Die preisgekrönten Papiere der ICML 2026 wurden bekannt gegeben: Das Team von Huang Gao erhielt den Preis für herausragende Papiere, und der A3C-Algorithmus erhielt den Test-of-Time Award

Gerade eben hat ICML 2026 offiziell die Preisträger der besten Arbeiten bekanntgegeben.

In diesem Jahr gibt es insgesamt 10 preisgekrönte Arbeiten: 2 Auszeichnungen für herausragende Arbeiten, 1 Auszeichnung für herausragende Positionspapiere, 5 Ehrungen für herausragende Arbeiten, 1 Ehrung für herausragende Positionspapiere und 1 Preis für zeitlose Bedeutung.

ICML wird von der Internationalen Gesellschaft für Maschinelles Lernen (IMLS) veranstaltet und zählt zusammen mit NeurIPS und ICLR zu den drei führenden Konferenzen im Bereich der KI. Die diesjährige ICML ist die 43. Ausgabe und findet vom 6. bis 11. Juli in Seoul, Südkorea, statt. Insgesamt gingen 247 Workshop-Vorschläge ein, von denen 44 für die Durchführung ausgewählt wurden.

Bei dem Auswahlverfahren behält ICML 2026 die gewohnt strengen akademischen Filterkriterien bei. Die Programmkomitee-Vorsitzenden haben unter Berücksichtigung der Bewertungen der Gutachter und der Nominierungen der Bereichsvorsitzenden 53 Kandidatenarbeiten aus allen Einreichungen ausgewählt, um eine ausgewogene Abdeckung von acht Hauptthemenbereichen zu gewährleisten und Abweichungen durch unterschiedliche Bewertungsstandards zwischen den Bereichen zu reduzieren. Nach einer erneuten Begutachtung wurde die Kandidatenliste auf 22 Arbeiten eingegrenzt.

Schließlich wurden diese Arbeiten dem aus 11 Mitgliedern bestehenden Komitee für herausragende Arbeiten zur Prüfung vorgelegt. Das Komitee führte eine gegenseitige Begutachtung der anonymisierten Arbeiten durch, diskutierte ausführlich, schloss Interessenkonflikte streng aus und holte bei Bedarf externe Expertenmeinungen ein, um schließlich 2 herausragende Arbeiten und 5 Arbeiten mit Ehrungen auszuwählen.

Im Folgenden finden Sie die diesjährigen preisgekrönten Arbeiten mit kurzen Beschreibungen.

Auszeichnung für herausragende Arbeiten

• Titel der Arbeit: The Flexibility Trap: Rethinking the Value of Arbitrary Order in Diffusion Language Models
• Einrichtungen: Tsinghua-Universität, Alibaba
• Link zur Arbeit: http://arxiv.org/pdf/2601.15165

Diffusionsbasierte große Sprachmodelle (dLLMs) durchbrechen die starre Beschränkung traditioneller großer Sprachmodelle, die von links nach rechts generieren, sodass Tokens in beliebiger Reihenfolge erzeugt werden können. Intuitiv bedeutet diese Flexibilität, dass ihr Lösungsraum streng die festen autoregressiven Generierungspfade umfasst, was theoretisch das Potenzial für stärkere Schlussfolgerungen freisetzen kann. Tatsächlich hat diese Fähigkeit bei einigen spezifischen Aufgaben zur Erfüllung von Einschränkungen, wie Sudoku, deutliche Vorteile gezeigt.

Die Arbeit zeigt jedoch, dass bei allgemeinen Schlussfolgerungsaufgaben wie Mathematik und Programmierung die Generierung in beliebiger Reihenfolge das Schlussfolgerungspotenzial von dLLMs einschränken kann. Die Forscher fanden heraus, dass dLLMs diese Reihenflexibilität oft nutzen, um Tokens mit hoher Unsicherheit, die aber für die Erkundung entscheidend sind, zu umgehen, was zu einer vorzeitigen Verengung der Abdeckung des Lösungsraums führt.

Diese Beobachtung veranlasste die Forscher, die Methoden des verstärkenden Lernens für dLLMs neu zu überdenken. Bestehende Methoden investieren oft viel komplexe Gestaltung, um diese Flexibilität zu bewahren, beispielsweise bei der Verarbeitung kombinatorischer Generierungspfade und schwer genau berechenbarer Wahrscheinlichkeiten. Sie beweisen, dass der effektivste Weg zur Förderung der Schlussfolgerungsfähigkeit genau darin besteht, die Generierung in beliebiger Reihenfolge aufzugeben und direkt das standardisierte Group Relative Policy Optimization (GRPO) zu verwenden.

Ihre Methode JustGRPO ist äußerst einfach, liefert aber überraschende Ergebnisse, beispielsweise eine Genauigkeit von 89,1 % auf GSM8K, während die parallele Dekodierungsfähigkeit von dLLMs vollständig erhalten bleibt.

• Titel der Arbeit: High-accuracy sampling for diffusion models and log-concave distributions
• Einrichtungen: Massachusetts Institute of Technology, Yale University
• Link zur Arbeit: https://arxiv.org/pdf/2602.01338

Die Arbeit stellt eine Klasse von Algorithmen für das Sampling von Diffusionsmodellen vor: Wenn eine

genaue Schätzung des Scores verfügbar ist, kann der Algorithmus in

Schritten einen Fehler von

erreichen. Im Vergleich zu allen vorherigen Ergebnissen stellt dies eine exponentielle Verbesserung dar.

Genauer gesagt beträgt die Komplexität unter minimalen Datenannahmen

, wobei

die intrinsische Dimension der Daten angibt. Weiterhin kann unter nicht-uniformen

Bedingungen die Komplexität auf

reduziert werden.

Die Methode der Arbeit liefert zudem den ersten Sampler mit der Komplexität

, der nur auf Gradientenauswertungen basiert und für allgemeine log-konkave Verteilungen geeignet ist.

Auszeichnung für herausragende Positionspapiere

• Titel der Arbeit: Position: The Alignment Community is Unintentionally Building a Censor’s Toolkit
• Einrichtungen: Ludwig-Maximilians-Universität München, unabhängige Forscher
• Link zur Arbeit: https://openreview.net/pdf?id=dy2HwmOvFX

Dieses Positionspapier weist darauf hin, dass moderne KI-Ausrichtungsmethoden, die ursprünglich dazu gedacht sind, die Ausgabe schädlicher Inhalte durch Modelle zu verhindern, selbst eine Technologie mit doppeltem Verwendungszweck darstellen, die leicht von böswilligen Akteuren für Zensur und Manipulation missbraucht werden kann.

Indem die Autoren die aktuellen Ausrichtungstechniken, potenzielle Missbrauchsmöglichkeiten und bereits aufgetretene tatsächliche Missbrauchsfälle durchgehen, zeigen sie, dass das Streben nach „perfekt ausgerichteten“ Modellen unbeabsichtigt auch böswilligen Akteuren ein stetig verbessertes Werkzeug zur Informationsbeherrschung liefern kann.

Wir müssen jetzt über dieses Potenzial des doppelten Verwendungszwecks diskutieren, da dieses Risiko weiter verstärkt wird: Nutzer nutzen KI zunehmend als Werkzeug für den Informationszugang, die wirtschaftliche Machtasymmetrie wächst und das politische Umfeld neigt immer mehr zum Autoritarismus.

Schließlich rufen die Autoren die Forschungsgemeinschaft dazu auf, die Möglichkeit des absichtlichen Missbrauchs von KI-Ausrichtungsmechanismen anzuerkennen und entsprechende Minderungsstrategien vorzuschlagen, um dieses Risiko des doppelten Verwendungszwecks zu verhindern.

Ehrung für herausragende Arbeiten

• Titel der Arbeit: The Obfuscation Atlas: Mapping Where Honesty Emerges in RLVR with Deception Probes
• Einrichtung: FAR.AI
• Link zur Arbeit: https://arxiv.org/pdf/2602.15515

Das Training auf White-Box-Täuschungsdetektoren wurde vorgeschlagen, um KI-Systeme ehrlicher zu machen. Dieses Training birgt jedoch auch Risiken: Das Modell kann lernen, seine eigenen Täuschungsakte zu verschleiern, um die Detektoren zu umgehen. Frühere Studien haben dieses Phänomen der Verschleierung nur in künstlichen Szenarien diskutiert, in denen Modelle direkt Belohnungen für die Ausgabe schädlicher Inhalte erhalten.

Die Forscher haben eine realistischere Programmierumgebung aufgebaut. In dieser Umgebung zeigen Modelle natürlich ein Verhalten des Reward-Hacking durch hartkodierte Testfälle, und sie fanden heraus, dass auch hier das Phänomen der Verschleierung auftritt.

Sie schlagen einen Klassifizierungsrahmen vor, der die verschiedenen möglichen Ergebnisse beim Training auf Täuschungsdetektoren beschreibt. Das Modell bleibt entweder ehrlich oder zeigt Täuschung durch zwei mögliche Verschleierungsstrategien:

• Aktivierungsverschleierung (Obfuscated activations): Das Modell gibt täuschenden Text aus und ändert gleichzeitig seine internen Repräsentationen, sodass diese den Detektor nicht mehr auslösen.
• Politikverschleierung (Obfuscated policy): Das Modell gibt täuschenden Text aus, der den Detektor umgeht, und fügt normalerweise eine rationalisierende Erklärung für das Reward-Hacking in den Text ein.

Experimentelle Ergebnisse zeigen, dass Aktivierungsverschleierung aus dem Repräsentationsdrift im Prozess des verstärkenden Lernens hervorgeht und unabhängig davon auftritt, ob Detektor-Strafen hinzugefügt werden oder nicht. Detektor-Strafen fördern nur die Politikverschleierung; theoretisch wurde nachgewiesen, dass dieses Ergebnis für Policy-Gradient-Methoden zu erwarten ist.

Wenn jedoch sowohl die Stärke der KL-Regularisierung als auch die Detektor-Strafe ausreichend hoch sind, kann das Modell eine ehrliche Politik erlernen. Dies zeigt, dass White-Box-Täuschungsdetektoren in Aufgaben, bei denen Reward-Hacking leicht auftritt, als praktikables Trainingssignal dienen können.