Gerade jetzt hat das klassische Meisterwerk von DeepMind wieder einen Höhepunkt erreicht: Die Preisträger der ICML 2026 wurden bekannt gegeben.
Der Preis für herausragende Arbeiten der ICML 2026 wurde offiziell bekannt gegeben. Zwei Arbeiten über Diffusionsmodelle haben den ersten Platz gemeinsam errungen, und viele der Autoren sind Chinesen.
Die Ankündigung der großen Preise der ICML 2026 ist hier!
Der jährliche Preis für herausragende Arbeiten und der Preis für zeitgemäße Prüfung der ICML wurden offiziell bekannt gegeben.
Insgesamt sind 9 Arbeiten für den Preis für herausragende Arbeiten nominiert, darunter 7 Forschungsarbeiten und 2 Positionspapiere. Schließlich wurden 3 Preisträger und 6 Ehrennominierungen vergeben. Der Preis für zeitgemäße Prüfung der ICML geht an das Gebiet des Reinforcement Learnings. Ein klassisches Meisterwerk von DeepMind hat sich erneut bewährt.
Vollständige Liste der Preisträger:
https://blog.icml.cc/2026/07/05/announcing-the-icml-2026-awards/
ICML, die Abkürzung für International Conference on Machine Learning, steht neben NeurIPS und ICLR als eine der drei Spitzenkonferenzen im Bereich Künstliche Intelligenz. Jährlich werden über 10.000 Beiträge eingereicht, und die Akzeptanzrate liegt bei weniger als 30%.
Von dem 6. bis 11. Juli 2026 findet die ICML 2026 im COEX-Konferenz- und Ausstellungszentrum in Seoul, Südkorea, statt.
Der Preis für herausragende Arbeiten ist der Oscar im Bereich des Maschinellen Lernens.
Der Wert dieser Liste liegt nicht nur in der Anerkennung technischer Beiträge, sondern auch darin, dass sie dem gesamten Bereich eine Richtung weist.
Diffusionsmodelle sind die großen Gewinner dieses Jahres. Zwei zugehörige Arbeiten haben den Preis für herausragende Arbeiten gewonnen:
Die Flexibilitätfalle: Überdenken des Werts beliebiger Reihenfolgen in Diffusionssprachmodellen. Diese Meisterarbeit analysiert tiefgreifend die Schlüsselmechanismen in Diffusions-Großsprachmodellen.
Hochpräzises Sampling für Diffusionsmodelle und log-konkave Verteilungen: Ein signifikanter Durchbruch in der Algorithmenpräzision.
Der Preis für herausragende Positionspapiere beschreibt ein seltsames Phänomen im Bereich der KI-Sicherheit: Die Alignment-Community baut unbeabsichtigt ein Toolkit für die Inhaltskontrolle auf.
Fünf Forschungsarbeiten haben die Ehrennominierung für den Preis für herausragende Arbeiten erhalten:
- Das Obfuskationsatlas: Kartieren der Entstehung von Ehrlichkeit in RLVR mit Täuschungssonden
- Bewegungsattribution bei der Videogenerierung
- Wie viel kann ein Sprachmodell merken?
- Konstanz von Diffusionsmodellen: Eine Perspektive aus der Theorie der Zufallsmatrizen
- Das Verständnis von Grokking: Beweisbares Grokking in der Ridge-Regression
Ein Positionspapier hat die Ehrennominierung für den Preis für herausragende Arbeiten erhalten:
Position: Die Deepfake-Forschung in der KI/ML ist im Widerspruch zu nicht freiwillig generierten intimen Bildern durch Künstliche Intelligenz (AIG-NCII)
Schließlich geht der Preis für zeitgemäße Prüfung an ein absolutes Hit der damaligen Zeit:
Asynchrone Methoden für Deep Reinforcement Learning
Herzlichen Glückwunsch an alle Preisträger.
Diffusionsmodelle dominieren die Preise für herausragende Arbeiten. Hinter dem Doppelsieg steckt ein neues Konsens
Beide Preisträger des Preises für herausragende Arbeiten befassen sich mit Diffusionsmodellen.
Dass zwei Arbeiten in derselben Richtung gleichzeitig gewinnen, ist in der Geschichte der ICML sehr selten. Hinter dieser Koinzidenz scheint eher eine kollektive Einschätzung zu stecken: Die Diffusionsmodelle haben den Zustand erreicht, in dem es um "Korrektur" und "Infrastrukturaufbau" geht.
Die erste Arbeit stammt von der Gruppe von Huang Gao der Tsinghua-Universität und Zanlin Ni et al. Der Titel klingt schon sehr gewagtes: "Die Flexibilitätfalle: Überdenken des Werts beliebiger Reihenfolgen in Diffusionssprachmodellen". Schon anhand des Titels sieht man, dass es um eine Revision geht.
Titel: The Flexibility Trap: Rethinking the Value of Arbitrary Order in Diffusion Language Models
ICML: https://icml.cc/virtual/2026/oral/71086
Projektseite: https://nzl-thu.github.io/the-flexibility-trap/
Erklären wir zunächst den Hintergrund.
Diffusions-Großsprachmodelle sind eines der heißesten Forschungsgebiete derzeit. Im Gegensatz zu autoregressiven Modellen wie GPT und Claude generieren Diffusionssprachmodelle nicht Token für Token von links nach rechts, sondern "entrauschen" sie wie beim Malen schrittweise aus einem Rauschen einen vollständigen Text.
Theoretisch hat diese Architektur einen großen Vorteil: Die Generierungsreihenfolge kann beliebig sein. Man kann zuerst die Mitte schreiben und dann den Anfang, oder zuerst die Schlussfolgerung festlegen und dann die Argumente ergänzen.
Klingt schön. Aber die Arbeit von Ni et al. wirft eine kalte Dusche auf.
Sie haben mit zahlreichen Experimenten bewiesen, dass die sogenannte "beliebig Reihenfolgegenerierung" in der praktischen Trainingsphase nicht die erwarteten Vorteile bringt, sondern eher eine Falle wird.
Die Flexibilität selbst ist ein Preis. Um alle möglichen Generierungsreihenfolgen zu unterstützen, funktioniert das Modell in jeder konkreten Reihenfolge schlechter.
Die Wucht dieser Schlussfolgerung liegt darin, dass sie den Kernvorteil der Diffusionssprachmodelle infrage stellt.
In den letzten zwei Jahren haben viele Arbeiten "beliebig Reihenfolge" als Schlüsselargument für die Überlegenheit von Diffusions-LLMs gegenüber autoregressiven LLMs verwendet. Viele Teams haben auf der Grundlage dieser Annahme viel Rechenleistung in Experimente investiert. Jetzt hat die ICML offiziell bestätigt: Dieses Argument hält nicht stand.
Die zweite preisgekrönte Arbeit stammt von Fan Chen et al. und konzentriert sich auf die Samplingpräzision von Diffusionsmodellen.
Titel: 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
Sie haben eine hochpräzisere Samplingmethode für Diffusionsmodelle und log-konkave Verteilungen vorgeschlagen.
Dies löst das zugrunde liegende Problem der Diffusionsmodelle bei der praktischen Implementierung, dass es eine theoretische Obergrenze für die Generierungsqualität gibt.
Eine Arbeit hat die Kernannahme abgebaut, und die andere hat die technische Grenze erhöht.
Dass die ICML sowohl das Brechen als auch das Aufbauen belohnt, sendet ein klares Signal: Die Diffusionsmodelle gehen von der "Konzeptprüfung" in die "Tiefenwässer". Es wird nicht mehr nur nach neuen Ideen gesucht, sondern es wird eine kältere Betrachtung und eine solide Infrastruktur benötigt.
Der spektakulärste Preis geht an die schärfste Kritik
Kommen wir zurück zu der Arbeit, die das Publikum schockierte.
Das "Position: The Alignment Community is Unintentionally Building a Censor’s Toolkit" von Sarah Ball und Phil Hackemann hat den Preis für herausragende Positionspapiere gewonnen.
Titel: Position: The Alignment Community is Unintentionally Building a Censor’s Toolkit
ICML: https://icml.cc/virtual/2026/oral/71119
Arbeit: https://openreview.net/pdf?id=dy2HwmOvFX
Der Preis für Positionspapiere der ICML wird speziell an Artikel vergeben, die keine Experimente durchführen und keine Daten auswerten, sondern grundlegende Zweifel an der Richtung des Bereichs äußern.
Der Kernpunkt dieser Arbeit ist so direkt, dass er fast ärgerlich klingt: Die Forscher im Bereich der KI-Sicherheit und des Alignments wollen die KI sicherer und kontrollierbarer machen. Aber die von ihnen entwickelten Technologietools wie RLHF, Verfassung-KI und Werteausrichtungssysteme werden systematisch als Infrastruktur für die Inhaltskontrolle missbraucht.
Die Leute, die sich mit Alignment befassen, denken, dass sie eine Sicherheitsverriegelung bauen. Aber die Baupläne dieser Verriegelung können auch für das Bauen eines Gefängnisses verwendet werden.
Diese Einschätzung ist nicht aus der Luft gegriffen. Im vergangenen Jahr sind die Kontroversen um die KI-Inhaltskontrolle immer heftiger geworden. Vom Ablehnungsstrategie von Claude bis zum Inhaltsfilterungssystem von ChatGPT ist "Überalignment" zu einem häufigen Stichwort für die Beschwerden