ICML 2026全景報告：中國論文霸屏頂會，清華北大領跑全球

中國勝在論文的“量”，美國贏在論文的“質”。

作者丨高允毅

編輯丨岑 峰 馬曉寧

伴隨著ICML 2026學術大會三天主會場的熱烈交流逐漸落下帷幕，來自各國的精英學子也開始收拾行囊，踏上歸途。回顧這場盛會，一些有趣的新趨勢悄然浮現。

為此，前沿研究機構麥哲倫技術研究所（MTRI），為本次大會撰寫了一份全景式的調研報告《ICML 2026 全景報告》。

這次，MTRI 徹底放棄了人工統計。他們調動了 8 個大模型智能體，一口氣讀完6341篇論文的標題與摘要，自主歸納出一套包含15 個大類、87 個子課題的新型技術分類體系。同時，結合專業的實體消歧技術，團隊精準清洗了全球1979個拼寫混亂的機構名稱，生成了一份極具權威的學術生產力榜單。

基于這份全景數據，報告提煉出三大核心洞察：

一、2026年是“智能體之年”，AI淘金熱發生質變

作為重點關注 NLP 與多模態領域的機構，MTRI 從本屆大會的風向中確認了一個明確信號：2026年是“智能體之年”。

數據顯示，語言與 NLP以 927 篇論文成為最大領域，而 LLM Agents（大模型智能體）更是徹底爆發。它已脫離泛 NLP 范疇，成為一個完全獨立的頂層研究方向。其中，“RL for reasoning & post-training（推理與后訓練強化學習）”最受追捧，標志著 AI 正全面攻克復雜環境下的主動思考難題。

MTRI在報告中總結道：AI 淘金熱已發生質變。全球研究重心不再盲目“堆算力、拼參數”，而是全面轉向：推理能力、可靠性、輕量化、工具調用，以及特定垂直領域的深度應用。

二、中美主導盛會，研究風格“一實一虛”

本屆頂會由中美兩國絕對主導，但路徑迥異。

中國學者更務實，重視覺與工程，（中國論文中CV方向占8.6%），在論文“總產量”上絕對領跑。

美國學者更重前沿，探索理論邊界（美國論文中學習理論占6.3%），在“頂尖質量（Spotlight）”上奪魁。

三、清華登頂全球第一，大廠走向“隱形參與”

在清洗重排后的權威榜單中，清華大學以 240 篇論文奪魁，北大、浙大緊隨其后。

相比之下，純粹的工業界論文較少，僅占3.2%，其中Google以93篇占據榜首，Anthropic最少，位列末位。但這不代表大廠退縮。極高的“產學研合作占比”（31.2%）說明，產業界正以更多樣、更深度的形式參與前沿生態。

以下為報告的核心詳情，文末還附有更深度的 QA 解讀。

01

ICML 2026 究竟是誰寫的？

ICML 2026 錄用了 6,341 篇論文。按主導作者統計，中國的論文最多，美國的Spotlight（亮點論文）最多；兩個國家參與了大多數會議內容，共有 66 個國家參與其中；產業界在約三分之一的論文中有作者參與；而最大的主題領域是語言與 NLP。我們將每位作者的所屬機構解析為規范化機構，并按主題對每篇論文分類，以展示元數據所包含的內容。

▎中國主導的論文最多，美國主導的Spotlight（亮點論文）最多。

只統計第一作者（每篇論文的主導作者）：中國擔任第一作者的論文有2,446篇，美國為1,675篇，約多出 46%。在 536 篇Spotlight（亮點論文）中，美國擔任第一作者的有172（32.1%），中國為154（28.7%）。

▎一場由兩大超級強國主導的會議

共有 66 個國家出現在至少一篇 ICML 2026 論文上。中國和美國各自占據最大的份額；英國、德國、瑞士和新加坡領銜其余國家。中國 84.4% 的論文擁有中國第一作者，相比之下美國為 69.3%。

圖注：中國逐年上升，美國逐年下降，本屆為首屆中國超越美國的ICML會議

圖注：來自韓國的論文中，本國的第一作者比例最高

▎清華第一，前七名全部都是中國大學

ICML 2026 的作者可解析為1,979家不同的機構。Tsinghua University 的得分最高（147.8，覆蓋240篇論文）。完整排名如下；它將每篇論文歸功于其第一作者/通訊作者所在機構，并可按地區篩選。

▎產學合作論文占比將近三分之一

3.2%的論文純粹來自產業界，65.4%純粹來自學術界；31.2%為學術界—產業界合作論文，它們的平均團隊規模最大（7.3 位作者）。

▎2026年智能體之年

每篇論文都被歸入一套15 個領域、87 個子主題的兩級分類體系。語言與 NLP是最大的領域，共927篇論文（約占會議的 15%）；其最大的子主題是RL for reasoning & post-training（189）。LLM 智能體自成一個領域，共399篇論文。中國將其 8.6% 的論文投向計算機視覺（美國為 2.3%）；美國將其 6.3% 投向學習理論（中國為 2.0%）。

▎誰在主導各個領域？

各領域內按論文數排名的頂尖機構。

▎方法論與注意事項

1.作者提取。對全部 6,341 篇錄用論文，我們閱讀了每篇論文的首頁，并提取了作者名單、所屬機構、電子郵箱以及第一作者/通訊作者標記。姓名與 OpenReview 的匹配率約為 93%。

2.機構消歧。原始所屬機構字符串被解析為規范化機構——每家機構均標注了所屬國家和學術界/產業界標簽——將同一機構在拼寫、語言和變音符號上的各種寫法差異合并為單一的規范化英文名稱。“各國占比隨時間的變化”圖表對追溯至 2016 年的每一屆 ICML 都采用了相同的處理流程。

3.主導作者身份 & 得分。“主導作者”＝第一作者。某家機構的得分是將每篇論文 1 的權重在其各個不同的第一作者/通訊作者所在機構之間平分得出的，因此任何一篇論文都不會被重復計算兩次；排行榜對所有得分非零的機構進行排名。

4.主題分類。該分類體系并非人工挑選。八個獨立的 LLM 智能體各自閱讀了全部 6,341 個標題中的每一個，并標記出反復出現卻無處歸類的主題；將它們的報告加以整合，產生了一套15 個領域、87 個子主題的分類體系——新增了該領域已經成長進入的領域，例如 LLM 智能體和因果推斷。隨后，另一個 LLM 智能體根據每篇論文的標題和摘要將其歸入一個領域和一個子主題。

5.每篇論文兩個標簽。除了我們的標簽，我們還保留每篇論文由作者申報的 ICML 主要領域——即其作者在投稿時自行選擇的領域——并在瀏覽器中同時顯示這兩者。通過固定的交叉映射將兩套方案對應起來，我們的 LLM 標簽在~62%的論文上與作者申報的領域相符。對于定義明確的領域（例如因果推斷、強化學習），一致性較高；而對于此次審查新引入的領域，例如 LLM 智能體，一致性較低，因為官方的 ICML 清單并未將其單獨區分出來。

02

Q＆A

▎AI科技評論: 在官方統計數據已很充分的情況下，驅動你們耗時費力制作這份獨立報告的初衷是什么？你們希望這份報告在會議之外，為學術界、產業界或政策制定者填補哪一塊認知空白？報告會成為你們的一個長期項目嗎？

MTRI:官方統計主要基于會議已有元數據，例如投稿領域、審稿結果等。我們的工作是在這些公開元數據基礎上做進一步整理和細分，包括區分學術界與工業界機構、結合作者標注的第一作者和通訊作者信息分析貢獻角色、對論文 PDF 中不同形式的機構名稱進行消歧，并為機構補充國家或地區標簽。

我們的初衷不是替代官方統計，而是提供一個補充視角，幫助大家從機構、地域、學界—工業界合作等角度做更細粒度的觀察。后續我們也計劃將這類分析擴展為長期項目，例如發布 MTRI AI Ranking，持續整理主要 AI 會議的發表信息，建立統一的學術機構和產業機構榜單，為學界、業界交流以及人才流動提供參考。

▎AI科技評論: 報告讓8個LLM智能體歸納出15個領域和87個子主題，并新增了“LLM Agents”等類別。你們如何看待這種AI驅動的分類法與官方分類的“不一致”？

MTRI:官方領域分類通常是在投稿階段預先設定的分類體系，優點是穩定、可比，方便跨年份追蹤趨勢。我們的 LLM 驅動分類則是事后基于論文內容進行歸納，目標是提供更細粒度的補充視角。

兩者不完全一致是預期之內的：官方分類更強調會議管理和長期一致性，而我們的分類更關注當前研究主題的實際分布。因此，我們更傾向于把它看作一種補充分析，而不是對官方分類的替代。

▎AI科技評論:報告顯示純工業界論文僅占3.2%，但學術界-工業界混合團隊的平均規模最大（7.3人），這是否意味著工業界正將ICML視為解決工程化難題的“展示窗”，而非基礎創新的“發源地”？這種趨勢對研究生態是互補還是沖擊？

MTRI:從我們的統計看，純工業界論文比例相對較低，但學術界—工業界合作論文占比不低，說明工業界仍然以多種形式參與 ICML 研究生態。

這可能反映了公司和高校在研究目標、發表機制、人才結構上的差異。工業界可能更傾向于通過與高校合作、實習生項目或聯合研究來參與頂會發表，而不是完全以純工業團隊的形式投稿。不過，這一點仍需要更長期的數據來驗證，不能僅憑單年結果下結論。

▎AI科技評論:為什么ICML2026 Anthropic論文極少、排在最后？其中核心原因是什么？

MTRI:Anthropic 在本次統計中的論文數量相對較少，但仍進入工業界機構前 20。考慮到工業界機構整體競爭非常激烈，這仍然是一個較高的位置。

▎AI科技評論：報告顯示中國第一作者論文2446篇，美國1675篇，中國總量高出約46%，但美國Spotlight轉化率10.3%遠高于中國6.3%，從評審偏好、研究選題、理論深度三個維度，如何解讀這組反差數據？

MTRI:中國論文總量更高，而美國 Spotlight 轉化率更高，這個現象可能由多種因素共同造成，目前不能簡單歸因于單一原因。

一個可能的解釋是研究方向分布不同。比如某些方向在本屆會議中 Spotlight 轉化率本身更高，如果美國機構在這些方向上占比更高，就可能影響整體轉化率。但這只是一個可能因素，各種原因都可能有影響。我們目前的數據能揭示這一差異，但還不足以給出完整因果解釋。

▎AI科技評論:中國84.4%的論文擁有本國第一作者，美國僅69.3%，該“Lead ratio”差距反映兩國AI科研人才結構、國際合作模式存在哪些結構性區別？

MTRI:從統計結果看，中國團隊中由本國第一作者主導的比例較高，而美國團隊的國際合作比例相對更高。

一種可能解釋是，中國 AI 研究在近年已經形成較強的本土人才和機構網絡，很多工作可以在國內合作體系內完成；而美國高校和企業長期吸引全球研究者，因此論文作者結構更國際化。

▎AI科技評論:全球前20機構中，中國大陸高校占據7席、香港2席、美國高校4所+2家企業，歐洲僅牛津1所，如何解釋亞洲頂尖高校在ICML的集體優勢？

MTRI:亞洲頂尖高校在 ICML 中表現突出，可能與區域內 AI 人才儲備、科研投入、博士培養規模以及跨國合作網絡有關。中國大陸、香港、新加坡、日本等地區近年來都在機器學習和大模型相關方向上投入較多，并逐漸形成穩定的頂會發表能力。

這也是我們將研究基地布局在日本和新加坡的重要考慮之一：亞洲在 AI 人才、產業應用和跨區域合作方面具備明顯潛力。

▎AI科技評論：工業機構榜單谷歌、微軟分列前二，阿里、字節、騰訊緊隨其后，中美頭部AI企業論文產出形成對峙，兩者合作高校、主攻研究方向存在哪些明顯分野？

MTRI:從我們的統計看，工業界機構與高校合作確實存在一定地域傾向。很多公司更傾向于與當地或同一國家、地區的高校合作，這可能與實習生、聯合實驗室、人才招聘、地理便利性以及已有合作網絡有關。

例如，美國大型科技公司與美國高校合作較多，中國科技公司與國內高校合作較多，這種模式并不意外。至于具體研究方向，頭部企業通常會圍繞自身技術重點展開，例如大模型、智能體、基礎模型訓練、模型安全、系統效率、多模態等。

▎AI科技評論: Language & NLP以927篇成為第一大方向（占15%），LLM Agents單獨劃分399篇論文，為什么2026 ICML徹底將智能體從通用NLP拆分，成為獨立一級研究領域？

MTRI:我們將 LLM Agents 單獨劃為一級領域，主要是因為在本次統計中，這一方向已經形成了相當規模，并且研究問題與傳統 NLP 或通用大模型研究有所區別。

傳統 Language & NLP 更多關注語言建模、理解、生成、對齊和評測等問題；而 LLM Agents 更強調工具使用、規劃、環境交互、多智能體協作、長期任務執行和工作流自動化。由于這類論文數量已經足夠多，且問題結構相對獨立，我們認為有必要單獨列出，方便觀察這一新興方向的發展趨勢。當然，這是一種分析視角，并不意味著它與 NLP、RL 或系統研究完全割裂。

完整報告詳情鏈接：https://www.mtri.co.jp/icml2026

一個人讀論文太孤單，一群人刷頂會才好玩。

ICML 2026召開在即，我們正在召集一波含金量極高的 AI 研究者。群內主打實時論文跟蹤與硬核技術探討，拒絕灌水。

進群傳送門：掃碼進群或添加微信Vin_Vivid，備注：論文群 + 關注的 AI 方向。

搞科研/搞技術，信息差很重要。

來，一起快人一步！

上車，帶你看遍全球 AI 頂會精華

可獨家暢覽：

專家演講PPT

大會報告全文

熱門論文解讀

學術新星訪談

未經「AI科技評論」授權，嚴禁以任何方式在網頁、論壇、社區進行轉載！

公眾號轉載請先在「AI科技評論」后臺留言取得授權，轉載時需標注來源并插入本公眾號名片。