Penghargaan Paper Unggulan ICML 2026 resmi diumumkan, dua paper tentang model difusi sekaligus meraih posisi teratas, dan penulisnya banyak yang berasal dari Tiongkok.
Pengumuman penghargaan utama ICML 2026 sudah tiba!
Penghargaan Paper Unggulan Tahunan dan Penghargaan Test of Time ICML, resmi diumumkan.
Ada 9 paper yang masuk nominasi Paper Unggulan, terdiri dari 7 paper penelitian dan 2 paper posisi, dengan 3 pemenang utama dan 6 nominasi terhormat; Penghargaan Test of Time ICML jatuh ke bidang pembelajaran penguatan (reinforcement learning), karya klasik DeepMind kembali mengukuhkan dirinya sebagai legenda.
Daftar lengkap pemenang:
https://blog.icml.cc/2026/07/05/announcing-the-icml-2026-awards/
ICML, singkatan dari International Conference on Machine Learning, bersama dengan NeurIPS dan ICLR, merupakan tiga konferensi top di bidang AI, dengan jumlah submisi tahunan mencapai puluhan ribu dan tingkat penerimaan kurang dari 30%.
Tanggal 6 hingga 11 Juli 2026, ICML 2026 diselenggarakan di COEX Convention & Exhibition Center, Seoul, Korea Selatan.
Penghargaan Paper Unggulan ibaratnya Oscar di bidang pembelajaran mesin.
Nilai dari daftar ini tidak hanya dalam penghargaan atas kontribusi teknis, tetapi lebih seperti memberikan sinyal arah bagi seluruh bidang.
Model difusi menjadi pemenang terbesar tahun ini, dua paper terkait meraih Penghargaan Paper Unggulan:
Jebakan Fleksibilitas: Memikirkan Ulang Nilai Urutan Arbitrer dalam Model Bahasa Difusi. Karya luar biasa ini menganalisis secara mendalam mekanisme kunci dalam model bahasa besar difusi.
Pengambilan Sampel Presisi Tinggi untuk Model Difusi dan Distribusi Log-Concave: Mencapai terobosan signifikan dalam presisi algoritma.
Penghargaan Paper Posisi Unggulan, menggambarkan fenomena aneh di bidang keamanan AI: komunitas alignment tanpa sengaja sedang membangun seperangkat alat sensor.
Lima paper penelitian mendapat nominasi terhormat Penghargaan Paper Unggulan:
- Atlas Pengaburan: Memetakan Lokasi Kemunculan Kejujuran dalam RLVR dengan Probes Penipuan
- Atribusi Gerak dalam Generasi Video
- Seberapa Banyak Model Bahasa Dapat Mengingat?
- Konsistensi Model Difusi: Perspektif Matriks Acak
- Memahami Grokking: Grokking yang Dapat Dibuktikan dalam Ridge Regression
Satu paper posisi mendapat nominasi terhormat Penghargaan Paper Unggulan:
Posisi: Penelitian Deepfake AI/ML Bertentangan dengan Gambar Intim Non-Konsensual yang Dihasilkan AI (AIG-NCII)
Akhirnya, Penghargaan Test of Time diberikan pada karya hit mutlak pada masanya:
Metode Asinkron untuk Deep Reinforcement Learning
Selamat kepada semua pemenang.
Model Difusi Mendominasi Penghargaan Paper Unggulan, Dua Kemenangan Menunjukkan Konsensus Baru
Dua karya pemenang Penghargaan Paper Unggulan, semuanya berfokus pada model difusi.
Dua karya dengan arah yang sama memenangkan penghargaan secara bersamaan, hal seperti ini jarang terjadi dalam sejarah ICML. Kebetulan di baliknya lebih seperti sebuah penilaian kolektif: model difusi telah memasuki tahap yang membutuhkan 'koreksi bias' dan 'penguatan infrastruktur dasar'.
Paper pertama berasal dari tim Huang Gao dari Universitas Tsinghua serta Zanlin Ni dan lainnya, judulnya sudah sangat provokatif: 'Jebakan Fleksibilitas: Memikirkan Ulang Nilai Urutan Arbitrer dalam Model Bahasa Difusi'. Hanya dengan membaca judulnya, sudah terasa akan membongkar asumsi yang ada.
Judul: The Flexibility Trap: Rethinking the Value of Arbitrary Order in Diffusion Language Models
ICML: https://icml.cc/virtual/2026/oral/71086
Halaman Proyek: https://nzl-thu.github.io/the-flexibility-trap/
Mari kita jelaskan latar belakangnya terlebih dahulu.
Model bahasa besar difusi adalah salah satu arah penelitian paling panas saat ini. Berbeda dengan model autoregresif seperti GPT dan Claude, model bahasa difusi tidak menghasilkan teks token demi token dari kiri ke kanan, tetapi seperti melukis, secara bertahap 'menghilangkan noise' dari sekumpulan noise untuk menghasilkan teks utuh.
Secara teori, arsitektur ini memiliki keunggulan besar: urutan generasi bisa sewenang-wenang. Tulis bagian tengah dulu lalu bagian awal, tentukan kesimpulan dulu baru tambahkan argumen, bagaimanapun bisa.
Kedengarannya indah. Tapi paper Ni dan kawan-kawan menyiramkan air dingin.
Mereka membuktikan dengan banyak eksperimen bahwa 'generasi dengan urutan arbitrer' dalam pelatihan nyata tidak hanya tidak membawa keuntungan yang diharapkan, malah menjadi jebakan.
Fleksibilitas itu sendiri adalah biaya. Agar dapat mendukung semua kemungkinan urutan generasi, model justru menjadi lebih buruk dalam setiap urutan spesifik.
Daya rusak dari kesimpulan ini terletak pada: ia menggoyahkan nilai jual inti dari model bahasa difusi.
Dua tahun terakhir, banyak paper menggunakan 'urutan arbitrer' sebagai argumen kunci bahwa LLM difusi lebih unggul dari LLM autoregresif, banyak tim menginvestasikan daya komputasi besar-besaran untuk eksperimen berdasarkan asumsi ini. Sekarang ICML secara resmi memberi cap: argumen ini tidak berdasar.
Paper pemenang kedua berasal dari Fan Chen dan lainnya, berfokus pada presisi pengambilan sampel (sampling) model difusi.
Judul: High-accuracy sampling for diffusion models and log-concave distributions
ICML: https://icml.cc/virtual/2026/oral/71132
Preprint: https://arxiv.org/abs/2602.01338
Mereka mengusulkan metode pengambilan sampel dengan presisi lebih tinggi untuk model difusi dan distribusi log-concave.
Ini menyelesaikan hambatan mendasar dari 'batas atas teoretis kualitas generasi' model difusi dalam penerapan nyata.
Dua paper, satu meruntuhkan asumsi inti, satu mendorong langit-langit teknis lebih tinggi.
ICML secara bersamaan memberi penghargaan pada yang meruntuhkan dan yang membangun, sinyalnya jelas: model difusi sedang bergerak dari 'bukti konsep' menuju 'zona dalam', yang dibutuhkan bukan lagi lebih banyak variasi, tetapi pengawasan yang lebih tenang dan infrastruktur dasar yang lebih kokoh.
Penghargaan Paling Bombastis Diberikan pada Kritik Paling Tajam
Kembali ke paper yang membuat ruangan hening itu.
Posisi Sarah Ball dan Phil Hackemann, 'Komunitas Alignment Tanpa Sengaja Sedang Membangun Toolkit Sensor', memenangkan Penghargaan Paper Posisi Unggulan.
Judul: Position: The Alignment Community is Unintentionally Building a Censor’s Toolkit
ICML: https://icml.cc/virtual/2026/oral/71119
Paper: https://openreview.net/pdf?id=dy2HwmOvFX
Penghargaan Paper Posisi ICML khusus diberikan kepada artikel yang tidak melakukan eksperimen, tidak menjalankan data, tetapi mengajukan pertanyaan mendasar terhadap arah bidang.
Argumen inti paper ini lugas hingga menyengat: para peneliti di bidang keamanan dan alignment AI saat ini, dengan tujuan awal membuat AI lebih aman dan terkendali, tetapi alat-alat teknis yang mereka kembangkan, seperti RLHF, Constitutional AI, kerangka kerja value alignment, sedang disalahgunakan secara sistematis sebagai infrastruktur dasar untuk sensor konten.
Orang yang mengerjakan alignment mengira mereka membuat kunci pengaman. Tapi desain kunci ini, justru bisa digunakan untuk membangun penjara.
Penilaian ini bukanlah isapan jempol. Sepanjang tahun lalu, kontroversi seputar sensor konten AI terus memanas. Dari strategi penolakan menjawab Claude hingga mekanisme penyaringan konten ChatGPT, 'over-alignment' sudah menjadi kata kunci yang sering dikeluhkan pengguna.
Setiap beberapa minggu, orang bisa melihat screenshot di media sosial: diskusi akademis atau kebutuhan kreasi yang normal, tetapi AI menolak menjawab dengan alasan 'keamanan'.
Ball dan Hackemann membawa kekesalan pengguna di tingkat permukaan ini ke tingkat akademis: ini adalah risiko struktural yang melekat dalam paradigma penelitian itu sendiri.
ICML memberikan paper posisi terbaik kepada paper ini, itu sendiri adalah sebuah sikap. Konferensi top memberitahu seluruh komunitas alignment: kalian perlu berhenti sejenak dan berpikir, alat di tangan kalian sebenarnya digunakan oleh siapa, dan dengan cara apa.
Sebagai catatan tambahan, nominasi terhormat Paper Posisi Unggulan juga sama tajamnya.
Paper Li Qiwei dan lainnya menunjukkan adanya kesenjangan serius antara penelitian Deepfake di bidang AI/ML dengan gambar intim non-konsensual yang dihasilkan AI.
Peneliti sibuk mendeteksi video deepfake tokoh politik, tetapi mengabaikan skenario penyalahgunaan yang paling merugikan orang biasa.
Gambaran Singkat Nominasi Terhormat
5 nominasi terhormat Paper Unggulan mencakup hampir semua arah populer, masing-masing membuka celah di bidangnya sendiri.
Mohammad Taufeeque dan lainnya menggunakan 'probe penipuan' untuk memetakan lokasi kemunculan kejujuran dalam pelatihan RLVR.
Judul: The Obfuscation Atlas: Mapping Where Honesty Emerges in RLVR with Deception Probes
ICML:https://icml.cc/virtual/2026/oral/71065
Preprint: https://arxiv.org/abs/2602.15515
Sederhananya: di lapisan mana model belajar berbohong?
Pertanyaan ini lebih berharga daripada jawabannya sendiri. Jika dapat menentukan secara tepat lapisan di mana kejujuran muncul dalam model, pekerjaan alignment di masa depan tidak perlu lagi melakukan penyesuaian dengan cara yang seperti mencari jarum dalam jerami.
Xindi Wu dan lainnya melakukan atribusi gerak dalam generasi video.
Judul: Motion Attribution for Video Generation
ICML: https://icml.cc/virtual/2026/oral/71049
Preprint: https://arxiv.org/abs/2601.08828
Saat sebuah objek bergerak dalam video, apakah model 'memahami' hukum gerak, atau hanya melakukan replikasi pola pada tingkat piksel? Pertanyaan ini sangat penting untuk interpretabilitas model generasi video seperti Sora.
John Xavier Morris dan lainnya menanyakan 'Seberapa Banyak Model Bahasa Besar Dapat Mengingat', menunjuk langsung ke akar teknis kontroversi privasi dan hak cipta.
Judul: How much can language models memorize?
ICML: https://icml.cc/virtual/2026/oral/71168
Preprint: https://arxiv.org/abs/2505.24832
Ketika model mengingat data Anda, apakah itu dihitung sebagai pembelajaran atau plagiarisme? Jawaban atas pertanyaan ini mungkin lebih penting daripada gugatan hak cipta mana pun.
Ada juga Binxu Wang dan lainnya yang meninjau ulang konsistensi model difusi dari perspektif teori matriks acak.
Judul: A Random Matrix Perspective on the Consistency of Diffusion Models
ICML: https://icml.cc/virtual/2026/oral/71191
Preprint: https://arxiv.org/abs/2602.02908
Setelah dilatih pada subset data yang berbeda dan tidak tumpang tindih, model difusi sering menghasilkan keluaran yang sangat mirip jika diberikan benih noise (noise seed) yang sama. Konsistensi ini tidak berasal dari model yang mengingat data yang sama, tetapi ada alasan yang lebih mendalam.
Konsistensi ini dapat ditelusuri kembali ke efek linier sederhana: statistik Gaussian yang dibagikan di antara pembagian data yang berbeda itu sendiri sudah dapat memprediksi sebagian besar konten gambar yang dihasilkan.
Yang paling mencolok adalah karya Mingyue Xu dan lainnya.
Judul: To Grok Grokking: Provable Grokking in Ridge Regression
ICML: https://icml.cc/virtual/2026/oral/71134
Preprint: https://arxiv.org/abs/2601.19791
Mereka memberikan bukti matematis yang ketat untuk fenomena 'grokking' (pemahaman mendadak) pada model ridge regression yang sangat klasik.
Yang disebut grokking adalah ketika model, setelah loss pelatihan sudah konvergen sejak lama, tiba-tiba mendapatkan kemampuan generalisasi pada suatu momen. Seperti seorang siswa yang menghafal rumus selama setengah tahun, suatu pagi tiba-tiba benar-benar memahaminya.
Hal ini telah diamati berkali-kali dalam pembelajaran mendalam, tetapi memberikan bukti yang ketat pada model sederhana, ini yang pertama kalinya.
Paper DeepMind Sepuluh Tahun Lalu, Akhirnya Mendapat Penghargaan Test of Time
Penghargaan Test of Time diberikan kepada 'Metode Asinkron untuk Deep Reinforcement Learning' oleh anggota tim DeepMind, Volodymyr Mnih, David Silver, dan lainnya.
Judul: Asynchronous Methods for Deep Reinforcement Learning
Publikasi: https://proceedings.mlr.press/v48/mniha16.html
Algoritma A3C (Asynchronous Advantage Actor-Critic) yang diusulkan oleh paper ini, ketika diterbitkan pada tahun 2016, sudah menjadi patokan di bidang reinforcement learning.
Ide intinya tidak rumit: daripada menggunakan satu proses besar untuk pelatihan lambat, lebih baik membuka sejumlah proses kecil untuk mengeksplorasi strategi yang berbeda secara bersamaan, lalu mengumpulkan gradien secara asinkron.
Sederhana, elegan, efektif. Filosofi desain 'jalan besar mencapai kesederhanaan' ini, setelah sepuluh tahun, justru terlihat lebih jelas daripada dulu.
Sepuluh tahun berlalu, ide ini meresap ke dalam kerangka hampir semua sistem RL modern.
Dari AlphaGo hingga RLHF, dari AI game hingga kontrol robot, DNA A3C ada di mana-mana.
Hit mutlak pada masanya, kini karya klasik yang benar-benar pantas!
Sinyal Apa yang Dilepaskan ICML 2026
Melihat daftar pemenang tahun ini, tiga garis besar muncul ke permukaan.
Pertama, model difusi adalah zona dengan kepadatan penelitian pembelajaran mesin tertinggi saat ini. Dua kemenangan Paper Unggulan plus beberapa nominasi terhormat, tingkat kehadirannya mengalahkan arah lainnya. Perdebatan arsitektur model bahasa generasi berikutnya, model difusi sudah resmi masuk dalam persaingan.
Kedua, penelitian keamanan AI sedang mengalami pengawasan dari dalam. Paper Posisi Terbaik menunjuk langsung pada penyalahgunaan alat komunitas alignment, nominasi terhormat mempertanyakan titik buta penelitian Deepfake. Dunia akademis mulai serius menghadapi satu masalah: di mana sebenarnya garis batas antara alat keamanan dan alat sensor?
Sinyal-sinyal ini bertumpuk, mengarah pada satu penilaian: penelitian AI sedang beralih dari 'ekspansi cepat' ke 'pembersihan mendalam'.
Daftar pemenang ICML 2026, adalah laporan audit pertama dari pembersihan ini.
Referensi:
https://blog.icml.cc/2026/07/05/announcing-the-icml-2026-awards/
Artikel ini berasal dari akun WeChat publik "AI New Intelligence", penulis: ASI Apocalypse, editor: David
