ICML 2026 Session 7-2 Spotlight 论文精选：空间智能、脑网络、图学习与推理优化

7月9日，ICML 2026 进入正会第三天。大会接收 6352 篇论文，其中 Spotlight 536 篇（2.2%），Oral 168 篇（0.7%）。以下是 Session 7-2 的六篇 Spotlight 论文概要：

1. SpatioLM: 视觉语言模型的通用物理空间智能

论文链接：https://openreview.net/forum?id=CHavqrN1X9
视觉语言模型（VLM）在视觉空间推理上存在短板。SpatioLM 提出即插即用的空间视觉模块，利用伪深度和相机信息作为监督信号，不引入外部编码器即可激发 VLM 固有空间知识。在 VSI-Bench 上取得 71.6 分，成为首个突破 70 分的模型，且通用能力未受损。

2. PhenoBrain: 表型条件化多模态脑网络分析

论文链接：https://openreview.net/forum?id=9NqKL9QQ4a
针对传统方法忽略表型语境对功能连接组表示的影响，PhenoBrain 在机制层注入表型信息，设计表型条件化长程路由机制和注意力调节方法。在多模态脑网络数据集上达到最先进性能。

3. S³GNN: 高效全局混合与局部消息传递的图学习

论文链接：https://arxiv.org/abs/2605.23467
消息传递神经网络（MPNN）存在过度压缩问题。S³GNN 重新审视理论假设，通过轻量级组件融合全局混合与局部消息传递，无需限制性假设即可缓解过度压缩。在长距离基准、知识图谱问答等任务上误差降低一个数量级，参数量减少 50%。

4. 复杂推理的刻画、评估与优化

论文链接：https://arxiv.org/abs/2602.08498
提出 ME² 原则从宏观/微观、效率/有效性维度刻画推理质量。将推理轨迹建模为有向无环图（DAG），开发基于 DAG 的成对评估方法和 TRM-Preference 数据集，训练思考奖励模型（TRM）。测试时选择可带来最高 19.3% 性能提升，强化学习训练可获得 3.9% 提升。

5. MemoryBench: LLM 系统记忆与持续学习基准

论文链接：https://arxiv.org/abs/2510.17281
针对 LLM 持续学习能力评估缺失，MemoryBench 提出用户反馈模拟框架和涵盖多领域、多语言、多任务的基准。实验揭示当前最先进方法在有效性和效率上远未令人满意。

6. ASAG: 让推理模型学会“适可而止”

论文链接：https://arxiv.org/abs/2606.15070
大型推理模型常过度生成 token。ASAG 通过分析注意力状态变化自适应调整生成，无需训练、即插即用。在 9 个基准上对 DeepSeek-R1-Distill 和 Qwen3 系列模型一致提升，其中 Qwen3-8B 平均准确率提升 3.2%，生成 token 数减少近 40%。