7月8日，机器学习领域最具影响力的顶级学术会议ICML 2026进入正会第二天。本次大会共接收6352篇论文，其中Spotlight论文536篇（占投稿总数的 2.2%），Oral 论文168篇 （仅占投稿总数的 0.7 %）。
作为国际顶级的机器学习会议，今年的ICML吸引了数千篇论文投稿，其中Spotlight论文更是百里挑一，代表着当前AI研究的最前沿方向。
雷峰网已派出报道小组赴首尔COEX会展中心参会。在会议现场，我们从Poster展区的数千张学术海报中精选出最具代表性的研究成果，以“一张图+一段解读”的方式呈现给未能亲临现场的读者。
本期精选Poster Session 5 的9篇Spotlight论文，覆盖高效卷积算子、离散扩散模型、低精度训练、偏好优化理论、MoE路由、大模型鲁棒性、黑盒优化、3D点云补全、脑机接口和机器人记忆评估等多方面。
如果你也想让你的研究成果出现在这里，请与我们联系：
1、WestWorld：面向多样机器人系统的知识编码轨迹世界模型
WestWorld: A Knowledge-Encoded Scalable Trajectory World Model for Diverse Robotic Systems
论文链接：https://arxiv.org/abs/2603.14392
轨迹世界模型在机器人动力学学习、规划和控制中至关重要，但现有方法难以扩展到大量不同的系统动力学场景，且忽略了机器人物理结构的领域知识。WestWorld提出了一个知识编码的可扩展轨迹世界模型，通过系统感知混合专家模型（Sys-MoE）动态路由不同机器人系统的专业化专家，并引入结构化嵌入将轨迹表示与形态学信息对齐，从而在可扩展性和零样本泛化能力上取得突破。
该模型在89个复杂环境上进行了预训练，覆盖仿真和真实世界的多种形态学设定。实验表明，WestWorld在零样本和少样本轨迹预测任务上显著优于竞争基线，并展现出强大的跨环境可扩展性。研究还发现，物理结构知识的引入有效提升了模型的零样本泛化能力，显著改善了不同机器人下游基于模型的控制性能。
此外，研究团队将模型部署在真实的Unitree Go1四足机器人上，验证了其在实际场景中的稳定运动性能。这一工作为构建通用机器人世界模型提供了新范式，展示了知识驱动与数据驱动融合的巨大潜力。
2、DS-TS：用物理动力系统求解时间依赖微分方程
Solving Time-Dependent Differential Equations with Physical Dynamical Systems
论文链接：https://openreview.net/forum?id=0YHSZPkMp8
时间依赖微分方程（TDDE）广泛应用于科学和工程的动态过程建模，但传统数值求解器面临延迟与精度的根本矛盾——小步长精度高但速度慢，大步长速度快但轨迹失真。现有的动力系统机（DSM）虽提供了一种连续时间计算的替代方案，但在捕捉时空复杂性方面仍有不足，难以满足时间敏感应用的需求。
DS-TS提出了一种新型TDDE求解器，集成了三项核心创新：兴奋-抑制启发式耦合建模复杂空间交互，状态感知动态非线性实现丰富的节点间交互和状态依赖的时空相关性，层次化时间积分捕捉长距离时间依赖。这些设计使模型能够充分利用物理动力系统的连续时间计算能力，同时实现高精度和超高效率。
实验结果令人瞩目：DS-TS在保持高保真解的同时，速度提升约1000倍，能效提升约10万倍。这项工作打破了传统数值求解器中延迟与精度的权衡，为时间敏感的科学计算应用开辟了全新的物理计算路径。
论文链接：https://openreview.net/forum?id=0YHSZPkMp8
3、From Pixels to Tokens：VLA模型中潜在动作监督的系统性研究
From Pixels to Tokens: A Systematic Study of Latent Action Supervision for Vision-Language-Action Models
论文链接：https://arxiv.org/abs/2605.04678
潜在动作（Latent Actions）作为中间表示，能够在异构数据集上实现视觉-语言-动作（VLA）模型的一致性建模。然而，现有利用潜在动作监督VLA的方法各自为政，缺乏系统性比较，研究者难以明确不同策略的优劣和适用场景，这成为制约VLA训练效率提升的关键瓶颈。
该研究在统一VLA基线框架下，从两个视角（基于图像的潜在动作正则化和基于动作的潜在动作统一目标空间）实例化并比较了四种代表性集成策略。实验揭示了一种"公式-任务对应关系"：基于图像的潜在动作有利于长时域推理和场景级泛化，而基于动作的潜在动作在复杂运动协调方面表现优异。
更重要的是，研究发现直接用离散潜在动作Token监督视觉语言模型能取得最优性能，并初步验证了潜在动作监督在混合数据场景下的优势。这项工作为VLA训练策略的选择提供了清晰的实证指南，强调了"没有一种万能策略"——任务特性决定了最优的潜在动作表示方式。
4、Poisson分支结构因果模型的可识别性研究
On the Identifiability of Poisson Branching Structural Causal Model Using Probability Generating Function
论文链接：https://proceedings.neurips.cc/paper_files/paper/2024/hash/15aaa9224a35527d76188b4d40e02308-Abstract-Conference.html
从观测数据中进行因果发现是科学和工业场景中的核心问题，尤其针对计数数据。现有方法大多使用贝叶斯网络建模计数数据，但忽视了常见的分支结构，例如一个浏览事件可能触发添加购物车或购买事件。此外，基于累积量的因果发现方法虽然理论上可靠，却存在可识别性缺口，部分因果方向无法被识别。
该研究采用概率生成函数（PGF）来探索Poisson分支结构因果模型（PB-SCM）的可识别性，使用二项细化算子建模分支结构，开发了PB-SCM概率生成函数的紧凑且精确的闭式解。研究证明闭式解中每个组件唯一编码了特定局部结构，这意味着可以通过测试PGF中相应组件的出现来识别局部因果结构。
基于这一理论突破，研究团队提出了一种实用的因果骨架学习和因果方向识别算法，并在合成和真实数据集上验证了有效性。这一工作填补了计数数据因果发现的理论空白，为生物学、经济学和网络运维等领域的因果分析提供了新工具。
5、EcoVLA：面向VLA模型的环境感知自适应剪枝
EcoVLA：Environment-Aware Adaptive Pruning with Interleaved Inference Orchestration for Vision-Language-Action Models
论文链接：https://arxiv.org/abs/2602.00780
视觉-语言-动作（VLA）模型在具身智能领域潜力巨大，但庞大的参数量导致推理延迟显著，阻碍实时操控。更棘手的是，VLA执行过程中环境不断变化，最优稀疏模式也随之改变，静态剪枝缺乏对环境动态的适应性，而固定间隔的动态层剪枝粒度粗且再训练开销大。
EcoVLA提出了一个无需训练、即插即用的自适应剪枝框架，包含两个核心组件：环境感知自适应剪枝（EAP）引入物理环境的时间一致性来动态更新稀疏模式；交错推理编排（I2O）则利用VLA推理中的计算气泡实现并行剪枝调度，确保对延迟的影响可忽略不计。该框架可与现有VLA加速方法正交组合，具有良好的通用性。
实验表明，EcoVLA单独使用时达到1.60倍加速，成功率仅下降0.4%；与token剪枝结合时达到2.18倍加速，性能仅下降0.5%。该方法在真实机器人上也得到了验证，为VLA模型的实时部署提供了实用方案。
6、NASH：让Data Shapley重新有效的数据选择框架
Is Data Shapley Not Better than Random in Data Selection? Ask NASH
论文链接：https://arxiv.org/abs/2605.10684
Data Shapley被一些研究主张用于选择高质量训练数据子集，因为它能捕捉数据子集之间的交互关系。然而，另一些工作指出Data Shapley在实践中有时效果不佳，所选子集甚至不如随机选择。这一矛盾引发了关键问题：是否存在某些"Shapley-informative"的设置，使Data Shapley能够持续有效？
NASH框架的核心思路是两步走：首先将目标效用函数（如验证准确率）分解为更简单的、Shapley-informative的组件函数，然后通过非线性方式聚合这些组件，构建优化目标来选择数据。这种"分解+非线性聚合"的组合策略，显著提升了基于Shapley值的数据选择方法的有效性。
实验表明，NASH在几乎不增加额外运行时间成本的前提下，大幅提升了数据选择的性能，让Shapley类方法重新变得有效且高效。这一工作为数据估值与选择领域提供了重要的理论和实践贡献。
7、Rapid Poison：针对快速响应框架的实际投毒攻击
Rapid Poison:Practical Poisoning Attacks Against the Rapid Response Framework
论文链接：https://arxiv.org/abs/2606.16242
Rapid Response（RR）框架已部署于生产系统（包括Anthropic的ASL-3安全防护），通过持续改进越狱检测分类器来防御新型攻击。然而，该研究揭示了RR框架训练管道存在安全漏洞，提示注入可以渗透该流程，将有毒样本送入分类器的训练集。
在严格的威胁模型下（攻击者只能修改越狱样本，不能修改良性数据或标签），研究实现了两个攻击目标：定向投毒攻击在无害样本上制造假阳性，基于概念的后门攻击在越狱输入上诱导假阴性。团队还提出了Omission Attack，利用分类器在概念缺失的不安全样本上训练时产生的错误关联现象，使后门攻击对防御方已明确训练防御的攻击策略也有效。
实验显示，仅1%的投毒率即可使假阳性率最高达100%、假阴性率最高达96%，部分情况下甚至实现近乎完全的标签翻转。这一发现对已部署的生产级安全系统具有现实警示意义，凸显了AI安全框架本身也需要被安全审视。
8、HelioX：面向生物物理细节网络的GPU原生框架
Heliox: A GPU-Native Framework for Simulation and Training of Biophysically Detailed Networks
论文链接：https://openreview.net/forum?id=XjTRtfxK9g
生物物理细节神经元携带着丰富的时空计算能力，这些是点神经元抽象无法直接捕捉的。但其不规则的树突拓扑结构与密集的深度学习运行时严重不匹配，导致难以在现有框架中高效训练和模拟。传统深度学习框架为密集ANN执行路径设计，强行将生物模型塞入这些框架效率低下。
HelioX是一个GPU原生框架，通过定制融合CUDA内核为树突层级调度和梯度传播专门设计，解析梯度传播实现端到端的从模拟状态更新到参数优化的闭环，多流并发提升GPU执行效率。与以往将生物模型适配深度学习工具的路线不同，HelioX将高性能模拟与可扩展训练统一在同一运行时中。
在消费级GPU上，HelioX实现了深度生物物理MLP训练和生物体尺度的线虫（C. elegans）模型拟合，在数值和学习基准测试中均取得了显著的速度和内存效率提升。这一工作降低了生物物理模型用于可训练AI系统的工程和硬件门槛，使详细神经元研究在计算神经科学和脑启发学习领域更加实用可行。
9、DiCoLa：隐变量场景下的递归分解因果结构学习
A Recursive Decomposition Framework for Causal Structure Learning in the Presence of Latent Variables
论文链接：https://arxiv.org/abs/2605.10651
基于约束的因果发现在高维场景下计算代价极高，原因在于其对条件独立性检验的严重依赖。已有"分而治之"框架虽能缓解此问题，但大多数方法都假设因果充分性，即不存在隐变量，这严重限制了它们在实际场景中的应用。
DiCoLa框架将全局因果结构学习递归分解为更小的子问题，对每个子问题独立进行因果发现，然后通过有理论保证的重构步骤将子问题的解整合为完整的全局因果结构。其关键突破在于：理论上证明了分而治之策略可以推广到存在隐变量的场景，并保证了正确性和完备性。
合成数据和真实数据集的实验均验证了该方法在多种因果发现算法上显著提升了计算效率，首次实现了隐变量场景下的高效分而治之因果发现，为大规模因果结构学习提供了实用且理论完备的解决方案。
结语
从机器人世界模型到物理计算，从因果发现到AI安全，这九篇Spotlight论文展现了ICML 2026的多元面貌。它们或打破既有权衡，或填补理论空白，或揭示安全隐患，共同指向一个趋势：AI研究正在向更深层的物理建模、更严谨的理论基础和更安全的工程实践迈进。
雷峰网&AI科技评论将继续在现场带来更多ICML 2026的精彩内容，如果你想推荐ICML上的其他论文，欢迎联系我们进一步交流探讨 。
一个人读论文太孤单，一群人刷顶会才好玩。
ICML 2026召开在即，我们正在召集一波含金量极高的 AI 研究者。群内主打实时论文跟踪与硬核技术探讨，拒绝灌水。
? 进群传送门：扫码进群或添加微信Vin_Vivid，备注：论文群 + 关注的 AI 方向。
搞科研/搞技术，信息差很重要。
来，一起快人一步！
上车，带你看遍全球 AI 顶会精华
可独家畅览：
专家演讲PPT
大会报告全文
热门论文解读
学术新星访谈