7月8日，精选机器学习领域顶级盛会 ICML 2026 进入正会第二天。精选本届大会共收录 6352 篇论文，精选其中 Spotlight 论文 536 篇（占比 2.2%），精选Oral 论文 168 篇（占比 0.7%）。精选作为 AI 研究的精选风向标，Spotlight 论文代表了当前技术的精选最前沿。

雷峰网报道团队深入首尔 COEX 会展中心，精选从数千张学术海报中精选出 Session 5 的精选 9 篇 Spotlight 论文。内容涵盖高效卷积、精选离散扩散、精选低精度训练、精选偏好优化、精选MoE 路由、精选大模型鲁棒性、精选黑盒优化、3D 点云补全及脑机接口等核心领域。

【投稿合作】
若希望您的研究成果入选，请联系：
1. WestWorld：面向多样机器人系统的知识编码轨迹世界模型

1、WestWorld：面向多样机器人系统的知识编码轨迹世界模型

论文链接：https://arxiv.org/abs/2603.14392

核心亮点：引入物理结构知识，实现跨形态学的零样本泛化。

轨迹世界模型是机器人动力学学习与控制的关键，但现有方法难以扩展至多样化的系统动力学场景，且往往忽略物理结构的先验知识。WestWorld 提出了一种知识编码的可扩展轨迹世界模型，通过系统感知混合专家模型（Sys-MoE）动态路由不同机器人的专业化专家，并利用结构化嵌入将轨迹表示与形态学信息对齐。

• 实验突破：在 89 个复杂环境（涵盖仿真与真机）上预训练，WestWorld 在零样本和少样本轨迹预测任务中显著优于基线，展现出强大的跨环境可扩展性。
• 关键发现：物理结构知识的引入有效提升了零样本泛化能力，显著改善了下游基于模型的控制性能。
• 落地验证：模型已成功部署于真实 Unitree Go1 四足机器人，验证了其在实际场景中的稳定运动性能，为通用机器人世界模型提供了“知识+数据”融合的新范式。

2、DS-TS：用物理动力系统求解时间依赖微分方程

论文链接：https://openreview.net/forum?id=0YHSZPkMp8

核心亮点：打破精度与速度的权衡，求解速度提升 1000 倍，能效提升 10 万倍。

时间依赖微分方程（TDDE）是科学工程建模的核心，但传统数值求解器面临“小步长高精度低速度”与“大步长高速度低精度”的根本矛盾。现有动力系统机（DSM）在捕捉时空复杂性方面仍显不足。

DS-TS 提出了一种新型 TDDE 求解器，集成三大创新：
1. 兴奋-抑制启发式耦合：建模复杂空间交互。
2. 状态感知动态非线性：实现节点间丰富的状态依赖时空相关性。
3. 层次化时间积分：精准捕捉长距离时间依赖。

该模型充分利用物理动力系统的连续时间计算优势，在保持高保真解的同时，速度提升约 1000 倍，能效提升约 10 万倍，为时间敏感的科学计算开辟了全新的物理计算路径。

3、From Pixels to Tokens：VLA 模型中潜在动作监督的系统性研究

论文链接：https://arxiv.org/abs/2605.04678

核心亮点：揭示“公式-任务”对应关系，离散 Token 监督取得最优性能。

潜在动作（Latent Actions）作为中间表示，旨在统一异构数据集上的视觉-语言-动作（VLA）模型。然而，现有方法缺乏系统性比较，导致训练策略选择困难。

本研究在统一 VLA 基线框架下，从基于图像的正则化和基于动作的目标空间统一两个视角，比较了四种集成策略：
* 基于图像的潜在动作：有利于长时域推理和场景级泛化。
* 基于动作的潜在动作：在复杂运动协调方面表现优异。
* 关键结论：直接使用离散潜在动作 Token监督视觉语言模型能取得最优性能，并初步验证了其在混合数据场景下的优势。

这项工作为 VLA 训练提供了实证指南，强调“没有万能策略”，任务特性决定了最优的潜在动作表示方式。

4、Poisson 分支结构因果模型的可识别性研究

论文链接：https://proceedings.neurips.cc/paper_files/paper/2024/hash/15aaa9224a35527d76188b4d40e02308-Abstract-Conference.html

核心亮点：填补计数数据因果发现理论空白，利用 PGF 实现局部结构唯一编码。

针对计数数据（如浏览、购买事件序列），现有贝叶斯网络方法常忽视分支结构，而基于累积量的方法存在可识别性缺口。

该研究采用概率生成函数（PGF）探索 Poisson 分支结构因果模型（PB-SCM）的可识别性：
* 理论突破：使用二项细化算子建模分支结构，推导了 PB-SCM 概率生成函数的紧凑闭式解。证明闭式解中每个组件唯一编码了特定局部结构，从而可通过测试 PGF 组件出现来识别局部因果结构。
* 算法落地：提出实用的因果骨架学习和方向识别算法，在合成与真实数据集上验证有效。

这一工作为生物学、经济学和网络运维等领域的因果分析提供了新工具。

5、EcoVLA：面向 VLA 模型的环境感知自适应剪枝

论文链接：https://arxiv.org/abs/2602.00780

核心亮点：无需训练、即插即用，解决 VLA 推理延迟与环境动态适应难题。

VLA 模型参数量巨大，推理延迟高，且静态剪枝无法适应环境变化。EcoVLA 提出一个无需训练、即插即用的自适应剪枝框架：
1. 环境感知自适应剪枝（EAP）：利用物理环境的时间一致性动态更新稀疏模式。
2. 交错推理编排（I2O）：利用推理计算气泡实现并行剪枝调度，将对延迟的影响降至最低。

性能表现：
* 单独使用：加速 1.60 倍，成功率仅降 0.4%。
* 结合 Token 剪枝：加速 2.18 倍，性能仅降 0.5%。

该方法在真实机器人上验证有效，为 VLA 模型的实时部署提供了实用方案。

6、NASH：让 Data Shapley 重新有效的数据选择框架

论文链接：https://arxiv.org/abs/2605.10684

核心亮点：“分解+非线性聚合”策略，解决 Data Shapley 实践效果不佳的矛盾。

Data Shapley 虽能捕捉数据交互，但在实践中常因效果不如随机选择而受质疑。NASH 框架通过两步策略解决此问题：
1. 分解：将目标效用函数（如验证准确率）分解为更简单的、Shapley-informative 的组件函数。
2. 聚合：通过非线性方式聚合这些组件，构建优化目标以选择数据。

实验表明，NASH 在几乎不增加额外运行成本的前提下，大幅提升了数据选择性能，使 Shapley 类方法重新变得高效且可靠，为数据估值领域提供了重要贡献。

7、Rapid Poison：针对快速响应框架的实际投毒攻击

论文链接：https://arxiv.org/abs/2606.16242

核心亮点：揭示生产级安全防护框架（如 Anthropic ASL-3）的训练管道漏洞。

Rapid Response（RR）框架通过持续改进越狱检测分类器来防御新型攻击。本研究揭示其训练管道存在安全漏洞，提示注入可渗透流程，将有毒样本送入训练集。

在严格威胁模型下（仅修改越狱样本），研究实现了两大攻击目标：
1. 定向投毒：在无害样本上制造假阳性。
2. 概念后门攻击：在越狱输入上诱导假阴性。
3. Omission Attack：利用概念缺失导致的错误关联，使后门攻击对已训练的防御策略依然有效。

危害评估：仅 1% 的投毒率即可使假阳性率高达 100%、假阴性率高达 96%，甚至实现近乎完全的标签翻转。这一发现警示 AI 安全框架本身也需被严格审视。

8、HelioX：面向生物物理细节网络的 GPU 原生框架

论文链接：https://openreview.net/forum?id=XjTRtfxK9g

核心亮点：GPU 原生设计，统一高性能模拟与可扩展训练，降低工程门槛。

生物物理神经元模型具有丰富时空计算能力，但其不规则树突拓扑与深度学习框架不匹配，导致训练效率低下。HelioX 是一个GPU 原生框架：
* 定制融合 CUDA 内核：专为树突层级调度和梯度传播设计。
* 端到端闭环：解析梯度传播，实现从模拟状态更新到参数优化的完整闭环。
* 多流并发：提升 GPU 执行效率。

HelioX 在消费级 GPU 上实现了深度生物物理 MLP 训练及线虫（C. elegans）模型拟合，在数值和学习基准测试中取得显著的速度和内存效率提升，使详细神经元研究在计算神经科学和脑启发学习中更加可行。

9、DiCoLa：隐变量场景下的递归分解因果结构学习

论文链接：https://arxiv.org/abs/2605.10651

核心亮点：首次实现隐变量场景下的高效“分而治之”因果发现，保证理论完备性。

基于约束的因果发现因依赖条件独立性检验而在高维场景下计算代价极高。现有“分而治之”框架多假设因果充分性（无隐变量），限制了实际应用。

DiCoLa 框架将全局因果结构学习递归分解为子问题：
1. 递归分解：对每个子问题独立进行因果发现。
2. 理论重构：通过有理论保证的重构步骤整合子问题解。
3. 关键突破：理论上证明分而治之策略可推广至存在隐变量的场景，并保证正确性和完备性。

实验验证了该方法在多种因果发现算法上显著提升了计算效率，为大规模因果结构学习提供了实用且理论完备的解决方案。

结语

从机器人世界模型到物理计算，从因果发现到 AI 安全，这九篇 Spotlight 论文展现了 ICML 2026 的多元面貌。它们或打破既有权衡，或填补理论空白，或揭示安全隐患，共同指向一个趋势：AI 研究正在向更深层的物理建模、更严谨的理论基础和更安全的工程实践迈进。

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。

【社群招募】
一个人读论文太孤单，一群人刷顶会才好玩。
ICML 2026 召开在即，我们正在召集一批含金量极高的 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