ICML 2026 Spotlight论文精选

背景

ICML（International Conference on Machine Learning）是机器学习领域的顶级学术会议之一。2026 年的会议在首尔 COEX 会展中心举办，收到数万篇高热度投稿，最终严选出 6352 篇录用论文，其中 Spotlight 论文 536 篇（占 2.2%），Oral 论文 168 篇（占 0.7%）。在全球 AI 研究井喷、评审机制经历大刀阔斧“重新校准”的背景下，这些脱颖而出的工作凝聚了过去一年机器学习界最前沿的智慧结晶。

雷峰网报道小组在现场全员就位，穿梭于 Poster 展区，筛选出最具颠覆性和启发性的研究。透过首日展区的分布，可以清晰看到机器学习的新一轮潮汐：这不仅是参数与算力的军备竞赛，更是对大模型可解释性的死磕、对 AI for Science 边界的拓荒，以及具身智能与底层数学理论硬度的强势回归。以下是对 Session 2 九篇 Spotlight 论文的深度解读。

核心内容

AlgoVeri: An Aligned Benchmark for Verified Code Generation on Classical Algorithms
形式化验证代码生成是 AI 模型展现潜力的重要方向，但现有基准多受限于单一语言或工具。本研究推出首个跨语言代码验证基准 AlgoVeri，包含 77 个经典算法，通过统一功能契约，首次实现了在 Dafny、Verus 和 Lean 三种截然不同的语言环境中统一评估大模型的验证代码生成性能。实验在 Gemini-3 和 GPT-OSS 等前沿模型上展开。结果发现：模型在抽象级别较高的 Dafny 中表现较好，但在受内存约束的 Verus 以及需要显式构造证明的 Lean 中性能明显下滑。此外，Gemini-3 能通过迭代修复提升性能，而 GPT-OSS 则较早遭遇瓶颈。该工作细化了形式化验证领域的评估标准。

Reverse Flow Matching: A Unified Framework for Online RL with Diffusion and Flow Policies
在线强化学习中，扩散和流策略因强大表达能力备受关注，但缺乏目标 Boltzmann 分布的直接样本导致训练困难。现有方法分为“噪声期望法”和“梯度期望法”，理论上缺乏统一。本研究提出反向流匹配（RFM）统一框架，以后验均值估计为核心，引入 Langevin Stein 算子构建零均控制变量，成功统一了上述两种方法并推广至流策略。连续控制基准实验表明，基于 RFM 的流动策略在训练效率与稳定性上显著优于传统扩散策略基线。这是首次将扩散与流策略纳入同一理论体系。

DRPBench: Evaluating LLMs in Concurrent Code Comprehension via Fine-grained Data Race Prediction
大语言模型（LLMs）在顺序代码理解上表现出色，但对并发程序的理解能力尚未被量化。本研究提出 DRPBench 基准，将数据竞争预测转化为静态细粒度预测任务，利用精确标注的变量级和行级数据竞争进行评估。实验基于 1,003 个程序的 SV-COMP 数据集（手动标注了 549 个数据竞争），对标准型、推理型和代理型等 15 种最先进 LLM 进行全面测试。结果表明，大部分模型对并发代码的理解能力较弱，主要失败模式包括变量共享造成的注意力分散以及无法解析非标准同步逻辑。该基准揭示了性能差距，也为并发代码优化研究提供了具体诊断方向。

Generalizable and Composable Multi-Model Embedding Translation
嵌入翻译是实现跨模型互操作、减少重新嵌入成本的关键技术。现有方法在 OOD 输入、多模型混合及长翻译链中表现不可靠，存在系统性误差级联放大问题。本研究从几何视角剖析嵌入翻译，推导出可解释误差界，揭示了误差放大的底层成因，并提出分层专家混合（HMoE）框架，引入基于几何的置信度指标。在 MTEB 基准上，覆盖 10 个嵌入模型和 6 个数据集（共 90 组翻译设置），HMoE 在 OOD 场景下显著优于所有基线；在混合与链式翻译中，其回忆率下降仅为 0.5%–2.6%，而现有方法为 7.2%–92.3%，展现出极强鲁棒性。

Do LLMs Signal When They’re Right? Evidence from Neuron Agreement
现有大语言模型主要依赖表层输出评分预测答案正确性，存在信号校准问题。本研究深入挖掘模型内部行为，提出无需文本输出、仅基于内部神经元激活信号的解码方法。研究发现：正确响应激活的独特神经元数量显著少于错误响应，且正确结果的神经元激活在不同样本间表现出更强一致性。基于此，提出神经元一致性解码（NAD），通过激活稀疏性和跨样本神经元一致性选择候选选项，天然支持早停与无监督预测。在数学、科学及开放编码基准测试上，NAD 的预测效果与多数投票相当甚至更优，同时减少 99% 的 Token 使用量。

NeuronCtrl: Geometry-Aware Safe Closed-Loop Generative Control for Neuronal Microenvironment Dynamics
神经调控涉及复杂的三维不规则空间，高维时空场控制对实时规划与安全性要求极高。本研究提出 NeuronCtrl，一种保证全场安全约束的生成式闭环控制框架。框架采用模块化架构：利用历史条件观察器推断潜在场，通过形态感知神经算子预测实时动态，借助流动匹配条件流生成动作，并配备多层次安全机制。在深脑刺激、细胞外反应扩散控制以及星形胶质细胞钾离子调节三个高仿真三维基准上，该框架在控制成本、安全性和时延上实现优异权衡，首次实现具有几何感知的神经微环境安全闭环生成控制。

Chamaileon: Cross-Context Binder Design with Contextualized Modeling and Mixed Sampling
生成模型为蛋白质结合物智能化设计开辟新路径，但现有方法局限于“单目标、单状态”的理想化假设，缺乏多构象、高质量数据建模能力。本研究推出 Chamaileon 框架，首次实现对多目标和多状态蛋白质结合物设计的统一处理。创新点包括基于上下文的复杂共设计训练范式（I3CD）和路径混合采样策略（MoPS），实现上下文感知的“序列-结构”联合建模与全方位优化。团队构建了基准数据集 CROSS，实验表明 Chamaileon 能精准生成适应多样构象景观并契合多目标需求的蛋白质序列。该工作统一了多目标与多状态蛋白质结合物设计难题。

VideoKR: Towards Knowledge- and Reasoning-Intensive Video Understanding
多模态大模型发展使视频理解对深层知识与复杂推理能力需求日益增加，但面临数据质量不足、缺乏针对性大规模高质量训练数据集的瓶颈。本研究提出 VideoKR 数据集与评测基准，专门为知识与推理密集型视频理解任务设计。方法包含专家参与的样本生成流程，通过逐步扩展视频推理深度，保障样本多样性与可靠性，并构建了专家高标准标注的评测基准。团队推出包含 126K 专家领域视频及 430K 推理样本的大规模数据集。实验表明，基于该数据集训练的模型在标准训练和微调中性能显著优于现有方法，凸显了高质量数据设计对模型能力提升的决定性作用。

A Factorized Low-Rank RNN Framework for Uncovering Independent Neural Latent Dynamics and Connectivity
低秩递归神经网络（lrRNNs）是提取神经群体活动低维潜在动力学的常用工具，但传统方法因缺乏独立性限制导致功能连接难以解释为独立成分。本研究提出因子化递归神经网络（FacRNN）框架，通过将网络重构为变分自编码器（VAE）框架，并引入部分相关性惩罚，实现对潜在动态组间独立性的硬性约束。在合成数据、猴 M1 运动皮层数据以及鼠电压成像数据上，FacRNN 在学习低维潜在轨迹的解耦和可解释性方面显著优于传统 lrRNNs。该工作显著提升了低秩网络的潜在动态解耦能力，为神经数据建模与大脑功能连接分析提供了新方法。

关键要点

• 形式化验证代码生成方面，跨语言基准 AlgoVeri 揭示了模型在不同验证语言（Dafny、Verus、Lean）上的表现分化，且模型在迭代修复能力上存在差异。
• 在线强化学习中，反向流匹配（RFM）统一了噪声期望与梯度期望方法，首次将扩散与流策略纳入同一理论体系，并提升了连续控制任务的训练效率