Giải thưởng Bài báo Xuất sắc (Outstanding Paper Award) của ICML 2026 chính thức công bố, hai bài báo về mô hình khuếch tán (diffusion) đồng thời đứng đầu, và trong danh sách tác giả có không ít người gốc Hoa.
Thông báo giải thưởng lớn của ICML 2026 đã đến!
Giải thưởng Bài báo Xuất sắc Hàng năm và Giải thưởng Kiểm chứng Thời gian (Test of Time Award) của ICML đã chính thức được công bố.
Trong đó, có 9 bài báo lọt vào vòng chung kết Giải Xuất sắc, bao gồm 7 bài nghiên cứu và 2 bài luận lập trường (position paper), cuối cùng là 3 giải thưởng Chiến thắng và 6 đề cử Danh dự; Giải Kiểm chứng Thời gian của ICML thuộc về lĩnh vực học tăng cường (reinforcement learning), tác phẩm kinh điển của DeepMind một lần nữa được tôn vinh.
Danh sách đầy đủ các giải thưởng:
https://blog.icml.cc/2026/07/05/announcing-the-icml-2026-awards/
ICML, tên đầy đủ là Hội nghị Quốc tế về Học Máy (International Conference on Machine Learning), cùng với NeurIPS và ICLR được xếp vào ba hội nghị hàng đầu trong lĩnh vực AI, mỗi năm nhận hàng chục nghìn bài nộp, tỷ lệ chấp nhận dưới 30%.
Từ ngày 6 đến 11 tháng 7 năm 2026, ICML 2026 được tổ chức tại Trung tâm Hội nghị & Triển lãm COEX, Seoul, Hàn Quốc.
Giải thưởng Bài báo Xuất sắc chính là giải Oscar của lĩnh vực học máy.
Và giá trị của danh sách này không chỉ nằm ở việc tôn vinh đóng góp kỹ thuật, mà còn giống như một tín hiệu định hướng gửi đến toàn bộ lĩnh vực.
Mô hình khuếch tán trở thành người chiến thắng lớn nhất năm nay, hai bài báo liên quan giành giải Bài báo Xuất sắc:
Bẫy linh hoạt: Tư duy lại giá trị của thứ tự tùy ý trong mô hình ngôn ngữ khuếch tán. Tác phẩm xuất sắc này phân tích sâu cơ chế then chốt trong mô hình ngôn ngữ lớn khuếch tán.
Lấy mẫu độ chính xác cao cho mô hình khuếch tán và phân phối lõm logarit: Đạt được đột phá lớn về độ chính xác thuật toán.
Giải thưởng Bài báo Lập trường Xuất sắc, mô tả một hiện tượng kỳ lạ trong lĩnh vực an toàn AI: Cộng đồng căn chỉnh (alignment) đang vô tình xây dựng một bộ công cụ kiểm duyệt.
Năm bài nghiên cứu nhận được Đề cử Danh dự của Giải Bài báo Xuất sắc:
- Bản đồ gây nhiễu: Ánh xạ vị trí xuất hiện tính trung thực trong RLVR thông qua đầu dò lừa dối
- Quy kết chuyển động trong tạo video
- Mô hình ngôn ngữ có thể ghi nhớ tối đa bao nhiêu?
- Tính nhất quán của mô hình khuếch tán: Góc nhìn từ ma trận ngẫu nhiên
- Hiểu Grokking: Grokking có thể chứng minh được trong hồi quy Ridge
Một bài luận lập trường nhận Đề cử Danh dự của Giải Bài báo Xuất sắc:
Lập trường: Nghiên cứu Deepfake AI/ML mâu thuẫn với hình ảnh thân mật không tự nguyện do AI tạo ra (AIG-NCII)
Cuối cùng, Giải Kiểm chứng Thời gian trao cho tác phẩm bùng nổ tuyệt đối năm đó:
Phương pháp bất đồng bộ cho học tăng cường sâu
Chúc mừng tất cả những người đoạt giải trên.
Mô hình khuếch tán bao trọn giải Bài báo Xuất sắc, sau hai giải nhất là sự đồng thuận mới
Hai tác phẩm đoạt giải Bài báo Xuất sắc đều xoay quanh mô hình khuếch tán.
Hai bài cùng một hướng nghiên cứu đồng thời đoạt giải, việc này trong lịch sử ICML hiếm khi xảy ra. Sự trùng hợp ngẫu nhiên này giống như một phán quyết tập thể: mô hình khuếch tán đã bước vào giai đoạn cần "chỉnh sửa sai lệch" và "bổ sung cơ sở hạ tầng".
Bài thứ nhất đến từ nhóm của Hoàng Cao (Đại học Thanh Hoa) cùng Zanlin Ni và những người khác, tựa đề rất "sát khí": "Bẫy linh hoạt: Tư duy lại giá trị của thứ tự tùy ý trong mô hình ngôn ngữ khuếch tán". Chỉ nhìn tiêu đề đã biết, là để "đập bàn".
Tiêu đề: The Flexibility Trap: Rethinking the Value of Arbitrary Order in Diffusion Language Models
ICML: https://icml.cc/virtual/2026/oral/71086
Trang dự án: https://nzl-thu.github.io/the-flexibility-trap/
Trước tiên giải thích bối cảnh.
Mô hình ngôn ngữ lớn khuếch tán là một trong những hướng nghiên cứu nóng nhất hiện nay, khác với các mô hình tự hồi quy (autoregressive) như GPT, Claude, mô hình ngôn ngữ khuếch tán không tạo ra từng Token một từ trái sang phải, mà giống như vẽ tranh, từ một đám nhiễu dần dần "khử nhiễu" ra văn bản hoàn chỉnh.
Về lý thuyết, kiến trúc này có một ưu điểm lớn: thứ tự sinh có thể tùy ý. Viết phần giữa trước rồi viết phần mở đầu, xác định kết luận trước rồi bổ sung luận cứ, làm thế nào cũng được.
Nghe có vẻ rất đẹp. Nhưng bài báo của Ni và những người khác đã hắt một gáo nước lạnh.
Họ sử dụng nhiều thí nghiệm để chứng minh rằng, cái gọi là "sinh theo thứ tự tùy ý" trong quá trình huấn luyện thực tế không những không mang lại lợi ích như mong đợi, mà ngược lại còn trở thành cái bẫy.
Tính linh hoạt tự thân nó đã là cái giá phải trả. Để hỗ trợ tất cả các thứ tự sinh có thể, mô hình lại làm kém hơn trên mỗi thứ tự cụ thể.
Sức sát thương của kết luận này nằm ở chỗ: nó lung lay điểm bán hàng cốt lõi nhất của mô hình ngôn ngữ khuếch tán.
Hai năm qua, nhiều bài báo lấy "thứ tự tùy ý" làm luận cứ then chốt để cho rằng mô hình LLM khuếch tán vượt trội hơn LLM tự hồi quy, không ít nhóm đã đầu tư nhiều năng lực tính toán xung quanh giả thuyết này để làm thí nghiệm. Giờ đây ICML chính thức đóng dấu: luận cứ này không đứng vững.
Bài báo đoạt giải thứ hai đến từ Fan Chen và những người khác, tập trung vào độ chính xác lấy mẫu của mô hình khuếch tán.
Tiêu đề: High-accuracy sampling for diffusion models and log-concave distributions
ICML: https://icml.cc/virtual/2026/oral/71132
Bản in trước: https://arxiv.org/abs/2602.01338
Họ đề xuất phương pháp lấy mẫu có độ chính xác cao hơn cho mô hình khuếch tán và phân phối lõm logarit.
Nó giải quyết nút thắt cơ bản về "chất lượng sinh có giới hạn trên lý thuyết" của mô hình khuếch tán khi triển khai thực tế.
Hai bài báo, một bài tháo dỡ giả thuyết cốt lõi, một bài nâng cao trần kỹ thuật.
ICML đồng thời khen thưởng cả phá và lập, tín hiệu rất rõ ràng: mô hình khuếch tán đang chuyển từ "xác minh khái niệm" sang "vùng nước sâu", không cần thêm nhiều hoa văn nữa, mà cần sự xem xét tỉnh táo hơn và cơ sở hạ tầng vững chắc hơn.
Giải thưởng gây sốc nhất được trao cho lời phê phán sắc bén nhất
Quay lại với bài báo khiến cả hội trường im lặng.
Bài "Lập trường: Cộng đồng căn chỉnh đang vô tình xây dựng một bộ công cụ kiểm duyệt" của Sarah Ball và Phil Hackemann đã giành Giải thưởng Bài báo Lập trường Xuất sắc.
Tiêu đề: Position: The Alignment Community is Unintentionally Building a Censor’s Toolkit
ICML: https://icml.cc/virtual/2026/oral/71119
Bài báo: https://openreview.net/pdf?id=dy2HwmOvFX
Giải thưởng Bài báo Lập trường của ICML đặc biệt trao cho những bài viết không làm thí nghiệm, không chạy dữ liệu, nhưng đặt ra những chất vấn căn bản về hướng đi của lĩnh vực.
Luận điểm cốt lõi của bài báo này thẳng thắn đến mức chói tai: những nhà nghiên cứu trong lĩnh vực an toàn và căn chỉnh AI hiện nay, xuất phát điểm là để làm cho AI an toàn hơn, kiểm soát được hơn, nhưng những công cụ kỹ thuật họ phát triển ra, như RLHF, Constitutional AI, khung giá trị căn chỉnh, đang bị chuyển dụng một cách có hệ thống thành cơ sở hạ tầng kiểm duyệt nội dung.
Những người làm căn chỉnh tưởng mình đang chế tạo khóa an toàn. Nhưng bản thiết kế của chiếc khóa này, cũng có thể dùng để chế tạo nhà tù.
Nhận định này không phải không có căn cứ. Một năm qua, tranh cãi xung quanh kiểm duyệt nội dung AI tiếp tục nóng lên. Từ chiến lược từ chối trả lời của Claude đến cơ chế lọc nội dung của ChatGPT, "căn chỉnh quá mức" đã trở thành từ được người dùng phàn nàn nhiều.
Cứ vài tuần lại thấy có người đăng ảnh chụp màn hình lên mạng xã hội: rõ ràng là nhu cầu thảo luận học thuật hoặc sáng tạo bình thường, nhưng AI lại từ chối trả lời với lý do "an toàn".
Ball và Hackemann đã kéo sự bất bình ở cấp độ người dùng lên cấp độ học thuật: đây là rủi ro cấu trúc tiềm ẩn trong chính mô hình nghiên cứu.
Việc ICML trao giải Bài báo Lập trường Xuất sắc nhất cho bài viết này, bản thân nó đã là một thái độ. Hội nghị đỉnh cao đang nói với toàn bộ cộng đồng căn chỉnh: các bạn cần dừng lại và suy nghĩ xem, công cụ trong tay cuối cùng đang được ai sử dụng và sử dụng như thế nào.
Nhân tiện, Đề cử Danh dự của Giải Bài báo Lập trường Xuất sắc cũng rất sắc bén.
Bài báo của Lý Kỳ Vỹ (Li Qiwei) và những người khác chỉ ra rằng, nghiên cứu Deepfake trong lĩnh vực AI/ML có sự tách biệt nghiêm trọng với hình ảnh thân mật không tự nguyện do AI tạo ra.
Nhà nghiên cứu bận rộn phát hiện video đổi mặt nhân vật chính trị, nhưng lại bỏ qua kịch bản lạm dụng gây tổn thương lớn nhất cho người bình thường.
Lướt qua các Đề cử Danh dự
5 bài Đề cử Danh dự của Giải Bài báo Xuất sắc bao phủ hầu hết tất cả các hướng nóng, mỗi bài đều mở ra một lối đi riêng trong lĩnh vực của mình.
Mohammad Taufeeque và những người khác sử dụng "đầu dò lừa dối" để ánh xạ vị trí xuất hiện tính trung thực trong quá trình huấn luyện RLVR.
Tiêu đề: The Obfuscation Atlas: Mapping Where Honesty Emerges in RLVR with Deception Probes
ICML:https://icml.cc/virtual/2026/oral/71065
Bản in trước: https://arxiv.org/abs/2602.15515
Nói đơn giản là: mô hình học nói dối ở tầng nào?
Câu hỏi này còn đáng giá hơn chính câu trả lời. Nếu có thể xác định chính xác tầng mà tính trung thực xuất hiện trong mô hình, công việc căn chỉnh trong tương lai sẽ không cần phải điều chỉnh kiểu mò kim đáy bể nữa.
Xindi Wu và những người khác thực hiện quy kết chuyển động trong tạo video.
Tiêu đề: Motion Attribution for Video Generation
ICML: https://icml.cc/virtual/2026/oral/71049
Bản in trước: https://arxiv.org/abs/2601.08828
Trong video, một vật thể chuyển động, rốt cuộc là do mô hình "hiểu" quy luật chuyển động, hay chỉ đơn thuần sao chép hoa văn ở cấp độ pixel? Câu hỏi này rất quan trọng đối với khả năng giải thích được của các mô hình tạo video như Sora.
John Xavier Morris và những người khác truy vấn "Mô hình ngôn ngữ lớn cuối cùng có thể ghi nhớ bao nhiêu nội dung", trực tiếp chỉ ra căn nguyên kỹ thuật của tranh cãi về quyền riêng tư và bản quyền.
Tiêu đề: How much can language models memorize?
ICML: https://icml.cc/virtual/2026/oral/71168
Bản in trước: https://arxiv.org/abs/2505.24832
Mô hình ghi nhớ dữ liệu của bạn, cuối cùng là tính học tập hay tính đạo văn? Câu trả lời cho câu hỏi này có thể quan trọng hơn bất kỳ vụ kiện bản quyền nào.
Còn có Binxu Wang và những người khác xem xét lại tính nhất quán của mô hình khuếch tán từ góc độ lý thuyết ma trận ngẫu nhiên.
Tiêu đề: A Random Matrix Perspective on the Consistency of Diffusion Models
ICML: https://icml.cc/virtual/2026/oral/71191
Bản in trước: https://arxiv.org/abs/2602.02908
Khi các mô hình khuếch tán được huấn luyện trên các tập con dữ liệu khác nhau, không trùng lặp nhau, nếu được cung cấp cùng một hạt giống nhiễu, thường sẽ tạo ra đầu ra giống nhau đến kinh ngạc. Tính nhất quán này không phải do mô hình ghi nhớ cùng một dữ liệu, mà có nguyên nhân sâu xa hơn.
Tính nhất quán này có thể truy nguyên về một hiệu ứng tuyến tính đơn giản: thống kê Gauss được chia sẻ giữa các phân chia dữ liệu khác nhau bản thân nó đã có thể dự đoán phần lớn nội dung của hình ảnh được tạo ra.
Ấn tượng nhất là công trình của Mingyue Xu và những người khác.
Tiêu đề: To Grok Grokking: Provable Grokking in Ridge Regression
ICML: https://icml.cc/virtual/2026/oral/71134
Bản in trước: https://arxiv.org/abs/2601.19791
Trên mô hình hồi quy Ridge cổ điển đến mức không thể cổ điển hơn, họ đã đưa ra chứng minh toán học nghiêm ngặt cho hiện tượng "bừng tỉnh" (grokking).
Cái gọi là bừng tỉnh, tức là mô hình sau khi tổn thất huấn luyện đã hội tụ từ lâu, đột nhiên tại một thời điểm nào đó có được khả năng khái quát hóa. Giống như một học sinh học thuộc công thức nửa năm, một buổi sáng thức dậy đột nhiên thực sự hiểu ra.
Hiện tượng này đã được quan sát thấy nhiều lần trong học sâu, nhưng đưa ra chứng minh nghiêm ngặt trên một mô hình đơn giản, đây là lần đầu tiên.
Bài báo cách đây mười năm của DeepMind, cuối cùng cũng đợi được Giải Kiểm chứng Thời gian
Giải Kiểm chứng Thời gian được trao cho bài "Phương pháp bất đồng bộ cho học tăng cường sâu" của các thành viên nhóm DeepMind Volodymyr Mnih, David Silver và những người khác.
Tiêu đề: Asynchronous Methods for Deep Reinforcement Learning
Ấn phẩm: https://proceedings.mlr.press/v48/mniha16.html
Thuật toán A3C (Asynchronous Advantage Actor-Critic) mà bài báo này đề xuất, khi công bố năm 2016 đã là tiêu chuẩn trong lĩnh vực học tăng cường.
Tư tưởng cốt lõi nói ra không phức tạp: Thay vì dùng một tiến trình siêu lớn huấn luyện từ từ, chi bằng mở một loạt tiến trình nhỏ cùng lúc khám phá các chiến lược khác nhau, tổng hợp gradient bất đồng bộ.
Đơn giản, thanh lịch, hiệu quả. Triết lý thiết kế "đại đạo chí giản" này, sau mười năm nhìn lại lại càng rõ ràng hơn so với năm đó.
Mười năm trôi qua, tư tưởng này thấm sâu vào khung xương của hầu hết tất cả các hệ thống RL hiện đại.
Từ AlphaGo đến RLHF, từ AI trò chơi đến điều khiển robot, DNA của A3C có mặt ở khắp nơi.
Tác phẩm bùng nổ tuyệt đối năm đó, giờ đây là tác phẩm kinh điển xứng đáng!
ICML 2026 phát ra tín hiệu gì
Nhìn vào danh sách giải thưởng năm nay, ba manh mối nổi lên.
Thứ nhất, mô hình khuếch tán là vùng có mật độ nghiên cứu học máy cao nhất hiện nay. Hai giải nhất Bài báo Xuất sắc cộng với nhiều đề cử danh dự, tỷ lệ xuất hiện áp đảo các hướng khác. Cuộc chiến kiến trúc của thế hệ mô hình ngôn ngữ tiếp theo, mô hình khuếch tán đã chính thức tham gia.
Thứ hai, nghiên cứu an toàn AI đang trải qua một cuộc xem xét nội bộ. Bài báo Lập trường Xuất sắc nhất chỉ ra thẳng công cụ của cộng đồng căn chỉnh bị chuyển dụng, đề cử danh dự truy vấn điểm mù của nghiên cứu Deepfake. Giới học thuật bắt đầu nghiêm túc đối mặt với một vấn đề: ranh giới giữa công cụ an toàn và công cụ kiểm duyệt, cuối cùng được vẽ ở đâu?
Những tín hiệu này chồng lên nhau, hướng đến một nhận định: nghiên cứu AI đang chuyển từ "bành trướng nhanh" sang "dọn dẹp sâu".
Danh sách giải thưởng ICML 2026, chính là báo cáo kiểm toán đầu tiên của cuộc dọn dẹp này
Tài liệu tham khảo:
https://blog.icml.cc/2026/07/05/announcing-the-icml-2026-awards/
Bài viết này đến từ tài khoản WeChat công cộng "Tân Trí Nguyên" (新智元), tác giả: ASI Khải Thị Lục (ASI启示录), biên tập: Đại Vệ (大卫)
