

Memora 是一个可扩展的 AI 智能体记忆系统，它将存储与检索解耦，在长周期任务上实现了最先进的性能，同时使用的 token 数量减少了高达 98%。该研究发表于 ICML 2026。

本文介绍了一个范畴论框架，用于通过组合可复用的foundries（基础组件）来构建可验证、局部真值保持的基础模型，该框架在Odyssey系统中实现，并计划于ICML 2026进行教程讲解。

量化金融公司作为钻石赞助商大力赞助并参与ICML 2026，引发了关于它们为何增加参与度的疑问。

本文研究当决策主体（智能体）为了回应策略而策略性地修改其协变量时的离线策略评估（OPE）。该方法利用事后解释进行局部披露，以揭示智能体的前策略协变量，并构建策略价值的双重稳健估计量。

一篇分析AI智能体可靠性的论文，已被ICML 2026接收。研究发现，即使是最新的前沿模型（GPT 5.5、Gemini 3.1 Pro、Claude Opus 4.7），相较于早期版本也仅有微小的可靠性提升，结果一致性较低，且智能体框架中依然存在持续性问题。

这篇ICML 2026论文介绍了Derivative Informed XC-Loss（DI-Loss），这是一种用于机器学习交换关联泛函的训练方法，它在密度矩阵的格拉斯曼流形上引入了一阶和二阶导数监督。在四种架构上，与仅使用能量和密度监督相比，DI-Loss将总能量平均绝对误差（MAE）降低了66%，并改善了TDDFT计算中的激发态预测。

RT-Lynx提出利用激活稀疏性而非权重稀疏性来加速扩散模型，在线性层上实现了高达1.55倍的加速，同时保持生成质量，并被ICML 2026接收。

该论文提出了一种可扩展的监督微调方法，用于训练语言模型跨学科提出科研假设，已被ICML 2026接收，代码已开源。

MOOSE-Star 提出了一个从 DeepSeek-R1-Distill-Qwen-7B 微调而来的 7B 模型，用于科学假设发现，同时附带一个包含 108K NCBI 论文的数据集。该模型在灵感检索准确率上达到了最先进水平，超越了像 GPT-5.4 和 Gemini-3 Pro 这样更大的模型。

快速字节潜在变换器（BLT-D）已被 ICML 2026 接收，它引入了一种文本扩散方法，用于并行字节级解码，以克服传统字节级语言模型的速度限制。