清华王鑫团队包揽IJCAI 2026两大Tutorial，OOD泛化成生成式AI新战场

事件概述

国际人工智能联合会议（IJCAI 2026）近日公布Tutorial录用名单，清华大学王鑫教授团队凭借两个主题同时入选：T9《Beyond Graph Distribution Shifts》和T11《Out-of-distribution Generalized Generative AI》。同一团队在IJCAI上包揽两席极为罕见，凸显了清华在AI领域的技术话语权。

核心内容

大模型的“阿喀琉斯之踵”

当前大语言模型和生成式AI在训练数据分布内表现优异，但面对真实世界中未见场景或罕见提示词时，性能急剧下降并产生幻觉。这种对“独立同分布”的脆弱依赖正是传统深度学习的瓶颈。王鑫团队长期深耕OOD泛化（分布外泛化），此次Tutorial是对其多年积累的系统展示。

T9：图分布偏移与图大语言模型

T9聚焦图数据中的分布偏移问题。现实世界数据高度结构化且动态演进，现有方法多基于同分布假说。团队提出“三维解法”：

• 图大语言模型（Graph LLMs）：将LLM表征能力与图结构结合，实现上下文学习和小样本学习。
• 动态适应：通过图神经网络架构搜索（NAS）和持续学习使模型自我进化。
• 因果与不变性：引入因果推断剥离虚假关联，在未见分布下构建鲁棒图网络。

该方案直接支撑金融风控、医药发现等复杂场景的LLM落地。

T11：OOD泛化的生成式AI

T11将OOD泛化应用于多模态大语言模型（MLLMs）和基于扩散的视觉生成。不仅拆解了多模态模型的架构与概率机制，更重点探讨了通用化后训练策略（Post-training），使模型在分布偏移和新型应用场景下保持鲁棒性。这标志着国际学术界已认可清华团队定义该交叉领域问题的能力。

意义与影响

王鑫团队此次“双星闪耀”体现了长期主义学术路线——不追逐参数规模，而是聚焦AI底层难题。当算力与参数的边际收益递减时，OOD泛化能力成为通往通用人工智能的关键。中国学者在这一前沿领域的学术领导力正在上升。