论文
也叫：Efficient, Property-Aligned Fan-Out Retrieval via RL-Compiled Diffusion
提出核心方法的论文
最近变化
2026-09-15 · 使用强化学习预训练扩散模型，消除推理阶段的计算瓶颈
ICML 2026 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
已收录 4 篇与「ICML 2026」相关的 AI 资讯和分析。
Ophiuchus-7B在8个医学VQA基准上以68.0分超越OpenAI-o3（62.2）、Gemini 2.5 Pro（61.8）和GPT-5（59.9），核心突破在于提出‘Think with Images/Videos’新范式：模型在推理链中主动调用SAM2、BiomedParse等工具重新观察关键区域/时刻，使视觉证据成为思维过程的一部分，而非仅作输入。
入选理由：Ophiuchus-7B在8个医学VQA benchmark平均得分68.0，显著高于o3（62.2）、Gemini 2.5 Pro（61.8）与GPT-5（59.9）
Google提出Retrieve-for-Train框架，通过强化学习训练轻量扩散模型，无需推理阶段计算即可生成满足多样性和覆盖性的搜索结果集。
入选理由：使用强化学习预训练扩散模型，消除推理阶段的计算瓶颈
ThunderAgent通过优化KV缓存管理，实现单节点吞吐量提升2倍，集群加速2.4倍，解决代理推理中的缓存抖动问题。
入选理由：单节点吞吐量提升2.5倍，P50延迟降低10倍
斯坦福AI实验室发现大语言模型在预测其他模型输出时表现优异，但事实准确性不足，且自我一致性方法无法提升无验证场景下的真实性。
入选理由：LLMs预测其他模型输出准确率高，但事实判断错误率高达70%（ICML 2026论文数据）
与「ICML 2026」经常一起出现的 AI 术语。
💡 想追踪「ICML 2026」的长期趋势？去 实体雷达 · ICML 2026 查看详细分析和跨材料问答。
