数据显示，今年大会共收到 12107 篇投稿，较去年增加了 28%。共有 3260 篇论文被接收，接收率为 26.9%。其中，只有 313 篇论文被选为「spotlight poster」。
在收到邮件的第一时间，不少研究者都晒出了自己被接收的论文。当然，也有研究者感到沮丧或对评审结果有所质疑。在这篇文章中，我们汇总了一些被接收的优秀论文以及有争议的论文，方便大家探讨。
被接收的高分论文
首先，我们检索了一些 spotlight 论文，因为这是 ICML 官方推荐度最高的一批论文，能搜到的论文包括但不限于：
Neural Discovery in Mathematics: Do Machines Dream of Colored Planes?（数学中的神经发现：机器会梦见彩色的平面吗？）
Monte Carlo Tree Diffusion (MCTD) for System 2 Planning（用于 System 2 规划的蒙特卡罗树扩散（MCTD）方法）
Layer-wise Alignment：Examining Safety Alignment Across lmage Encoder Layers in Vision Language Models（逐层对齐：视觉语言模型中图像编码器层间的安全对齐）
The Number of Trials Matters in Infinite-Horizon General-Utility Markov Decision Processes（试验次数在无限时域一般效用马尔可夫决策过程中的重要性）
Implicit Language Models are RNNs: Balancing Parallelization and Expressivity（隐式语言模型即 RNN：平衡并行性与表达能力）
……
此外，我们还发现，一些国内大厂的论文在评审中拿到了高分或 Spotlight，比如字节跳动的两篇论文：
论文 1：MARS: Unleashing the Power of Variance Reduction for Training Large Models（平均得分：4.25）
MARS 是一个用于 LLM 的方差缩减自适应优化器框架，其收敛速率为𝒪(T⁻²/³)，优于 AdamW 的𝒪(T⁻¹/²)。该方法的 2.0 版本将在之后发布。
论文 2：ShadowKV: KV Cache in Shadows for High-Throughput Long-Context LLM Inference（Spotlight）
还有一些论文虽然拿到了高分，但并未被选为 Spotlight，这类论文同样值得关注，比如下面这篇伊利诺伊大学厄巴纳-香槟分校的论文：EMBODIEDBENCH: Comprehensive Benchmarking Multi-modal Large Language Models for Vision-Driven Embodied Agents（平均得分：4.5）
链接：https://arxiv.org/pdf/2502.09560
EmbodiedBench 是一个用于评估多模态大语言模型（MLLMs）作为视觉驱动的具身智能体的综合性基准测试平台。它包含 1128 个测试任务，涵盖四个环境，从高级语义任务（如家务）到涉及原子动作的低级任务（如导航和操作）。此外，EmbodiedBench 还设有六个精心策划的子集，用于评估智能体的关键能力，如常识推理、复杂指令理解、空间意识、视觉感知和长期规划。
充满争议的被拒论文
除了被接收的论文，一些被拒的论文同样值得讨论，因为这些论文的价值可能未被充分挖掘。
一个研究者晒出了元评审截图，尽管其论文获得高度评价，却仍被拒绝。
这并非孤例，其他研究者也反映了类似遭遇。
令人费解的是，一些评分较低的论文反而被接收。
另一位研究者表示，他收到了不完整、无关且敷衍的评审意见。虽然向科学诚信委员会举报并得到确认该评审质量确实低下，但领域主席（AC）依然拒绝了他的论文。
评审过程中的矛盾同样引人关注。
有研究者发现，他的论文实际获得了两个 4 分，但元评审却错误地将其记录为三个 3 分加一个 4 分。同时，元评审声称某位评审人还有疑问，而该评审人在反驳阶段已明确表示其疑虑已解决。
其他研究者也指出了评审和编辑的粗心。
如果你对自己论文的接收结果也有疑问，欢迎在评论区讨论。
]]>