圖片來(lái)源：字節(jié)跳動(dòng)

Z Highlights

• 實(shí)現(xiàn)了規(guī)模與質(zhì)量的雙重爆發(fā)：字節(jié)共計(jì) 115 篇論文被接收，其中 Oral 占比高達(dá) 10.4%，遠(yuǎn)超大會(huì) 4.2% 的平均水平，證明其研究精品率極高。

• 火力高度聚焦“基座+多模態(tài)”：字節(jié) 84.3% 的論文集中在基座大模型與多模態(tài)感知方向，這反映出一種典型的重倉(cāng)式布局，而非均衡配置。

• 呈現(xiàn)顯著的領(lǐng)域“超配”特征：字節(jié)在基座大模型和多模態(tài)方向的投入強(qiáng)度分別是大會(huì)平均水平的 1.47 倍和 1.79 倍，戰(zhàn)略重心極其明確。

• 從單點(diǎn)突破轉(zhuǎn)向全棧 AI 平臺(tái)化：字節(jié)正系統(tǒng)性構(gòu)建從底層基座、核心能力、應(yīng)用場(chǎng)景到數(shù)據(jù)評(píng)測(cè)標(biāo)準(zhǔn)的完整體系，意在掌握 AI 話語(yǔ)權(quán)與標(biāo)準(zhǔn)定義權(quán)。

• 構(gòu)建了極高強(qiáng)度的全球科研聯(lián)盟：外部協(xié)作占比高達(dá) 90.4%，通過(guò)深度鏈接全球頂級(jí)高校和研究機(jī)構(gòu)，將自身的研究規(guī)模放大了近 30 倍。

ICLR 2026 的最終接收論文名單剛剛公布，一份來(lái)自字節(jié)系的成績(jī)單，已經(jīng)在圈內(nèi)悄然傳開(kāi)。

115 篇接收論文，占大會(huì)總量的 2.2%。單看數(shù)量，這已經(jīng)是一支相當(dāng)穩(wěn)定的產(chǎn)業(yè)研究力量。但真正讓同行關(guān)注的，是另外幾個(gè)數(shù)字：12 篇 Oral，占比 10.4%，而 ICLR 整體的 Oral 占比為 4.2%，高出 6.2 個(gè)百分點(diǎn)；以及 90.4%的論文都帶有外部合作。

字節(jié)系論文數(shù)量概覽

這組數(shù)據(jù)放在一起，勾勒出的是一個(gè)已經(jīng)形成穩(wěn)定產(chǎn)出主線、并能在頂會(huì)前排持續(xù)輸出的研究體系。

雙核重倉(cāng)：84.3%的火力集中在基座模型與多模態(tài)感知方向

如果說(shuō)論文數(shù)量代表的是體量，那方向結(jié)構(gòu)體現(xiàn)的就是布局思路。字節(jié)系在 ICLR 2026 上最鮮明的特征，是火力高度集中在兩個(gè)方向。基座大模型共 56 篇，占比 48.7%；多模態(tài)感知與跨學(xué)科應(yīng)用共 41 篇，占比 35.7%。兩者相加共 97 篇，占全部字節(jié)系論文的 84.3%。這不是均衡配置，甚至不只是重點(diǎn)傾斜，而是一種典型的重倉(cāng)式布局。

剩下的方向則更像是外圍梯隊(duì)。計(jì)算機(jī)理論與機(jī)器學(xué)習(xí) 2 篇，強(qiáng)化學(xué)習(xí)、可信與安全可解釋性各 4 篇，具身智能與自動(dòng)駕駛 3 篇，系統(tǒng)方向 2 篇。這個(gè)結(jié)構(gòu)釋放的信號(hào)很清晰：對(duì)字節(jié)而言，ICLR 2026 的主戰(zhàn)場(chǎng)仍然集中在基座大模型與多模態(tài)能力本身。

字節(jié)系論文研究領(lǐng)域大類分布

進(jìn)一步拆解一級(jí)研究方向，字節(jié)的技術(shù)重心將暴露得更清楚。排在第一位的是“applications to computer vision, audio, language, and other modalities”，共 38 篇，占比 33.6%；隨后是“foundation or frontier models, including LLMs”（21 篇）、“generative models”（20 篇）和“datasets and benchmarks”（15 篇）。

這個(gè)結(jié)構(gòu)很有意思，說(shuō)明字節(jié)的 AI 研究呈現(xiàn)出鮮明的平臺(tái)化戰(zhàn)略：38 篇多模態(tài)應(yīng)用（33.6%）占據(jù)首位，凸顯以視覺(jué)、音頻、語(yǔ)言等全模態(tài)驅(qū)動(dòng)產(chǎn)品落地的優(yōu)先導(dǎo)向；基礎(chǔ)模型與生成模型分別以 21 篇和 20 篇緊隨其后，構(gòu)成底座能力+內(nèi)容生產(chǎn)的雙輪閉環(huán)；而 15 篇數(shù)據(jù)與評(píng)測(cè)的投入，則超越了單純的模型研發(fā)，意在掌握數(shù)據(jù)源頭與標(biāo)準(zhǔn)定義權(quán)。四者共同構(gòu)建起從底層基座、核心能力、應(yīng)用場(chǎng)景到基礎(chǔ)設(shè)施的系統(tǒng)性技術(shù)體系，反映出字節(jié)跳動(dòng)正從單點(diǎn)模型突破轉(zhuǎn)向全棧自主的 AI 平臺(tái)化布局。

字節(jié)系論文一級(jí)研究方向 Top 10

如果只看 12 篇 Oral，方向集中度會(huì)更高。按研究大類統(tǒng)計(jì)，7 篇來(lái)自基座大模型，4 篇來(lái)自多模態(tài)感知與跨學(xué)科應(yīng)用，另外 1 篇來(lái)自強(qiáng)化學(xué)習(xí)。也就是說(shuō)，首頁(yè)機(jī)構(gòu)口徑下的字節(jié) Oral，幾乎全部仍然落在“大模型 + 多模態(tài)”這條主軸上。在這兩個(gè)方向上，字節(jié)已經(jīng)具備了持續(xù)產(chǎn)出高質(zhì)量成果的能力。

與大盤(pán)對(duì)比，超配信號(hào)明顯：偏好指數(shù) 1.49 意味著什么？

把字節(jié)放回整場(chǎng) ICLR 里看，結(jié)構(gòu)差異會(huì)更明顯。

基座大模型是字節(jié)典型的超配方向。字節(jié)系在這一方向上的占比達(dá)到 48.7%，而整體 ICLR 的占比是 33.2%，占比差值達(dá)到 15.5 個(gè)百分點(diǎn)。如果用偏好指數(shù)來(lái)衡量，字節(jié)在基座大模型上的偏好指數(shù)達(dá)到 1.47。也就是說(shuō)，字節(jié)在這個(gè)方向上的配置強(qiáng)度，大約是大會(huì)平均水平的 1.5 倍。

字節(jié)與整體 ICLR 方向分布對(duì)比

字節(jié)方向偏好指數(shù)

多模態(tài)感知與跨學(xué)科應(yīng)用方向也不甘示弱，同樣成為了典型的超配方向。字節(jié)在這一方向上的占比為 35.7%，整體 ICLR 為 19.9%，偏好指數(shù) 1.79。這進(jìn)一步印證了字節(jié)的主線布局：將資源明顯集中在“基座+多模態(tài)”兩塊。

一個(gè)容易被忽略的細(xì)節(jié)是計(jì)算機(jī)系統(tǒng)。它只有 2 篇論文，但由于整個(gè) ICLR 系統(tǒng)方向本身也只占 0.8%，字節(jié)在這一方向上的偏好指數(shù)仍達(dá)到2.16。這說(shuō)明系統(tǒng)雖然不是字節(jié)的主要敘事，但也沒(méi)有完全缺席。這種主線清晰、支線有選擇跟進(jìn)的布局，正體現(xiàn)了一家成熟研究機(jī)構(gòu)的戰(zhàn)略定力。

最后看一個(gè)最硬的結(jié)果指標(biāo)：Oral 占比。字節(jié)系 Oral 占比為 10.4%，整體 ICLR 為 4.2%，相差約 6.2 個(gè)百分點(diǎn)。與許多靠規(guī)模取勝的產(chǎn)業(yè)隊(duì)伍不同，字節(jié)這次不只是論文數(shù)量多，精品率也確實(shí)跑在了前面。這意味著，字節(jié)的研究質(zhì)量并未因規(guī)模擴(kuò)張而被稀釋，反而在更高水平的競(jìng)爭(zhēng)中保持了產(chǎn)出效率。

字節(jié)與整體 ICLR Oral占比對(duì)比

注：偏好指數(shù) = 字節(jié)在某方向的論文占比 / 整體 ICLR 在該方向的論文占比。偏好指數(shù)大于 1 表示字節(jié)在該方向相對(duì)超配，小于 1 表示相對(duì)低配。 占比差值 = 字節(jié)在某方向的論文占比 - 整體 ICLR 在該方向的論文占比，用于直觀看結(jié)構(gòu)差異。本文新增指標(biāo)屬于描述性統(tǒng)計(jì)，用于說(shuō)明方向結(jié)構(gòu)，不做顯著性檢驗(yàn)。

90.4%的協(xié)作率：一張覆蓋頭部高校的隱形聯(lián)盟

如果說(shuō)方向結(jié)構(gòu)體現(xiàn)的是字節(jié)將研究資源押注在哪些領(lǐng)域，那么合作結(jié)構(gòu)則反映了字節(jié)通過(guò)什么方式將這些論文落地。答案很明確：靠合作，而且是高強(qiáng)度合作。

字節(jié)系論文合作版圖發(fā)布

115 篇字節(jié)系論文中，純字節(jié)獨(dú)立完成的只有 11 篇，占比 9.6%；其余 104 篇均有外部合作，外部協(xié)作占比達(dá)到 90.4%。在頂會(huì)語(yǔ)境下，這個(gè)數(shù)字幾乎可以被視作平臺(tái)型研究機(jī)構(gòu)的典型特征——它通過(guò)一張高度成熟的合作網(wǎng)絡(luò)，將研究規(guī)模放大了近 30 倍。

從細(xì)分結(jié)構(gòu)看，字節(jié)-高校合作有 90 篇，占比 78.3%；字節(jié)-高校-企業(yè)混合合作有 13 篇，占比 11.3%。兩者合計(jì)已覆蓋絕大多數(shù)樣本。純字節(jié)-企業(yè)合作只有 1 篇，說(shuō)明字節(jié)在 ICLR 這類頂會(huì)上的合作邏輯，仍以高校/研究機(jī)構(gòu)牽引為主導(dǎo)，而非單純的產(chǎn)業(yè)間聯(lián)名。這種選擇有其內(nèi)在邏輯：高校和研究機(jī)構(gòu)在基礎(chǔ)研究、人才培養(yǎng)和學(xué)術(shù)影響力上具有天然優(yōu)勢(shì)，而產(chǎn)業(yè)方的優(yōu)勢(shì)在于場(chǎng)景、數(shù)據(jù)和工程化能力。字節(jié)選擇的，正是高校做深、產(chǎn)業(yè)做寬的互補(bǔ)模式。

研究機(jī)構(gòu)方面，前五名分別是 Data61 CSIRO（2 篇）、Georgia Institute of Technology（2 篇）、Institute of Automation, Chinese Academy of Sciences（2 篇）、Shanghai Collaborative Innovation Center of Intelligent Visual Computing（2 篇）和 Shanghai Key Laboratory of Multimodal Embodied AI（2 篇）。

這說(shuō)明字節(jié)并不是只圍繞高校展開(kāi)合作，同時(shí)也在和最強(qiáng)的一批研究平臺(tái)形成穩(wěn)定共研。這些平臺(tái)往往介于學(xué)術(shù)界和產(chǎn)業(yè)界之間，既有學(xué)術(shù)深度，又具備一定的工程化能力，恰好是字節(jié)理想的合作伙伴。

字節(jié)合作研究機(jī)構(gòu) Top 5

企業(yè)方面，字節(jié)與 M-A-P 合作 3 篇，與 OPPO 合作 3 篇。這部分樣本規(guī)模不如高校合作，但它反映出的信號(hào)很直接：在前沿議題上，字節(jié)也在和其他產(chǎn)業(yè)玩家發(fā)生交叉聯(lián)動(dòng)。這些合作可能集中在某些需要多方數(shù)據(jù)或多方能力的特定議題上，比如多模態(tài)、端側(cè) AI 等。

注：合作機(jī)構(gòu)計(jì)數(shù)采用“論文共現(xiàn)次數(shù)”口徑，同一篇論文內(nèi)同一機(jī)構(gòu)只計(jì) 1 次，不按作者人數(shù)或作者排序加權(quán)。因此，這里的“合作最多”應(yīng)理解為共同署名最頻繁，而不是作者貢獻(xiàn)權(quán)重最高。

邁向下一代智能系統(tǒng)

字節(jié)在 ICLR 2026 上圍繞多模態(tài)生成、視覺(jué)驗(yàn)證、強(qiáng)化學(xué)習(xí)驅(qū)動(dòng)的主動(dòng)推理、長(zhǎng)上下文建模、高效模型訓(xùn)練與結(jié)構(gòu)優(yōu)化等方向集中發(fā)布的一系列工作，本質(zhì)上是在系統(tǒng)性地構(gòu)建下一代智能系統(tǒng)的技術(shù)底座。這些研究既涵蓋視頻 avatar、視覺(jué)幾何、蛋白質(zhì)結(jié)構(gòu)生成等具體任務(wù)，也深入到混合專家路由、偏好優(yōu)化、測(cè)試時(shí)訓(xùn)練、記憶機(jī)制與 agent 強(qiáng)化學(xué)習(xí)等基礎(chǔ)性問(wèn)題。再把視線拉回到這 115 篇論文中最具分量的 oral 部分，其中字節(jié)跳動(dòng)多模態(tài)和世界模型負(fù)責(zé)人時(shí)光掛名的有兩篇，分別是 OmniVerifier 和 Deep Anything3。

SEEDVR2

視頻生成方面，字節(jié)在 ICLR 上的文章側(cè)重于生成過(guò)程如何被穩(wěn)定控制、生成主體如何保持一致、生成系統(tǒng)如何走向高效部署。其中，Video-As-Prompt 將參考視頻本身轉(zhuǎn)化為統(tǒng)一語(yǔ)義提示，把風(fēng)格、動(dòng)作、運(yùn)鏡等不同控制條件納入同一生成框架，本質(zhì)上推動(dòng)了視頻生成從任務(wù)特定控制向上下文驅(qū)動(dòng)生成的演進(jìn)；BindWeave 則進(jìn)一步聚焦主體一致性，通過(guò)多模態(tài)語(yǔ)言模型與擴(kuò)散 Transformer 的跨模態(tài)耦合，在單主體與多主體場(chǎng)景下實(shí)現(xiàn)更穩(wěn)定的實(shí)體對(duì)齊與身份保持，使視頻生成具備了更強(qiáng)的角色約束能力；而 SeedVR2 則從效率側(cè)切入，以單步視頻恢復(fù)替代傳統(tǒng)多步擴(kuò)散過(guò)程，顯著降低高分辨率視頻處理的推理成本。整體來(lái)看，這三項(xiàng)工作并不是彼此孤立的任務(wù)改進(jìn)，而是分別對(duì)應(yīng)視頻生成系統(tǒng)走向?qū)嵱没匦璧目刂颇芰?、一致性能力與部署效率，體現(xiàn)出字節(jié)在該方向上已開(kāi)始從“生成效果提升”轉(zhuǎn)向“生成系統(tǒng)完善”的整體布局。

OmniHuman-1.5

多模態(tài)生成方面，AvatarMind 的切入角度很清晰——傳統(tǒng)數(shù)字人方法過(guò)度依賴低層音頻驅(qū)動(dòng)，缺乏對(duì)角色的語(yǔ)義表達(dá)與意圖理解。該工作引入多模態(tài)大模型生成結(jié)構(gòu)化語(yǔ)義表示，并結(jié)合多模態(tài)擴(kuò)散 Transformer 完成動(dòng)作生成，將 avatar 建模從口型同步推進(jìn)至認(rèn)知狀態(tài)驅(qū)動(dòng)，使情緒、意圖與語(yǔ)境在角色動(dòng)畫(huà)中真正成為主導(dǎo)因素。

視覺(jué)幾何建模領(lǐng)域，RoSE 與 Deep Anything 3 呈現(xiàn)出相似的技術(shù)路徑。RoSE 不再直接從單張圖像回歸法向圖，而是先預(yù)測(cè)對(duì)幾何信息更為敏感的 shading sequence，再通過(guò)解析方式恢復(fù)法向圖；Deep Anything 3 則嘗試用統(tǒng)一的 Transformer 框架處理任意視角、任意數(shù)量輸入條件下的三維恢復(fù)問(wèn)題，體現(xiàn)出從單一任務(wù)求解向統(tǒng)一視覺(jué)空間建模演進(jìn)的技術(shù)趨勢(shì)。字節(jié)還在 GUI agent 方向還推進(jìn)了以 UI-TARS 為代表的原生界面智能體路線，其核心意義在于讓模型直接基于截圖理解并操作軟件界面，并借助強(qiáng)化學(xué)習(xí)增強(qiáng)長(zhǎng)程交互中的規(guī)劃與執(zhí)行能力，這也使豆包手機(jī)一類終端交互產(chǎn)品具備了更強(qiáng)的落地基礎(chǔ)。

在多模態(tài)可靠性方向，OmniVerifier 提出了通用視覺(jué)驗(yàn)證器這一重要范式，指出現(xiàn)有多模態(tài)模型雖然具備較強(qiáng)的生成能力，但在視覺(jué)結(jié)果的檢查、反思與修正方面存在明顯短板。為此，研究團(tuán)隊(duì)構(gòu)建了專門(mén)的驗(yàn)證基準(zhǔn)，并訓(xùn)練生成式 verifier，在圖像生成與編輯過(guò)程中實(shí)時(shí)判斷輸出是否符合目標(biāo)要求，進(jìn)一步通過(guò)測(cè)試時(shí)迭代優(yōu)化機(jī)制將驗(yàn)證環(huán)節(jié)嵌入生成閉環(huán)。

強(qiáng)化學(xué)習(xí)與 agent 方向的多篇工作共同指向一個(gè)判斷：智能體能力的提升，既依賴于更長(zhǎng)的推理鏈，也取決于更優(yōu)的表示學(xué)習(xí)、更強(qiáng)的外部交互能力以及更穩(wěn)定的內(nèi)部狀態(tài)管理。ReTool 重點(diǎn)研究了如何在結(jié)果反饋驅(qū)動(dòng)下，自主摸索出更優(yōu)的工具使用策略，用強(qiáng)化學(xué)習(xí)讓模型學(xué)會(huì)什么時(shí)候該調(diào)用工具、怎樣調(diào)用工具、以及在工具反饋后如何繼續(xù)推進(jìn)推理。RALI 通過(guò)圖像質(zhì)量評(píng)估任務(wù)發(fā)現(xiàn)，強(qiáng)化學(xué)習(xí)帶來(lái)的泛化收益并不完全來(lái)自顯式推理過(guò)程，而更多源于推理過(guò)程中形成的緊湊、可遷移表征?；谶@一發(fā)現(xiàn)，該工作利用對(duì)比學(xué)習(xí)直接對(duì)齊圖像與這類表征，以更低的成本逼近推理模型的效果——這意味著推理的價(jià)值在諸多場(chǎng)景下可以被轉(zhuǎn)化為更高效的表示學(xué)習(xí)機(jī)制。

AgentGym

AgentGym 則從系統(tǒng)層面提出了統(tǒng)一的 agent 強(qiáng)化學(xué)習(xí)框架，通過(guò)分階段交互訓(xùn)練提升模型在長(zhǎng)時(shí)程任務(wù)中的穩(wěn)定性。其核心觀點(diǎn)在于，復(fù)雜 agent 的能力不應(yīng)僅依賴內(nèi)部 token 推理的擴(kuò)展，更有賴于與外部環(huán)境的高效交互。

長(zhǎng)上下文建模方向，MemAgent 與 InPlaceTTT 分別代表了兩條互補(bǔ)的技術(shù)路徑。MemAgent 將超長(zhǎng)文本處理重構(gòu)為顯式記憶管理問(wèn)題，通過(guò)分段處理、記憶覆蓋與強(qiáng)化學(xué)習(xí)優(yōu)化，使模型在極長(zhǎng)輸入條件下仍能維持有效信息的提取與保留；InPlaceTTT 則從參數(shù)更新角度切入，在測(cè)試時(shí)對(duì)部分 fast weights 進(jìn)行原地更新，賦予模型在線適應(yīng)能力。二者分別從記憶管理與參數(shù)更新的維度，為長(zhǎng)上下文場(chǎng)景提供了系統(tǒng)性的解決方案。

ERC-MoE

模型效率與訓(xùn)練機(jī)制方面，字節(jié)的多項(xiàng)工作體現(xiàn)出從規(guī)模擴(kuò)張向機(jī)制優(yōu)化轉(zhuǎn)變的清晰趨勢(shì)。DCFold 采用單步生成替代擴(kuò)散模型的多步迭代，在蛋白質(zhì)結(jié)構(gòu)生成任務(wù)中顯著提升了推理效率；ERC-MoE 針對(duì)混合專家模型中路由與專家匹配不足的問(wèn)題，引入輔助耦合損失以強(qiáng)化專家分工的專業(yè)性；TI-DPO 則將偏好優(yōu)化從序列級(jí)推進(jìn)至 token 級(jí)，通過(guò)重要性建模實(shí)現(xiàn)了更為精細(xì)的對(duì)齊控制。

總體而言，字節(jié)在 ICLR 2026 的這組工作呈現(xiàn)出高度的戰(zhàn)略一致性。其研究重點(diǎn)并非聚焦于單一任務(wù)的局部領(lǐng)先，而是在更高維度上系統(tǒng)性地探索下一代智能系統(tǒng)的關(guān)鍵能力：高層語(yǔ)義驅(qū)動(dòng)的生成能力、生成結(jié)果的驗(yàn)證與反思能力、長(zhǎng)時(shí)程交互中的狀態(tài)管理能力、超長(zhǎng)上下文場(chǎng)景下的記憶與適應(yīng)能力，以及面向?qū)嶋H部署的高效訓(xùn)練與推理能力。

字節(jié)在 ICLR 2026 上的表現(xiàn)，或許會(huì)成為未來(lái)幾年產(chǎn)業(yè)界參與頂會(huì)的一個(gè)參考樣本。它不是最卷的那一個(gè)，但可能是結(jié)構(gòu)最清晰的那一個(gè)。

作者: Cheng Gao, Wang Shijie, Wang Jiawen

*排名不分先后，按照首字母排序

Ref.

數(shù)據(jù)來(lái)自 openreview 公開(kāi)信息及對(duì)應(yīng) ICLR 已接收論文

加入ZF討論群，請(qǐng)先添加小助手微信

我們相信認(rèn)知能夠跨越階層，

致力于為年輕人提供高質(zhì)量的科技和財(cái)經(jīng)內(nèi)容。

稿件經(jīng)采用可獲邀進(jìn)入Z Finance內(nèi)部社群，優(yōu)秀者將成為簽約作者，00后更有機(jī)會(huì)成為Z Finance的早期共創(chuàng)成員。

我們正在招募新一期的實(shí)習(xí)生