7月9日，精选被誉为人工智能与计算机视觉领域风向标的精选 ICML 2026正式拉开帷幕，开启了为期三天的精选核心议程。在创纪录的精选投稿规模下，大会从海量投递中严选出 6352篇录用论文。精选其中，精选代表前沿探索方向的精选 Spotlight 论文达536篇（占比2.2%），极具开创性的精选 Oral 论文168篇（占比0.7%）。

本届入选研究呈现出极高的精选多元性与技术深度，全面覆盖从多模态大模型、精选三维高斯泼溅到具身智能视觉、精选神经辐射场优化、精选可信视觉及高效边缘端部署等激进探索领域。精选在投稿规模较去年翻倍、精选同行评审机制经历全面“严苛重塑”的精选背景下，这批脱颖而出的顶尖工作凝聚了当前计算机视觉与AI领域最核心的学术硬核。

雷峰网AI科技评论团队深入现场，在数千份学术海报中抽丝剥茧，通过“高清海报展示 + 核心逻辑拆解”的形式，为读者搭建跨越空间的学术桥梁。这不仅是一份成果罗列，更是对视觉计算技术从感知智能到认知推理、从虚拟像素到物理具身交互演进脉络的深度复盘。

以下为您精选 Poster Session 7的八篇 Spotlight 论文，一文洞悉计算机视觉与AI最前沿的进化轨迹。

1. 适应同质性偏移的渐进式图结构调整

Progressive Graph Structure Adjustment for Homophily Shift Adaptation

核心痛点：图域适配中，源图与目标图节点同质性（Homophily）的不匹配导致跨域迁移效果下降。

创新方案：
提出 PSAHS（Progressive Graph Structure Adjustment）轻量化方法，通过渐进式结构调整解决结构不一致问题：
* 源图优化：重设边权重并增加类内连接，提升源图同质性。
* 目标图优化：结合结构感知 GNN 与仅依赖属性的 MLP，逐步优化目标图结构。
* 表示对齐：采用域对抗训练对齐节点表示，缓解标签稀缺带来的负面影响。

实验结论：在多个图域适配基准上，PSAHS 在严重同质性失配条件下显著优于现有强基线，为跨图迁移提供了更强的通用性与可靠性。

论文地址：https://openreview.net/forum?id=OkyO74bJqE

2. 理论级自动形式化：从孤立陈述到统一的知识库

Theory-Level Autoformalization: From Isolated Statements to Unified Formal Knowledge Bases

核心痛点：现有自动形式化研究多关注孤立陈述，而实际数学工作本质上是“理论级”的，需构建包含公理、定义和引理的完整网络。

创新方案：
倡导 “理论级自动形式化”范式，将相互依赖的完整理论形式化为结构化库。
* 意义阐述：探讨其在合成训练数据、加速理论验证等方面的重要性。
* 挑战回应：回应陈述级与理论级的权衡争议，指出等价性检查和分层分解等开放性挑战。
* 发展路径：提出构建统一中间表示等三种前瞻性路径，为具备通用推理能力的 AI 奠定基础。

论文地址：https://openreview.net/forum?id=BoteCHEFUr

3. 基于评分准则的奖励与指导：提升多领域推理能力

Reward and Guidance through Rubrics: Promoting Exploration to Improve Multi-Domain Reasoning

核心痛点：现有强化学习局限于单领域，纯在线框架探索空间受限，单一奖励机制导致性能瓶颈。

创新方案：
提出 RGR-GRPO新型强化学习框架：
* 评分准则驱动：构建基于 Rubrics 的驱动机制，提供高密度细粒度奖励信号。
* 离线指导：通过离线指导扩展模型探索空间，优化离策（Off-policy）训练的稳定性与有效性。

实验结论：在数学、物理、化学及通用推理等14个多领域基准上，相比传统方法平均实现 5.4%至8.4%的性能提升，成功突破多领域推理瓶颈。

论文地址：https://openreview.net/forum?id=AfqsNFzJcs

4. FlatLand：通过定制洛伦兹空间实现个性化图联邦学习

FlatLand: Personalized Graph Federated Learning via Tailored Lorentz Space

核心痛点：大模型在个性化场景中难以兼顾效率与效果，且个性化偏好机制未充分探究。

创新方案：
提出 PerFit双阶段方法，揭示用户信息嵌入表示空间的关键模式：
* 空间发现：发现个性化信息嵌入存在于低秩子空间中，包含用户共有的整体偏移和特有的个性化偏移。
* 微调策略：通过微调隐藏表示空间中的共有偏移与特定偏移，实现精准个性化调控。

实验结论：在六个数据集上，PerFit 在保持强竞争力的同时，平均显著减少 92.3%的参数开销，为个性化图联邦学习提供创新方案。

论文地址：https://openreview.net/forum?id=H6PagZKyil

5. 论学习用于训练数据选择的元网络的困难性

On the Difficulty of Learning a Meta-network for Training Data Selection

核心痛点：合成数据因分布不匹配限制模型性能，元网络训练面临信号噪声比低、缺乏关联数据质量特征导致的效率瓶颈。

创新方案：
* 数学分析：揭示归一化数据权重动态变化、数据质量差异与低信号噪声比之间的关系。
* 优化策略：通过增大批量大小改善优化，设计捕捉训练数据分布位置及动态信息的特征集。

实验结论：在四个基准数据集上，该方法结果平均提升 5.49%，较最优基线高出 2.89%，为元网络训练提供了坚实的数学分析与高效改进方案。

论文地址：https://openreview.net/forum?id=H6PagZKyil

6. 可微优化的完全一阶层

A Fully First-Order Layer for Differentiable Optimization

核心痛点：传统隐式微分依赖昂贵的海森矩阵计算，难以高效处理约束双层优化，梯度复杂度高。

创新方案：
提出完全避免隐式微分的新型一阶优化框架：
* 主动集拉格朗日方法：仅基于对数级时间复杂度的一阶信息，高效计算近似超梯度。
* 开源实现：实现为开源 Python 库 FFOLayer，可嵌入现有求解器。

实验结论：在保持与主流解法相当收敛性能的同时，大幅提升了计算速度，为大规模可微优化应用提供了高效落地方案。

论文地址：https://openreview.net/forum?id=jJur8Fq7IK

7. CausalGame：评估大语言模型智能体的因果思维能力

CausalGame: Benchmarking Causal Thinking of LLM Agents in Games

核心痛点：现有基准未能充分考虑现实科学发现中隐藏偏差与混杂因子带来的因果难题。

创新方案：
推出首个专注于因果推理的交互式评测基准 CausalGame：
* 场景设计：包含选择偏差、噪声测量和隐藏混杂因子在内的14种复杂游戏场景。
* 评估流程：LLM 智能体需通过交互主动设计实验、收集数据并生成解释性报告。

实验结论：对16个先进 LLM 智能体的评估显示，当前模型在识别与处理因果关系上表现欠佳，难以有效破解关卡。该研究为科学发现特征下的 AI 评估提供了关键工具。

论文地址：https://openreview.net/forum?id=WNqIX3IFZU

8. WeDLM：融合扩散语言模型与标准因果注意力以实现快速推理

WeDLM: Reconciling Diffusion Language Models with Standard Causal Attention for Fast Inference

核心痛点：扩散语言模型（DLM）虽能并行解码，但其双向注意力机制破坏了前缀 KV 缓存复用效率，导致推理速度慢于深度优化的自回归引擎（如 vLLM）。

创新方案：
提出 WeDLM框架：
* 拓扑重排序：将已观察标记移动至物理前缀，保留逻辑位置，使模型在标准因果注意力下实现并行生成。
* 流式解码：结合流式解码机制，持续由左至右更新前缀，避免生成停滞。

实验结论：在复杂推理基准上，WeDLM 比 vLLM 速度提升近 3倍，在低熵生成场景下速度提升高达 10倍，成功推动扩散语言模型的实用化进程。

论文地址：https://openreview.net/forum?id=QwtmbKAOZU