ICML 2026直擊｜精選九篇Spotlight論文，拆解機器學(xué)習(xí)新風(fēng)向

喧囂的參數(shù)之外，底層理論的微小震蕩正在重塑AI的未來。

作者丨張 璐

編輯丨岑 峰

7月7日，ICML 2026在首爾COEX會展中心迎來正會首日。作為機器學(xué)習(xí)領(lǐng)域的風(fēng)向標(biāo)，本次大會共接收6352篇論文，其中Spotlight論文536篇（占投稿總數(shù)的 2.2%），Oral 論文168篇 （僅占投稿總數(shù)的 0.7 %）。在今年全球AI研究井噴、評審機制迎來大刀闊斧“重新校準”的嚴苛背景下，這些穿越重重審稿關(guān)卡脫穎而出的成果，無疑凝聚了過去一年機器學(xué)習(xí)界最硬核的智慧結(jié)晶。

為了給國內(nèi)讀者帶回第一手的學(xué)術(shù)震蕩，雷峰網(wǎng)報道小組已在現(xiàn)場全員就位。在正會開啟的黃金時間里，我們?nèi)旌虼┧笥诿芗腜oster展區(qū)，從浩如煙海的海報墻中，為你一針見血地篩選出那些最具顛覆性和啟發(fā)性的研究。這一次，我們拋棄了冗長枯燥的文獻堆砌，堅持用“現(xiàn)場看板直擊 + 核心要點白話拆解”的直觀形式，為無法親臨首爾的你推開一扇學(xué)術(shù)傳送門。

透過首日展區(qū)的火爆分布，機器學(xué)習(xí)的新一輪潮汐已然清晰：這不僅是一場參數(shù)與算力的軍備競賽，更是對大模型可解釋性的死磕、對AI for Science邊界的拓荒，以及具身智能與底層數(shù)學(xué)理論硬度的強勢回歸。我們捕捉這些瞬間，不僅是為了記錄當(dāng)下的交鋒，更是為了幫你在這場信息海嘯中，精準握住下一階段技術(shù)演進的隱秘主線。

以下精選Poster Session 2九篇Spotlight論文，一文看盡AI研究最值得關(guān)注的方向。（如果你也想讓你的研究成果出現(xiàn)在這里，請與我們聯(lián)系）：

01

AlgoVeri：

經(jīng)典算法形式化驗證代碼生成的對齊基準

AlgoVeri: An Aligned Benchmark for Verified Code Generation on Classical Algorithms

形式化驗證代碼生成是當(dāng)下AI模型展現(xiàn)潛力的重要方向，但現(xiàn)有的基準測試多受限于單一語言或工具，缺乏跨范式評價的統(tǒng)一方法。

為此，本研究推出了首個跨語言的代碼驗證基準——AlgoVeri。該基準包含77個經(jīng)典算法，通過統(tǒng)一功能契約，首次實現(xiàn)了在Dafny、Verus和Lean三種截然不同的語言環(huán)境中，統(tǒng)一評估大模型的驗證代碼生成性能。

實驗在Gemini-3和GPT-OSS等前沿模型上展開。研究發(fā)現(xiàn)，模型在抽象級別較高的Dafny中表現(xiàn)較好，但在受內(nèi)存約束的Verus，以及需要顯式構(gòu)造證明的Lean中，性能明顯下滑。

此外，Gemini-3能通過迭代修復(fù)提升性能，而GPT-OSS則較早遭遇瓶頸。本工作細化了形式化驗證領(lǐng)域的評估標(biāo)準，為理解語言設(shè)計對模型性能優(yōu)化路徑的影響提供了重要洞察。

論文地址：https://openreview.net/forum?id=mnUgulPmNU

02

反向流匹配：結(jié)合擴散與流策略的

在線強化學(xué)習(xí)統(tǒng)一框架

Reverse Flow Matching A Unified Framework for Online RLwith Diffusion and Flow Policies

在在線強化學(xué)習(xí)中，擴散和流策略因強大的表達能力備受關(guān)注，但由于缺乏目標(biāo) Boltzmann 分布的直接樣本，如何進行高效訓(xùn)練仍是關(guān)鍵瓶頸。

現(xiàn)有的優(yōu)化方法存在分歧，主要分為基于加權(quán)噪聲平均值的“噪聲期望法”和基于 Q 函數(shù)梯度加權(quán)平均值的“梯度期望法”，二者在理論上缺乏統(tǒng)一。

針對這一挑戰(zhàn)，本研究提出了反向流匹配（RFM）統(tǒng)一框架。該框架以后驗均值估計為核心，通過引入 Langevin Stein 算子構(gòu)建零均控制變量，成功在理論上統(tǒng)一了噪聲期望與梯度期望方法，并將其推廣至流策略的訓(xùn)練中。

連續(xù)控制基準任務(wù)的實驗表明，基于 RFM 的流動策略在訓(xùn)練效率與穩(wěn)定性上均顯著優(yōu)于傳統(tǒng)的擴散策略基線。該工作首次將擴散與流策略納入同一理論體系，顯著提升了連續(xù)控制任務(wù)的在線強化學(xué)習(xí)性能。

論文鏈接：https://openreview.net/forum?id=vUpEe4yd1T

03

DRPBench：通過細粒度數(shù)據(jù)競爭預(yù)測

評估大語言模型的并發(fā)代碼理解能力

DRPBench: Evaluating LLMs in Concurrent Code Comprehension via Fine-grained Data Race Prediction

當(dāng)前大語言模型（LLMs）在順序代碼理解方面表現(xiàn)出色，但對并發(fā)程序的理解能力尚未得到充分量化與評估。

由于并發(fā)程序運行時存在非確定性，給評測帶來了巨大困難。為此，本研究提出了一個名為 DRPBench 的全新基準，專門用于評測 LLMs 是否能夠精細預(yù)測并發(fā)代碼中的數(shù)據(jù)競爭。

該方法巧妙地將數(shù)據(jù)競爭預(yù)測轉(zhuǎn)化為靜態(tài)細粒度預(yù)測任務(wù)，并利用精確標(biāo)注的變量級和行級數(shù)據(jù)競爭進行評估。實驗基于包含 1,003 個程序的 SV-COMP 數(shù)據(jù)集（其中手動標(biāo)注了 549 個數(shù)據(jù)競爭），對標(biāo)準型、推理型和代理型等 15 種最先進的 LLM 進行了全面測試。

結(jié)果表明，大部分模型對并發(fā)代碼的理解能力較弱，主要失敗模式包括變量共享造成的注意力分散，以及無法解析非標(biāo)準同步邏輯。作為首個系統(tǒng)性基準，DRPBench 不僅揭示了現(xiàn)有模型的性能差距，也為未來的并發(fā)代碼優(yōu)化研究提供了具體的診斷方向。

論文鏈接：https://openreview.net/forum?id=6249M0mKR2

04

可泛化與可組合的多模型嵌入翻譯

Generalizable and Composable Multi-Model Embedding Translation

嵌入翻譯（Embedding Translation）是實現(xiàn)跨模型互操作、減少重新嵌入成本的關(guān)鍵技術(shù)。然而，現(xiàn)有方法在面對非獨立同分布（OOD）輸入、多模型混合以及長翻譯鏈時，表現(xiàn)往往不可靠，存在系統(tǒng)性誤差被級聯(lián)放大的核心痛點。

本研究從幾何視角對嵌入翻譯進行了深度剖析，成功推導(dǎo)出可解釋的誤差界，并揭示了上述復(fù)雜場景下導(dǎo)致誤差放大的底層成因。基于此發(fā)現(xiàn)，論文提出了一個全新的分層專家混合（HMoE）框架，并引入基于幾何的置信度指標(biāo)。

該框架通過實現(xiàn)局部化的參數(shù)高效適應(yīng)，顯著提升了翻譯的泛化性與可解釋性。在 MTEB 基準上，實驗覆蓋了 10 個嵌入模型和 6 個數(shù)據(jù)集（共 90 組翻譯設(shè)置），結(jié)果表明 HMoE 在 OOD 場景下顯著優(yōu)于所有基線；在混合與鏈式翻譯中，其回憶率下降僅為 0.5% - 2.6%，相比現(xiàn)有方法的 7.2% - 92.3% 展現(xiàn)出極強的魯棒性。

論文鏈接：https://openreview.net/forum?id=qmfp2eqYD1

05

大模型回答正確時會發(fā)出信號嗎？

來自神經(jīng)元一致性的證據(jù)

Do LLMs Signal When They’re Right? Evidence from Neuron Agreement

當(dāng)前大語言模型主要依賴表層輸出的候選評分方法來預(yù)測回答的正確性，但這帶來了顯著的信號校準問題。為了打破這一局限，本研究深入挖掘大模型的內(nèi)部行為，提出了一種無需依賴文本輸出、僅基于內(nèi)部神經(jīng)元激活信號的解碼方法，以此解決多數(shù)投票等傳統(tǒng)機制在開放性任務(wù)中的天然缺陷。

通過機制分析，研究團隊發(fā)現(xiàn)了一個有趣的現(xiàn)象：正確響應(yīng)所激活的獨特神經(jīng)元數(shù)量顯著少于錯誤響應(yīng)，且正確結(jié)果的神經(jīng)元激活在不同樣本間表現(xiàn)出更強的一致性。基于此，論文創(chuàng)新性地提出了神經(jīng)元一致性解碼（Neuron Agreement Decoding, NAD）。該方法通過激活稀疏性和跨樣本神經(jīng)元一致性來精準選擇候選選項，天然支持早停（Early Stopping）與無監(jiān)督預(yù)測。在數(shù)學(xué)、科學(xué)及開放編碼基準測試上的實驗表明，NAD 的預(yù)測效果與多數(shù)投票相當(dāng)甚至更優(yōu)，同時大幅減少了 99% 的 Token（令牌）使用量，為研究大模型內(nèi)部行為開辟了高效、透明的新路徑。

論文鏈接：https://openreview.net/forum?id=ZVRgcQq4D2

06

NeuronCtrl：面向神經(jīng)微環(huán)境動力學(xué)的

幾何感知安全閉環(huán)生成控制

NeuronCtrl: Geometry-Aware Safe Closed-Loop Generative Control for Neuronal Microenvironment Dynamics

神經(jīng)調(diào)控涉及復(fù)雜的神經(jīng)網(wǎng)絡(luò)三維不規(guī)則空間，其高維時空場控制對實時規(guī)劃與安全性有著極其苛刻的要求。然而，由于神經(jīng)微環(huán)境中的生物物理特性復(fù)雜且日常未知，高仿真模擬器難以滿足高頻反饋的實時控制需求，且稀疏的觀測數(shù)據(jù)必須嚴格滿足安全約束，這給計算和控制帶來了巨大挑戰(zhàn)。

為了在未知生物物理規(guī)律下攻克實時規(guī)劃與安全性難題，本研究提出了 NeuronCtrl —— 一種能夠保證全場安全約束的生成式閉環(huán)控制框架。該框架采用了精妙的模塊化架構(gòu)，核心包含：利用歷史條件觀察器推斷潛在場、通過形態(tài)感知神經(jīng)算子預(yù)測實時動態(tài)，并借助流動匹配條件流生成動作，同時配合多層次安全機制確保約束得到絕對滿足。

團隊在深腦刺激、細胞外反應(yīng)擴散控制以及星形膠質(zhì)細胞鉀離子調(diào)節(jié)三個高仿真三維基準上進行了驗證，結(jié)果表明該框架在控制成本、安全性和時延上實現(xiàn)了優(yōu)異的權(quán)衡，首次實現(xiàn)了具有幾何感知的神經(jīng)微環(huán)境安全閉環(huán)生成控制。

論文鏈接：https://openreview.net/forum?id=ZK3h2ENA67

07

Chamaileon：基于上下文建模與

混合采樣的跨上下文結(jié)合物設(shè)計

Chamaileon: Cross-Context Binder Design with Contextualized Modeling and Mixed Sampling

生成模型的發(fā)展為蛋白質(zhì)結(jié)合物的智能化設(shè)計開辟了新路徑。然而，現(xiàn)有方法大多局限于“單目標(biāo)、單狀態(tài)”的理想化假設(shè)，缺乏對多構(gòu)象、高質(zhì)量數(shù)據(jù)的建模能力。這導(dǎo)致其無法滿足高級功能導(dǎo)向蛋白質(zhì)設(shè)計中，對于多目標(biāo)、多狀態(tài)復(fù)雜交互的實際需求，極大地限制了技術(shù)的廣泛適用性。

為了打破這一傳統(tǒng)限制，本研究推出了 Chamaileon 框架，首次實現(xiàn)了對多目標(biāo)和多狀態(tài)蛋白質(zhì)結(jié)合物設(shè)計的統(tǒng)一處理。該框架創(chuàng)新性地提出了基于上下文的復(fù)雜共設(shè)計訓(xùn)練范式（I3CD）以及路徑混合采樣（MoPS）策略，成功實現(xiàn)了上下文感知的“序列-結(jié)構(gòu)”聯(lián)合建模與全方位優(yōu)化。

團隊同時構(gòu)建了全新的基準數(shù)據(jù)集 CROSS 用于性能評估，實驗結(jié)果表明，Chamaileon 能夠精準生成適應(yīng)多樣構(gòu)象景觀（conformation landscapes）并完美契合多目標(biāo)需求的蛋白質(zhì)序列。該工作成功統(tǒng)一了多目標(biāo)與多狀態(tài)蛋白質(zhì)結(jié)合物設(shè)計難題，為 AI for Science 領(lǐng)域的生物大分子設(shè)計提供了強大的聯(lián)合建模與推理新范式。

論文鏈接：https://openreview.net/forum?id=JAQ9bm0Rp4

08

VideoKR：

邁向知識與推理密集型視頻理解

VideoKR: Towards Knowledge- and Reasoning-Intensive Video Understanding

隨著多模態(tài)大模型的發(fā)展，視頻理解領(lǐng)域?qū)ι顚又R與復(fù)雜推理能力的需求日益增加。然而，當(dāng)前研究普遍面臨數(shù)據(jù)質(zhì)量不足、缺乏針對性大規(guī)模高質(zhì)量訓(xùn)練數(shù)據(jù)集的瓶頸。

為了解決這一問題，本研究提出了專為知識與推理密集型視頻理解任務(wù)打造的 VideoKR 數(shù)據(jù)集與評測基準。該方法精心設(shè)計了專家參與的樣本生成流程，通過逐步擴展視頻推理的深度，同時嚴格保障了樣本的多樣性與可靠性，并構(gòu)建了包含專家高標(biāo)準標(biāo)注的評測基準。

實驗中，團隊推出了包含 126K 專家領(lǐng)域視頻及 430K 推理樣本的大規(guī)模視頻數(shù)據(jù)集，并進行了全面的基準測試與消融分析。結(jié)果表明，在標(biāo)準訓(xùn)練和微調(diào)流程中，基于該新數(shù)據(jù)集訓(xùn)練的模型性能顯著優(yōu)于現(xiàn)有方法，有力地凸顯了高質(zhì)量數(shù)據(jù)設(shè)計對模型能力提升的決定性作用。

作為首個專注于該領(lǐng)域的基準，VideoKR 顯著提升了模型在多種復(fù)雜評估任務(wù)中的表現(xiàn)，為數(shù)據(jù)設(shè)計驅(qū)動的未來視頻理解研究指明了方向。

論文鏈接：https://openreview.net/forum?id=eXxFlOPTk4

09

用于揭示獨立神經(jīng)潛在動力學(xué)

與連接性的因子化低秩 RNN 框架

A Factorized Low-Rank RNN Framework for Uncovering Independent Neural Latent Dynamics and Connectivity

低秩遞歸神經(jīng)網(wǎng)絡(luò)（lrRNNs）是提取神經(jīng)群體活動低維潛在動力學(xué)的常用工具。然而，傳統(tǒng) lrRNNs 的低秩連接缺乏獨立性限制，導(dǎo)致其功能連接難以解釋為獨立成分，極大限制了對潛在維度計算角色與功能的明確分析。

針對潛在動態(tài)獨立性與可解釋性不足的痛點，本研究提出了一種創(chuàng)新的因子化遞歸神經(jīng)網(wǎng)絡(luò)（FacRNN）框架，旨在完美平衡組內(nèi)復(fù)雜計算與組間獨立性。該方法通過將網(wǎng)絡(luò)重新構(gòu)造為變分自編碼器（VAE）框架，并巧妙引入部分相關(guān)性懲罰，實現(xiàn)了對潛在動態(tài)組間獨立性的硬性約束。

團隊在合成數(shù)據(jù)、猴 M1 運動皮層數(shù)據(jù)以及鼠電壓成像數(shù)據(jù)上展開了廣泛實驗，結(jié)果表明，F(xiàn)acRNN 在學(xué)習(xí)低維潛在軌跡的解耦和可解釋性方面顯著優(yōu)于傳統(tǒng) lrRNNs。通過引入組間獨立假設(shè)，該工作顯著提升了低秩網(wǎng)絡(luò)的潛在動態(tài)解耦能力，為神經(jīng)數(shù)據(jù)建模與大腦功能連接分析提供了一種強有力的新方法。

論文鏈接：https://openreview.net/forum?id=QvIbmX9jBr

一個人讀論文太孤單，一群人刷頂會才好玩。

ICML 2026召開在即，我們正在召集一波含金量極高的 AI 研究者。群內(nèi)主打實時論文跟蹤與硬核技術(shù)探討，拒絕灌水。

進群傳送門：掃碼進群或添加微信Vin_Vivid，備注：論文群 + 關(guān)注的 AI 方向。

搞科研/搞技術(shù)，信息差很重要。

來，一起快人一步！

上車，帶你看遍全球 AI 頂會精華

可獨家暢覽：

專家演講PPT

大會報告全文

熱門論文解讀

學(xué)術(shù)新星訪談

未經(jīng)「AI科技評論」授權(quán)，嚴禁以任何方式在網(wǎng)頁、論壇、社區(qū)進行轉(zhuǎn)載！

公眾號轉(zhuǎn)載請先在「AI科技評論」后臺留言取得授權(quán)，轉(zhuǎn)載時需標(biāo)注來源并插入本公眾號名片。