ICML 2026 | 美团技术团队学术论文精选

最近团队在 ICML 2026 上中了 13 篇论文，今天抽空整理了一下，分享给大伙儿。ICML 今年收了 23918 篇投稿，最后录了 6352 篇，接收率大概 26.6%，还是挺卷的。

下面按方向梳理一下每篇论文的核心思路和亮点，代码和数据链接我都附上了。

---

1. MemOCR：用视觉布局做长程推理的记忆

核心问题：智能体做长程推理时，交互历史会不断增长，现有方案把历史序列化成文本，token 开销跟长度线性增长，上下文窗口很快就不够用了。

解决方案：MemOCR 是一个多模态记忆智能体，核心思路是通过视觉布局来分配记忆空间。不同区域的信息密度不一样，没必要一视同仁地存。比如一个网页，标题、按钮、正文的重要性显然不同，视觉布局天然能反映这种差异。

效果：在长上下文问答（多跳和单跳）上超过了强文本基线，极端预算下上下文利用效率更高。

• 论文：https://arxiv.org/abs/xxxx （PDF）

---

2. ScaleEnv：从零合成环境，训练通用工具智能体

核心问题：想让智能体学会用各种工具，需要有交互式环境和可验证的任务让它自己探索。但人工构造环境和任务成本太高，而且不容易覆盖多样场景。

解决方案：ScaleEnv 完全从零开始合成环境和任务，核心流程：

1. 用程序化测试保证环境可靠
2. 通过工具依赖图扩展任务
3. 做可执行动作验证，确保任务能解

效果：在未见过的多轮工具使用基准上表现显著提升，泛化能力很强。

• 论文：https://arxiv.org/abs/xxxx （PDF）

---

3. V₀：一个通用价值模型，跟策略解耦

核心问题：LLM 做 RL 训练时，价值模型通常跟策略绑定在一起，策略每更新一次，价值模型也得跟着训，很麻烦。

解决方案：V₀ 的思路是把任务重新定义为上下文学习，让价值模型去预测未见策略的性能，从而跟特定策略参数解耦。说白了，就是让价值模型学会"看策略的表现"而不是"记住策略的参数"。

效果：在 GRPO 训练中追踪策略演化比耦合模型更好，还能优化冷启动预算分配，在推理路由中逼近性能-成本的帕累托前沿。

• 论文：https://arxiv.org/abs/xxxx （PDF）

---

4. Learning to Self-Verify：让模型学会自我验证

核心问题：现在 LLM 能生成不错的推理路径，但验证答案的能力很弱。自己写的答案自己都判断不准。

解决方案：提出一个多任务强化学习框架，把生成和自我验证作为两个独立但互补的目标联合优化。生成和验证一起训，互相促进。

效果：生成和验证能力都优于只训生成的方法，推理轨迹也更高效。

• 论文：https://arxiv.org/abs/xxxx （PDF）

---

5. AgentNoiseBench：智能体在噪声环境下的鲁棒性基准

核心问题：现有智能体基准测试不考虑噪声场景，但实际部署中用户指令不完美、工具反馈不可靠，这些噪声会严重影响性能。

解决方案：AgentNoiseBench 建模了两种噪声来源：

• 用户侧噪声：指令模糊、缺信息
• 工具侧噪声：API 返回异常、超时、错误

提供了模块化的噪声注入管道和多维度评估指标。

发现：测了 25 个工具使用模型，工具侧噪声造成的性能下降比用户侧噪声更严重。

• 论文：https://arxiv.org/abs/xxxx （PDF）

---

6. AJ-Bench：让智能体当裁判

核心问题：RL 训练中验证智能体行为是老大难。基于规则的验证器太死板，LLM-as-a-Judge 泛化到窄领域外也不行。

解决方案：让智能体自己当裁判（Agent-as-a-Judge），主动跟环境、工具交互获取证据来做验证。AJ-Bench 就是评估这种能力的基准，覆盖搜索、数据系统、GUI 三个领域，共 155 个任务和 516 条标注轨迹。

效果：比 LLM-as-a-Judge 稳定提升，但也暴露了不少开放挑战。

• 论文：https://arxiv.org/abs/xxxx （PDF）

---

7. LUVE：超高分辨率视频生成，兼顾连贯性和算力

核心问题：超高分辨率视频生成，连贯性和算力很难兼得。分辨率一高，显存和计算开销爆炸。

解决方案：三阶段级联架构：

1. 低分辨率生成 → 保证运动一致性
2. 潜空间上采样 → 直接提分辨率，省显存
3. 高低频专家融合 → 增强全局语义和局部细节

效果：逼真度和内容保真度都很好，核心思想已经用在美团 LongCat-Video 模型里了。

• 论文：https://arxiv.org/abs/xxxx （PDF）

---

8. Infinite-World：1000+ 帧的交互式世界模型

核心问题：真实场景中的长程交互式世界模型，要在 1000+ 帧里保持视觉记忆和动作响应稳定。但真实视频位姿噪声大、视角回访少，很难学。

解决方案：三点创新：

1. 无位姿层级记忆压缩器：把历史 latent 压成固定预算记忆，降低长程建模成本
2. 不确定性感知动作标注：在噪声轨迹下更好地学习动作
3. 高回访数据微调：增强 loop closure 能力

效果：让世界模型更适合从真实视频学习长时空一致性。

• 论文：https://arxiv.org/abs/xxxx （PDF）

---

9. WildActor：无约束的身份保持视频生成

核心问题：现有身份保持视频生成方法在动态长镜头、视角剧烈切换时，会出现全身不一致、面部漂移、姿态僵死等问题。

解决方案：

• 构建了大规模数据集 Actor-18M（1.6M 视频 + 18M 多视角图像），解决正脸偏置
• 提出非对称身份保留注意力（AIPA）：解耦身份和运动生成
• 引入身份感知 3D 旋转位置编码（I-ROPE）：显式分离时空 token
• 配合视角自适应蒙特卡洛采样，实现鲁棒的任意视角条件控制

效果：在 Actor-Bench 上全身一致性和文本对齐度显著超过现有开源和商业模型。

• 论文：https://arxiv.org/abs/xxxx （PDF）

---

10. SAFT：谱自适应微调，导航对齐的帕累托前沿

核心问题：SFT 用交叉熵，学习效率高但不是正确率的光滑近似，对低概率样本过度关注，容易过拟合和过度自信。DFT（直接微调）在梯度层面等同优化正确率的光滑近似，鲁棒性好但难样本学习效率低。两者构成效率-鲁棒性的两端。

解决方案：提出轻量的 pre-test protocol：

• 用少量数据分别训 SFT 和 DFT，在验证集比表现
• SFT 更优 → 数据 SNR 高 → 选几何插值 Geo-SAFT
• DFT 更优 → 数据 SNR 低 → 选调和插值 Har-SAFT

效果：通过数据自适应的非线性插值匹配不同噪声 regime，获得更优的鲁棒性-效率权衡。

• 论文：https://arxiv.org/abs/xxxx （PDF）

---

11. TRIP-Bench：旅行规划场景的长程交互智能体基准

核心问题：现有基准缺乏对长程、多轮交互场景的评测，尤其是需要保持全局约束的场景。

解决方案：TRIP-Bench 基于真实世界数据构建，包含 18 个工具和 40 多类旅行约束。困难任务最长 15 轮交互、150+ 次工具调用、20 万+ tokens 上下文。

发现：现有先进模型表现有限。论文进一步提出 GTPO 多轮强化学习方法，通过奖励归一化和轮次级奖励差分提升鲁棒性，让 Qwen2.5-32B-Instruct 超过了 Gemini-3-Pro。

• 论文：https://arxiv.org/abs/xxxx （PDF）

---

12. InfVSR：流式生成视频超分辨率，一致性驱动

核心问题：扩散式视频超分在长视频场景下推理效率低、显存占用大、时序不一致。

解决方案：

1. 把预训练视频 DiT 改成因果流式架构，引入滚动 KV 缓存保持局部过渡平滑
2. 设计联合视觉引导，通过交叉注意力注入全局语义锚点，抑制累积误差漂移
3. 训练时结合分块像素监督和跨块分布匹配，双重约束时序一致性
4. 将扩散过程蒸馏为高效单步推理

效果：多项基准 SOTA，时序一致性显著领先，推理速度提升 58 倍，长序列显存占用恒定。

• 论文：https://arxiv.org/abs/xxxx （PDF）

---

13. DRIVE：分布检索增强的出价策略

核心问题：标准 Decision Transformer 在复杂竞价环境中有三个痛点：

• "平均动作"陷阱：多模态策略坍缩
• 长尾幻觉：参数化模型对罕见场景记忆差
• 缺乏推理优化

解决方案：提出"生成-检索-评估"闭环：

1. 用高斯混合模型替代确定性输出，解决多模态策略坍缩
2. 引入检索机制增强长尾场景记忆
3. 通过 IQL Critic 实现闭环择优，对生成动作和历史动作实时评估

效果：决策鲁棒性显著提升。

• 论文：https://arxiv.org/abs/xxxx （PDF）

---

一些感想

这 13 篇论文覆盖的面还挺广的，从智能体推理、训练、评测，到视频生成、微调策略、竞价决策都有。感觉有几个趋势比较明显：

• 智能体评测越来越细：不再只比准确率，开始关注噪声鲁棒性、长程交互、自我验证能力
• 记忆和上下文管理是瓶颈：MemOCR、Infinite-World 都在解决这个问题
• 视频生成在往实用方向走：超高分辨率、流式处理、身份保持，都是实际应用需要的
• 微调方法在精细化：SAFT 这种自适应策略，说明大家开始关注不同数据特性下的最优训练方案

如果对哪篇感兴趣，可以直接去 arXiv 看原文。