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 %）。

作为机器学习领域最顶级的学术会议之一，ICML 今年的 Spotlight 论文涵盖了从图像美学评估到无线电信号理解、从 3D 生成到 Agent 优化等多个前沿方向。

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。

以下精选 Poster Session 3 九篇 Spotlight 论文，一文看尽 AI 研究最值得关注的方向。（如果你也想让你的研究成果出现在这里，请与我们联系）：

1. 当属性 Disagree：图像美学评估中的梯度冲突

When Attributes Disagree: Gradient Conflict in Image Aesthetic Assessment

图像美学评估（IAA）的目标是预测一张图的整体美学分数，但美学本身由多个属性共同决定——构图、色彩、光影、语义内容……不同属性的相对重要性随图像内容和用途而变。然而，作者发现一个令人惊讶的现象：多个主流 IAA 模型在相同的困难样本子集上集体失败，形成稳定的误差聚类。这是优化层面的系统性偏差影响了评估效果

深入分析后，作者揭示了根源：在端到端训练中，共享参数的方式让不同属性主导的样本产生方向相反的梯度信号，彼此部分抵消，导致代表性不足的属性子集持续难以优化。这种 " 梯度冲突 " 现象在多种 IAA 基线模型中一致存在。

为此，作者提出 AGREE（Attribute-guided Gradient Routing for Establishing Agreement），一个即插即用的框架。AGREE 通过四个互补机制——属性解耦、语义锚点、敏感性路由和误差感知重加权，在参数、特征、样本和损失四个层面缓解梯度冲突。无需额外监督或架构修改，AGREE 在 5 个数据集 × 6 个基线模型上均取得一致提升，整体 SRCC 最高提升 4.8%，困难样本 SRCC 最高提升 38.5%。

论文链接：https://openreview.net/forum?id=GrIs035ec3

2. PhotoAgent：用大视觉模型做探索式美学规划

PhotoAgent: Exploratory Visual Aesthetic Planning with Large Vision Models

生成模型的快速发展让指令驱动的图像编辑展现出巨大潜力，但编辑质量高度依赖用户精心设计的提示词——用户需要自行拆解编辑任务、安排操作顺序、逐步给出指令。这种 " 手动编排 " 的方式把专业门槛全部推给了用户。

PhotoAgent 重新思考了图像编辑的范式：将自主图像编辑建模为一个长期决策问题。它不再依赖用户逐步提示，而是自动推理用户的美学意图，通过树搜索规划多步编辑动作，并在闭环执行中利用记忆和视觉反馈迭代优化结果。整个过程就像一位专业的修图师在自主判断和调整。

为了支持可靠的评估，作者还构建了 UGC-Edit 美学评估基准（7000 张照片 + 学习型美学奖励模型）和包含 1017 张照片的测试集。实验证明，PhotoAgent 在指令遵循度和视觉质量上均持续优于基线方法，让普通用户无需编写复杂提示即可获得专业级修图效果。

论文链接：https://openreview.net/forum?id=Ws8swqL5ob

3. RelaxFlow：文本驱动的非模态3D生成

RelaxFlow: Text-Driven Amodal   3D   Generation

图像到 3D 生成在遮挡场景下面临固有语义歧义，即仅凭部分观测往往不足以判断物体类别。例如一张只露出杯柄的图片，杯子可能是陶瓷杯、玻璃杯，甚至是一个装饰花瓶。如何补全被遮挡的部分？用户应该有权表达自己的意图。

作者正式定义了 " 文本驱动的非模态 3D 生成 " 任务：文本提示引导不可见区域的补全，同时严格保持输入观测的视觉保真度。关键洞察在于，这两个目标需要不同的控制粒度：对可见区域需要刚性控制（不许改），对文本引导区域则需要松弛的结构控制（允许创造）。

RelaxFlow 是一个无需训练的双分支框架，通过多先验一致性模块和松弛机制解耦控制粒度。理论上，作者证明了松弛机制等价于对生成向量场施加低通滤波器，抑制高频细节以隔离与观测兼容的几何结构。同时，作者引入了 ExtremeOcc-3D 和 AmbiSem-3D 两个诊断基准。实验证明 RelaxFlow 成功引导不可见区域的生成以匹配提示意图，同时不牺牲视觉保真度。

论文链接：https://openreview.net/forum?id=UamxHbDR3p

4. Vision2Web：视觉网站开发的层级化基准

Vision2Web: A Hierarchical Benchmark for Visual Website Development with Agent Verification

大语言模型提升了编码 Agent 的能力，但对端到端网站开发的系统性评估仍然有限。现有基准往往只关注单一层面（如 UI 转代码），缺少从静态页面到全栈开发的完整覆盖和有效验证手段。

Vision2Web 提出了一个层级化基准，涵盖三个难度层次：静态 UI 转代码生成、交互式多页前端复现、长时序全栈网站开发。基准从真实网站构建，包含 193 个任务、16 个类别、918 张原型图像和 1255 个测试用例。为支持灵活可靠的评估，作者还提出工作流式 Agent 验证范式，结合 GUI Agent 验证器和 VLM 评判器两个互补组件。

对多个视觉语言模型在不同编码 Agent 框架下的评估揭示了关键发现：在各任务层级上都存在显著性能差距，即使最先进的模型在全栈开发任务上仍然表现不佳。这为后续研究指明了方向，端到端网站开发仍是 Agent 能力的重大挑战。

论文链接：https://arxiv.org/abs/2603.26648

5. CLEAR：端到端无遮罩视频字幕去除

CLEAR: Context-Aware Learning with End-to-End Mask-Free Inference for Adaptive Video Subtitle Removal

视频字幕去除在内容本地化和媒体再编辑中至关重要，但现有基于扩散模型的方法在训练和推理阶段都需要显式的字幕遮罩序列，严重限制了实际部署。获取精确遮罩本身就很费时费力，这让 " 去掉字幕 " 这件看似简单的事变得复杂。

CLEAR 提出了一种无遮罩框架，实现真正的端到端推理。两阶段设计将先验提取与生成细化解耦：第一阶段通过双编码器上的自监督正交约束学习解耦的字幕表示；第二阶段基于 LoRA 适配结合生成反馈机制实现动态上下文调整。值得注意的是，CLEAR 仅需基础扩散模型 0.77% 的参数量进行训练。

在中文字幕基准上，CLEAR 以 +6.77dB PSNR 和 -74.7% VFID 大幅优于依赖遮罩的基线方法。更令人惊喜的是，它展现出强大的零样本泛化能力，在英语、韩语、法语、日语、俄语、德语六种语言上均表现优异，无需任何语言特定训练。

论文链接：https://openreview.net/forum?id=HszNb2xE7P

6. ParetoPO：多目标优化让工具 Agent 不止追求准确率

Towards Pareto-Optimal Tool-Integrated Agents with Pareto Ranking Policy Optimization

工具集成语言 Agent 在复杂推理任务上的能力显著提升，但现有对齐方法几乎只关注最大化任务准确率，忽视了工具使用效率等辅助目标。在实际部署中，一个准确率很高但每次调用十几个工具的 Agent，可能不如一个准确率稍低但只需两三次工具调用的 Agent 实用。准确率和效率之间的平衡至关重要。

ParetoPO 是一个两阶段多目标优化框架。第一阶段利用超体积引导的动态标量化，根据全局 Pareto 前沿进展自适应调整奖励权重；第二阶段用基于 Pareto 排序的优势计算替代标量化学习信号，通过支配感知的信用分配促进非支配轨迹，实现跨多个冲突目标的细粒度、动作级优化。

在数学推理和多跳问答任务上的实验表明，ParetoPO 相比静态和启发式基线方法，能持续发现具有更优准确率 - 效率权衡的策略。这项工作为 Agent 的实用化部署提供了新的优化思路——不只追求 " 做得对 "，更要追求 " 做得好且做得快 "。

论文链接：https://arxiv.org/abs/2606.16111

7. PWC-Diff：从去噪到去信道，扩散模型理解无线电信号

From Denoising to De-Channeling: Integrating Physical Channel Priors into Diffusion Models for Radio Signal Understanding

无线信号识别（WSR）利用 AI 识别被动接收的无线电信号属性，在频谱管理等领域有广泛应用。但现有 WSR 方法通常直接从接收信号中学习，而这些信号已被物理无线信道（如衰落）严重失真。就像戴着模糊眼镜看世界，只能识别到扭曲后的幻影。

更关键的是，当前的去噪扩散模型只具备 " 去噪 " 能力，缺乏 " 去信道 " 能力，它们能去掉随机噪声，却无法消除物理信道造成的系统性失真。这是一个范式层面的缺口。

PWC-Diff 将物理无线信道先验显式整合到扩散过程中，实现从 " 去噪 " 到 " 去信道化 " 的升级。核心架构 FusedFormer 包含融合模块和自注意力模块，联合捕获信号在整个扩散轨迹中的时域和频谱特征，逐步 " 去信道化 " 恢复出更接近原始发射信号的表示。在三个 WSR 任务的多个数据集上取得 SOTA 性能，理论和消融实验均验证了有效性。

论文链接：https://openreview.net/forum?id=NUerSGt9wn

8. PaperBanana：给 AI 科学家自动画论文插图

PaperBanana: Automating Academic Illustration for AI Scientists

基于语言模型的自主 AI 科学家发展迅猛，但生成可出版的学术插图仍是研究工作流程中劳动密集型的瓶颈。写论文时，实验跑完了、文字写完了，插图（方法流程图、架构示意图、统计图表……）却要花大量时间手绘——这让 "AI 科学家 " 的全流程自动化卡在了最后一步。

PaperBanana 是一个面向学术插图自动生成的智能体框架，由最先进的 VLM 和图像生成模型驱动。它协调专业化的 Agent 完成参考检索、内容与风格规划、图像渲染，并通过自批评机制迭代精炼，就像一个会自我审查的插图助理，不断改进直到达到出版标准。

为严谨评估，作者构建了 PaperBananaBench 基准，包含 292 个方法流程图测试案例，数据来源于 NeurIPS 2025 出版物。实验表明 PaperBanana 在忠实度、简洁性、可读性和美观度四个维度上均持续优于基线方法，还可有效扩展到高质量统计图表的生成。这项工作为 AI 科学家全流程自动化补上了关键的 " 插图缺口 "。

论文链接：https://openreview.net/forum?id=FneePKFVHT

9. CoCLD：从不规则事件学习耦合连续时间潜在动态

Learning Coupled Continuous-Time Latent Dynamics from Irregular Events

从不规则采样的事件序列中建模动态依赖关系是现代机器学习的根本性挑战。现实中，个体层面的状态随时间连续演化，同时受到群体层面分布动态的影响：一个用户的购买行为既受个人偏好驱动，也受市场趋势影响。但现有方法要么孤立建模个体或群体，要么依赖离散时间近似，无法捕捉长程时序不规则性和稀疏观测。

CoCLD（Coupled Continuous-Time Latent Dynamics）框架首次在连续时间潜在空间中联合建模个体潜在动态和群体层面的分布变化，并将二者对齐。它整合了基于扩散的潜在插值器和神经常微分方程（Neural ODE），能在任意时间点实现潜在状态的有原则插值、生成和对齐。理论上，作者证明了耦合机制在稀疏和不规则观测下能给出连续时间潜在动态的一致估计量。

实验涵盖下一事件预测、移动轨迹生成和序列行为建模等多种任务，CoCLD 均展现出有效捕捉动态依赖的能力。这项工作为不规则事件序列建模开辟了新范式——不再割裂个体与群体，而是在连续时间的统一框架中理解二者耦合的动态演化。

论文链接：https://openreview.net/forum?id=HfQ0X1lTGg

从图像美学中的梯度冲突到扩散模型的去信道化，从自主修图 Agent 到学术论文插图自动化——这 9 篇 Spotlight 论文展示了 AI 在不同领域的多元突破。

无论是让模型更精准地理解美、更高效地使用工具，还是在遮挡中补全 3D、在不规则事件中捕捉动态，这些工作都在拓展 AI 能力的边界。

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

扫描上方二维码

或点击「阅读原文」关注专区。