ICML 2026 首爾閉幕：擴散模型橫掃大獎，逾 2.4 萬篇投稿創歷史新高

本週，首爾 COEX 國際會議中心迎來了數千名機器學習研究者，參加 7 月 6 日至 11 日舉行的 ICML 2026——這是全球最頂尖的機器學習學術會議。無論以哪個指標衡量，本屆都展現出一個處於高速成長的領域：今年投稿數達到創歷史紀錄的 24,371 篇，較 2025 年的 12,107 篇幾近翻倍，一年內成長超過百分之百。其中逾 6,300 篇獲得接受，錄取率維持在 21% 至 30% 之間。

逾萬名與會者擠滿首爾的展覽大廳，使 ICML 2026 成為有史以來規模最大的機器學習會議之一。這個規模不僅反映了學術界的關注，更體現了學界、國家實驗室和產業界共同湧入 AI 研究的龐大資金規模。

擴散模型登頂

若說本屆 ICML 有一條貫穿始終的主軸，那就是擴散模型作為下一代語言模型架構有力競爭者的戲劇性崛起。

三項傑出論文獎（Outstanding Paper Awards）全數由擴散模型相關研究獲得——這個結果放在兩年前幾乎難以想像，那時 Transformer 架構對語言建模的主導地位如此徹底，替代架構幾乎乏人問津。如今，整個領域都在密切關注。

第一篇獲獎論文來自清華大學高焕（Huang Gao）團隊，題為《靈活性陷阱：重新思考擴散語言模型中任意生成順序的價值》，挑戰了長期以來驅動擴散語言模型設計的核心假設。論文指出，任意生成順序——即以任何序列而非從左到右生成 token 的能力——所帶來的收益可能遠不如預期，在某些設定下甚至有害。若此論點成立，將深刻影響擴散語言模型架構的設計思路。

第二篇由 Fan Chen 等人撰寫，題為《擴散模型與對數凹分佈的高精度採樣》，深化了擴散採樣演算法的數學基礎。對於實務應用者而言，更好的採樣演算法意味著更快、更精確的生成——每天在數百萬次推論中累積成可觀的效益。

第三篇獲獎論文突破了純技術貢獻的範疇：Sarah Ball 與 Phil Hackemann 的立場論文《對齊社群正在無意間打造一套審查工具》在會場引發了大量討論。論文的核心論點——為 AI 安全與對齊開發的工具，正在以從未設想的方式被挪用於內容審查——觸動了一個對安全研究政治化日益焦慮的研究社群的敏感神經。

時間考驗獎：DeepMind A3C 演算法

ICML 的時間考驗獎（Time Test Award）頒給十年前最具影響力的論文，本屆得主是 DeepMind 2016 年的《深度強化學習的非同步方法》，也就是引介 A3C 演算法的那篇研究。這個獎是對基礎研究長達十年影響力的提醒：A3C 中關於非同步並行訓練代理人的理念，直接為今日 AI 訓練管線中使用的眾多強化學習系統奠定了基礎，包括塑造現代 LLM 行為的多種來自人類反饋的強化學習方法（RLHF）。

代理人 AI 與合成資料：年度主導趨勢

除了個別論文，與會者普遍指出兩個主導本屆 ICML 的整體研究趨勢。

代理人 AI 高居榜首。AI 能規劃、執行多步驟任務、使用外部工具並根據回饋調整行為的概念，過去一年已從推測性議題轉為核心議題，ICML 2026 充分反映了這一轉變。代理人訓練、長程任務完成、工具使用與多代理人協調的論文填滿了多個議題軌道。用強化學習改善大型語言模型推理和指令遵循能力的研究（即 LLM 的強化學習）尤其大量出現。

合成資料生成是另一個主要主題。隨著訓練資料集觸及規模瓶頸，版權疑慮也使網路爬取內容的使用日趨複雜，領域重心急速轉向自行生成訓練資料。本屆 ICML 出現了合成資料研究的「爆炸性激增」：論文探討如何用其他模型生成的資料訓練模型、如何在合成資料集中維持多樣性避免模式崩塌，以及如何驗證合成資料確實教授了研究者所期望的內容。

產業的巨大存在感

ICML 2026 的產業存在感達到前所未有的規模。NVIDIA 有 74 篇自家研究論文獲得接受，並被約 2,000 篇接受論文引用——超過全部接受論文的三成——這是現代機器學習對 Nvidia GPU 基礎設施高度依賴的驚人佐證。另有 145 篇論文特別引用了 NVIDIA Nemotron 系列研究型語言模型。

Google 發布了詳盡的 ICML 2026 貢獻清單，涵蓋影片生成、數學推理和生物序列建模。Apple 機器學習研究團隊展示了推論效率和端側模型個人化方面的研究。Meta AI、DeepMind、微軟研究院以及幾乎所有主要 AI 實驗室都有大量代表作品。

轉型中的領域

或許比任何個別論文或獎項更值得關注的，是多位資深研究者在走廊交流和公開演講中的共同觀察：這個領域正從「快速擴張」轉向「深度清理」。

過去四年的 Transformer 規模化帶來了非凡的能力，卻也留下了大量的理解空白——為什麼這些模型能夠泛化？它們究竟記憶了什麼？內部表徵與意義有何關聯？能力湧現的相變臨界點發生了什麼？ICML 2026 中，試圖對已部署於生產環境的現象進行嚴格分析的論文比例，明顯高於提出新架構的論文。

一篇對「頓悟（grokking）」現象提供數學證明的榮譽提及論文，很好地詮釋了這個趨勢。頓悟現象是指神經網路在看似已記憶訓練資料後，在長時間訓練後才突然「解決」問題的令人費解的現象；過去幾年只有大量的實驗性觀察，ICML 2026 帶來了正式的理論說明。

類似地，一篇探討語言模型中誠實性湧現的論文，追問模型何時以及為何發展出提供真實輸出的特性——一個具有顯而易見實踐意義，卻在此之前鮮少獲得正式研究的問題。

研討會作為指標

ICML 的投稿記錄本身值得強調，它是一個獨立的訊號。年對年 102% 的增幅，不只是領域成長的函數，而是質與量動態的反映：比以往任何時候都多的研究者正在從事機器學習工作，而且更大比例的工作被整理成論文投稿給頂尖會議。

同儕評審系統在這個負荷下承受著壓力。大會組織者已悄悄指出，在這種投稿量下維持高品質審查，需要大幅擴大審稿人池（這會稀釋專業度）或接受更長的審查週期（這會拖慢對研究者的回饋）。兩者都不理想，ICML 2026 可能是分水嶺——之後這個會議要麼重組其形式，要麼催生大量重要的並行場館。

不管結構性調整如何演進，首爾傳遞的實質訊號已經明確：擴散模型如今已成為語言任務中 Transformer 架構的真正替代架構，代理人 AI 已從研究前沿進入研究主流，而整個領域正越來越聚焦於理解自己已經打造出的東西。

---

ICML 2026 於 2026 年 7 月 6 日至 11 日在韓國首爾 COEX 國際會議中心舉行，2027 年會址尚未公布。