7 июля в Сеульском конгрессно‑выставочном центре COEX стартовал первый день конференции ICML 2026. Конференция отобрала 6 352 работы из десятков тысяч заявок, включая 536 специальных докладов (2,2 % от общего числа заявок) и 168 устных докладов (0,7 % от общего числа заявок).
Одним из интересных докладов стала презентация AlgoVeri — согласованного теста для генерации верифицированного кода на основе классических алгоритмов. Это первый тест для проверки межъязыкового кода: он содержит 77 классических алгоритмов и позволяет единообразно оценивать эффективность генерации кода проверки больших моделей в трёх локалях — Dafny, Verus и Lean. Эксперимент проводился на моделях Gemini‑3 и GPT‑OSS. Результаты показали, что модель лучше работала в Dafny (с более высоким уровнем абстракции), а в Verus (ограничен объёмом памяти) и Lean (требует явного доказательства построения) производительность снизилась. Gemini‑3 может повысить производительность за счёт итеративного ремонта, тогда как GPT‑OSS ранее сталкивалась с узкими местами. Работа уточнила критерии оценки в области формальной верификации и дала сведения о влиянии языкового оформления на оптимизацию производительности модели.
Представлена единая система согласования обратного потока (RFM) для онлайн‑обучения с подкреплением. Она объединяет «метод математического ожидания шума» и «метод математического ожидания градиента» с помощью апостериорной оценки среднего значения и оператора Ланжевена‑Штейна. Эксперименты с тестовыми заданиями на непрерывный контроль показали, что стратегия потока на основе RFM превосходит традиционную стратегию диффузии по эффективности и стабильности обучения.
Ссылка на документ: https://openreview.net/forum?id=vUpEe4yd1T3.
Также предложен тест DRPBench для оценки способности LLM к параллельному пониманию кода через прогнозирование конкуренции данных в параллельном коде. На наборе данных SV‑COMP (1003 программы, 549 наборов данных помечены вручную) протестированы 15 LLM (standard, inference и agent). Результаты показали, что большинство моделей слабо разбираются в параллельном коде. Причины сбоев — отвлекающие факторы из‑за совместного использования переменных и невозможность проанализировать нестандартную логику синхронизации. DRPBench выявляет недостатки моделей и даёт диагностические рекомендации для оптимизации параллельного кода.
Ссылка на документ: https://openreview.net/forum?id=vUpEe4yd1T3.
В сфере функциональной совместимости моделей представлена технология встраиваемого перевода (Embedding Translation). Существующие методы ненадёжны в условиях OOD, смешивания нескольких моделей и длинных цепочек трансляции. В исследовании анализируется встроенный перевод с геометрической точки зрения, выводится граница допустимой ошибки, выявляются причины увеличения ошибок. Предложена иерархическая экспертная гибридная система (HMoE) и показатели достоверности на основе геометрии. В тесте MTEB (10 встроенных моделей, 6 наборов данных, 90 настроек перевода) HMoE лучше базовых показателей в сценарии OOD; при смешанном и цепочечном переводе частота отзыва снизилась на 0,5–2,6 % (у существующего метода — 7,2–92,3 %).
Ссылка на документ: https://openreview.net/forum?id=6249M0mKR24.
Исследователи изучили внутреннее поведение больших языковых моделей и предложили метод декодирования на основе внутренних сигналов активации нейронов. Обнаружено, что при правильном ответе активируется меньше уникальных нейронов, чем при неправильном, а активация нейронов с правильным результатом показывает более высокую согласованность между образцами. Предложено инновационное декодирование нейронного соглашения (NAD): оно выбирает возможные варианты, активируя разреженность и согласованность нейронов в выборках, поддерживает раннюю остановку и прогнозирование без контроля. Эксперименты в области математики, естественных наук и бенчмаркинга открытого кодирования показали, что эффект прогнозирования NAD сопоставим или лучше голосования большинством голосов, а использование токенов сократилось на 99 %.
Ссылка на статью: https://openreview.net/forum?id=qmfp2eqYD15.
Разработана генеративная система управления с замкнутым циклом NeuronCtrl для безопасной регуляции нейронной микросреды с учётом геометрии. Она использует исторические наблюдения за состоянием для вывода потенциальных полей, прогнозирует динамику в реальном времени с помощью нейронных операторов морфологического восприятия, применяет условия согласования потоков для генерации действий и многоуровневые механизмы безопасности. Система проверена на трёх трёхмерных тестах глубокой стимуляции мозга, контроле диффузии внеклеточного ответа и регуляции ионов калия в астроцитах. Она достигает компромиссов в управлении затратами, безопасностью и задержками, реализует безопасный замкнутый цикл управления нейронной микросредой с геометрическим восприятием.
Ссылка: https://openreview.net/forum?id=ZVRgcQq4D26.
Платформа Chamaileon предназначена для унификации конструкции связывания белков с несколькими мишенями и состояниями. Она использует парадигму комплексного совместного проектирования на основе контекста (I3CD) и стратегию смешанной выборки по траекториям (MoPS), реализует совместное моделирование «последовательность‑структура» с учётом контекста и всестороннюю оптимизацию. Разработан новый набор контрольных данных для оценки производительности. Chamaileon точно генерирует белковые последовательности, адаптирующиеся к разнообразным условиям строения и соответствующие потребностям множества мишеней.
Ссылка: https://openreview.net/forum?id=ZK3h2ENA677.
Предложен набор данных VideoKR и тестовая оценка для задач понимания видео, требующих больших знаний и рассуждений. Метод включает генерацию выборок с участием экспертов и расширение глубины аргументации видео. В эксперименте использован набор видеоданных: 126 тыс. видеороликов с экспертизой и 430 тыс. примеров рассуждений. Проведён сравнительный тест и анализ абляции. Модель, обученная на новом наборе данных, демонстрирует значительно более высокую производительность по сравнению с существующими методами.
Ссылка на документ: https://openreview.net/forum?id=eXxFlOPTk49.
Также предложена структура факторизованной рекуррентной нейронной сети (FacRNN) для балансировки сложных вычислений внутри групп и независимости между группами. Метод реализует жёсткие ограничения на независимость потенциальных динамических групп через преобразование сети в систему вариационного автоматического кодирования (VAE) и введение штрафов за частичную корреляцию. Эксперименты с синтетическими данными, данными о моторной коре головного мозга обезьяны M1 и данными визуализации напряжения мыши показали, что FacRNN превосходит традиционные LRRNN по разделению и интерпретируемости потенциальных траекторий малой размерности.
Ссылка на документ: https://openreview.net/forum?id=QvIbmX9jBr.
Подписаться в Макс
