ICML 2026前瞻：投稿量翻倍背后的机器学习转向

事件概述

第43届国际机器学习大会（ICML 2026）将于7月6日至11日在韩国首尔COEX会展中心举行，主题为“Machine Learning for the Real World”。本届会议投稿量达23918篇，接收6352篇，增幅102%，接受率26.6%，与去年的26.9%基本持平。会议还推出两项制度调整：参会展示改为可选，接收论文作者可选择仅以论文集形式收录；原始投稿版本将被公开，包括匿名评审意见、作者Rebuttal及讨论内容。

三大技术趋势

1. LLM推理：从“更大模型”到“更好思考”
LLM相关论文占接收论文近20%，算上对齐、安全、Agent等间接方向比例超30%。研究焦点从堆参数转向堆“思考”：多篇论文探讨在推理阶段投入更多计算资源，如将MCTS引入LLM推理，提出预算感知搜索策略，以及分析隐式思维与显式思维链的边界。强化学习（RL）以886篇论文成为第一大方向，PPO系列独占201篇。DeepSeek-R1背后的GRPO技术被多篇论文进一步变体化，中国工作被系统性地引用和分析。

2. AI安全正在理论化
AI安全论文达114篇，成为第三大热门方向。6位Invited Talk演讲者中有3位专注于AI安全、对齐或社会影响。研究呈现“攻防升级、方法论深化”特征：越狱攻击从激活引导到自适应攻击，系统化揭示LLM脆弱性边界；对齐方法上DPO变体涌现，同时有工作追问“对齐是否损害推理能力和置信度校准”，安全研究正从经验主义走向理论化。

3. 模型压缩与扩散加速并行
模型压缩论文116篇，仅次于图像生成。KV缓存优化最热，从关键token选择到缓存复用策略，试图解决LLM推理内存瓶颈。MoE架构创新活跃，如可微最优传输驱动的Dense→MoE转换、正交增长策略，目标是在不损失质量前提下降低推理成本。扩散LLM加速方面，自适应缓存、并行解码、熵感知分束等方法缩小了与自回归LLM的效率差距。

此外，AI for Science方向约860篇论文（占13.5%），涵盖基因组序列基础模型dnaHNet、形式化数学自动证明APE-Bench等；具身智能方向约420篇，增长最猛，斯坦福团队提出的VLAW方法在真实操作任务中实现39.2%性能提升。

中国研究者的ICML时刻

本届大会主席张潼（UIUC教授，曾任腾讯AI Lab主任、百度研究院副院长）是ICML历史上首位华人主席。清华、北大、中科院、浙大、上交在接收论文作者列表中频繁出现，北大和上交各有9篇高水平论文入选，浙大3篇。中国研究者开始从增量改进转向定义问题：DeepSeek-R1让社区重新审视“低成本高性能”路线，至少数十篇接收论文直接引用DeepSeek工作。多模态方向，Qwen-VL（阿里）、InternVL（OpenGVLab/复旦）、DeepSeek-VL等形成完整贡献链。企业侧，腾讯、阿里、字节、百度、华为均有论文被接收，涉及核心算法创新。