Официально объявлены награды за выдающиеся статьи ICML 2026. Две работы по диффузионным моделям одновременно заняли вершину, и среди авторов много китайцев.
Пришли результаты наград ICML 2026!
Официально объявлены ежегодные награды ICML за выдающиеся статьи и награды «Test of Time».
Среди выдающихся статей в шорт-лист вошли 9 работ, включая 7 исследовательских статей и 2 позиционных статьи, итоговые победители — 3 премии и 6 почетных упоминаний; Награда «Test of Time» досталась области обучения с подкреплением, классический шедевр DeepMind снова стал культовым.
Полный список награжденных:
https://blog.icml.cc/2026/07/05/announcing-the-icml-2026-awards/
ICML, полностью International Conference on Machine Learning, наряду с NeurIPS и ICLR, является одной из трех крупнейших конференций в области ИИ. Ежегодно подается более 10 000 работ, уровень принятия составляет менее 30%.
С 6 по 11 июля 2026 года ICML 2026 проходила в выставочном центре COEX в Сеуле, Южная Корея.
Награда за выдающуюся статью — это как Оскар в области машинного обучения.
А значимость этого списка заключается не только в признании технического вклада, но и в том, что он, похоже, посылает сигнал направленности для всей области.
Диффузионные модели стали главными победителями этого года, две связанные с ними статьи получили награду за выдающуюся статью:
«Ловушка гибкости: переосмысление ценности произвольного порядка в диффузионных языковых моделях». Эта гениальная работа глубоко анализирует ключевые механизмы в диффузионных больших языковых моделях.
«Высокоточная выборка для диффузионных моделей и логарифмически вогнутых распределений»: достигнут значительный прорыв в точности алгоритмов.
Награда за выдающуюся позиционную статью описывает парадоксальное явление в области безопасности ИИ: сообщество по выравниванию (alignment) невольно создает набор инструментов для цензуры.
Пять исследовательских статей получили почетное упоминание награды за выдающуюся статью:
- Атлас обфускации: картирование места возникновения честности в RLVR с помощью зондов обмана
- Атрибуция движения в генерации видео
- Сколько языковые модели могут запомнить?
- Согласованность диффузионных моделей: взгляд со стороны случайных матриц
- Понимание «прозрения» (гроккинга): доказуемое прозрение в гребневой регрессии
Одна позиционная статья получила почетное упоминание награды за выдающуюся статью:
Позиция: исследования глубоких подделок в области ИИ/МО противоречат создаваемым ИИ непроизвольным интимным изображениям (AIG-NCII)
Наконец, награда «Test of Time» досталась абсолютному хиту того года:
«Асинхронные методы для глубокого обучения с подкреплением»
Поздравляем всех награжденных.
Диффузионные модели получают все награды за выдающиеся статьи: за двойным успехом стоит новый консенсус
Две работы, получившие награду за выдающуюся статью, посвящены диффузионным моделям.
Такое, чтобы две работы по одному направлению одновременно получали награды, в истории ICML бывает крайне редко. За совпадением, скорее, стоит коллективное суждение: диффузионные модели вступили в фазу, требующую «коррекции курса» и «укрепления фундамента».
Первая статья принадлежит команде Хуан Гао из Университета Цинхуа и другим авторам, включая Занилинь Ни. Название уже звучит вызывающе: «Ловушка гибкости: переосмысление ценности произвольного порядка в диффузионных языковых моделях». Одно только название говорит о том, что они пришли разрушать устои.
Название: The Flexibility Trap: Rethinking the Value of Arbitrary Order in Diffusion Language Models
ICML: https://icml.cc/virtual/2026/oral/71086
Страница проекта: https://nzl-thu.github.io/the-flexibility-trap/
Сначала объясним контекст.
Диффузионные большие языковые модели — одно из самых горячих направлений исследований сегодня. В отличие от авторегрессивных моделей, таких как GPT и Claude, диффузионные языковые модели генерируют текст не слева направо, токен за токеном, а постепенно «удаляют шум» из клубка шума, чтобы получить полный текст, подобно рисованию картины.
Теоретически у этой архитектуры есть огромное преимущество: порядок генерации может быть произвольным. Сначала написать середину, потом начало, сначала вывод, потом аргументы — все возможно.
Звучит красиво. Но статья Ни и других авторов пролила холодную воду.
Они с помощью множества экспериментов показали, что так называемая «генерация в произвольном порядке» на практике не только не приносит ожидаемой пользы, но и становится ловушкой.
Гибкость сама по себе — это цена. Чтобы поддерживать все возможные порядки генерации, модель работает хуже в каждом конкретном порядке.
Разрушительность этого вывода заключается в том, что он подрывает ключевой аргумент в пользу диффузионных языковых моделей.
За последние два года множество статей использовали «произвольный порядок» как ключевой аргумент превосходства диффузионных LLM над авторегрессивными. Многие команды вложили огромные вычислительные ресурсы в эксперименты, основанные на этой гипотезе. Теперь ICML официально подтверждает: этот аргумент несостоятелен.
Вторая награжденная статья принадлежит Фань Чэнь и другим авторам и сосредоточена на точности выборки в диффузионных моделях.
Название: High-accuracy sampling for diffusion models and log-concave distributions
ICML: https://icml.cc/virtual/2026/oral/71132
Препринт: https://arxiv.org/abs/2602.01338
Они предложили методы выборки с более высокой точностью для диффузионных моделей и логарифмически вогнутых распределений.
Она решает фундаментальную проблему «теоретического потолка качества генерации» при практическом развертывании диффузионных моделей.
Две статьи: одна разрушает ключевую гипотезу, другая поднимает технологический потолок.
Одновременное награждение ICML как разрушения, так и созидания посылает четкий сигнал: диффузионные модели переходят от «доказательства концепции» к «глубоким водам», и им нужны не новые трюки, а более взвешенный взгляд и более прочный фундамент.
Самая взрывная награда досталась самой острой критике
Вернемся к той статье, которая заставила замолчать весь зал.
Сара Болл и Фил Хакеманн получили награду за выдающуюся позиционную статью за работу «Позиция: сообщество по выравниванию невольно создает набор инструментов для цензора».
Название: Position: The Alignment Community is Unintentionally Building a Censor’s Toolkit
ICML: https://icml.cc/virtual/2026/oral/71119
Статья: https://openreview.net/pdf?id=dy2HwmOvFX
Награда за позиционную статью ICML присуждается тем работам, которые не проводят эксперименты и не собирают данные, но ставят фундаментальные вопросы о направлении развития области.
Основной тезис этой статьи прямолинеен до резкости: исследователи в области безопасности и выравнивания ИИ, стремясь сделать ИИ более безопасным и управляемым, разрабатывают технические инструменты — RLHF, конституционный ИИ, системы выравнивания ценностей, — которые систематически присваиваются и используются в качестве инфраструктуры для цензуры контента.
Люди, занимающиеся выравниванием, думают, что создают защитный замок. Но чертежи этого замка идеально подходят и для строительства тюремной камеры.
Это суждение не на пустом месте. За последний год споры вокруг цензуры контента ИИ продолжают накаляться. От стратегий отказа Claude от ответов до механизмов фильтрации контента ChatGPT «чрезмерное выравнивание» стало частой темой жалоб пользователей.
Каждые несколько недель в соцсетях появляются скриншоты: ИИ отказывается отвечать на нормальные академические дискуссии или творческие запросы по соображениям «безопасности».
Болл и Хакеманн подняли недовольство пользователей на академический уровень: это структурный риск, присущий самой исследовательской парадигме.
Присуждение ICML лучшей позиционной статьи именно этой работе само по себе является заявлением. Ведущая конференция говорит всему сообществу по выравниванию: вам нужно остановиться и подумать, кто и каким образом использует инструменты в ваших руках.
Кстати, почетное упоминание за выдающуюся позиционную статью также очень острое.
Статья Ли Цивэя и других авторов указывает на серьезный разрыв между исследованиями Deepfake в области ИИ/МО и создаваемыми ИИ непроизвольными интимными изображениями.
Исследователи заняты обнаружением подмены лиц политиков, игнорируя при этом сценарии злоупотреблений, которые причиняют наибольший вред обычным людям.
Краткий обзор почетных упоминаний
Пять работ, получивших почетное упоминание награды за выдающуюся статью, охватывают почти все горячие направления, каждая из которых пробивает брешь в своей области.
Мохаммад Тауфик и другие авторы используют «зонды обмана» для картирования места возникновения честности во время обучения RLVR.
Название: The Obfuscation Atlas: Mapping Where Honesty Emerges in RLVR with Deception Probes
ICML:https://icml.cc/virtual/2026/oral/71065
Препринт: https://arxiv.org/abs/2602.15515
Проще говоря: на каком уровне модель научилась лгать?
Этот вопрос ценнее самого ответа. Если можно точно определить слой, в котором возникает честность в модели, будущая работа по выравниванию больше не потребует корректировок методом тыка.
Синди У и другие авторы занимаются атрибуцией движения в генерации видео.
Название: Motion Attribution for Video Generation
ICML: https://icml.cc/virtual/2026/oral/71049
Препринт: https://arxiv.org/abs/2601.08828
Когда объект в видео движется, действительно ли модель «понимает» законы движения или просто копирует пиксельные узоры? Этот вопрос крайне важен для интерпретируемости моделей генерации видео, таких как Sora.
Джон Ксавьер Моррис и другие авторы задаются вопросом «Сколько большие языковые модели могут запомнить?», указывая на техническую основу споров о приватности и авторском праве.
Название: How much can language models memorize?
ICML: https://icml.cc/virtual/2026/oral/71168
Препринт: https://arxiv.org/abs/2505.24832
Когда модель запоминает ваши данные, это считается обучением или плагиатом? Ответ на этот вопрос может быть важнее любого судебного дела об авторском праве.
Бинсюй Ван и другие авторы с точки зрения теории случайных матриц пересматривают согласованность диффузионных моделей.
Название: A Random Matrix Perspective on the Consistency of Diffusion Models
ICML: https://icml.cc/virtual/2026/oral/71191
Препринт: https://arxiv.org/abs/2602.02908
Диффузионные модели, обученные на разных, непересекающихся подмножествах данных, при одинаковом начальном шуме часто генерируют поразительно похожий результат. Эта согласованность возникает не потому, что модель запомнила одинаковые данные, а имеет более глубокую причину.
Эту согласованность можно проследить до простого линейного эффекта: общие гауссовы статистики (Gaussian statistics) между разными разделами данных сами по себе уже могут предсказать большую часть сгенерированного изображения.
Наиболее впечатляющей является работа Минъюэ Сюй и других авторов.
Название: To Grok Grokking: Provable Grokking in Ridge Regression
ICML: https://icml.cc/virtual/2026/oral/71134
Препринт: https://arxiv.org/abs/2601.19791
На классической, казалось бы, модели гребневой регрессии они дали строгое математическое доказательство явления «прозрения» (гроккинга).
«Прозрение» (гроккинг) — это когда модель внезапно приобретает способность к обобщению в какой-то момент после того, как тренировочные потери уже давно сошлись. Как студент, который заучивал формулы полгода, а однажды утром проснулся и вдруг действительно все понял.
Это явление много раз наблюдалось в глубоком обучении, но строгое доказательство на простой модели — впервые.
Статья DeepMind десятилетней давности наконец получила награду «Test of Time»
Награда «Test of Time» присуждена статье «Асинхронные методы для глубокого обучения с подкреплением» членов команды DeepMind, включая Володимира Мниха и Дэвида Сильвера.
Название: Asynchronous Methods for Deep Reinforcement Learning
Публикация: https://proceedings.mlr.press/v48/mniha16.html
Алгоритм A3C (Asynchronous Advantage Actor-Critic), предложенный в этой статье, уже в 2016 году, когда она была опубликована, стал эталоном в области обучения с подкреплением.
Основная идея, если говорить просто: вместо того, чтобы медленно обучать одну огромную задачу, лучше запустить множество небольших параллельных задач, исследующих разные стратегии, и асинхронно агрегировать градиенты.
Просто, элегантно, эффективно. Эта философия дизайна «великий путь прост», спустя десять лет выглядит еще яснее, чем тогда.
Прошло десять лет, и эта идея проникла в основу почти всех современных систем RL.
От AlphaGo до RLHF, от игрового ИИ до управления роботами — ДНК A3C присутствует повсюду.
Абсолютный хит того года, сегодня по праву ставший классическим шедевром!
Какой сигнал посылает ICML 2026
Если разложить список награжденных этого года, то вырисовываются три основные линии.
Во-первых, диффузионные модели — это область с самой высокой плотностью исследований в современном машинном обучении. Двойная награда за выдающуюся статью плюс несколько почетных упоминаний — частота появления затмевает все другие направления. В борьбе за архитектуру языковых моделей следующего поколения диффузионные модели официально вступили в игру.
Во-вторых, исследования безопасности ИИ переживают внутреннюю проверку. Лучшая позиционная статья прямо указывает на присвоение инструментов сообщества по выравниванию, почетное упоминание выявляет слепые зоны в исследованиях Deepfake. Академическое сообщество начинает серьезно сталкиваться с вопросом: где именно проходит грань между инструментами безопасности и инструментами цензуры?
Вместе эти сигналы указывают на вывод: исследования ИИ переключаются с «быстрого расширения» на «глубокую очистку».
Список награжденных ICML 2026 — это первый аудиторский отчет этой очистки.
Источники:
https://blog.icml.cc/2026/07/05/announcing-the-icml-2026-awards/
Эта статья из официального аккаунта WeChat «新智元» (Новый Эон Разума), автор: ASI启示录, редактор: Дэвид
