# icml 2026 Published articles for icml 2026. This is one page of public article previews, not the complete archive. Follow Next page to continue. Summaries are not the original full articles. ## Bypassing inference bottlenecks: Accelerating complex AI search with Retrieve-for-Train DevFeed: [Bypassing inference bottlenecks: Accelerating complex AI search with Retrieve-for-Train]() Original publisher: [Read original article]() Published: 2026-09-15T20:00:35Z Content type: article Language: en Sources: [The latest research from Google]() Topics: [AI search](), [Reinforcement learning](), [Artificial Intelligence](), [Google](), [LLMs](), [Algorithms & Theory]() Tags: [ai](), [ai-search](), [algorithms-theory](), [data-mining-modeling](), [diffusion](), [generative-ai](), [google](), [icml](), [icml-2026](), [reinforcement-learning](), [research](), [retrieval](), [rl](), [search]() ### AI overview Google Research presents Retrieve-for-Train, a framework that uses offline reinforcement learning to compile reward-aligned query fan-outs into training data for a lightweight diffusion retriever. The approach is intended to produce diverse, complementary, and coherent search-result sets in a single inference pass, reducing reliance on expensive inference-time reasoning. ### Source excerpt Algorithms & Theory ## What I Saw at ICML 2026 DevFeed: [What I Saw at ICML 2026]() Original publisher: [Read original article]() Author: zj-karina (Яндекс) Published: 2026-08-25T07:01:28Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Machine learning](), [Artificial Intelligence](), [Large Language Model]() Tags: [ai](), [icml](), [icml-2026](), [llm-agents](), [ml](), [rlhf](), [tag-316edb31b5b3](), [tag-44d9110ce940]() ### AI overview A Yandex developer reports from ICML 2026 in Seoul, describing the conference format, its scale, Yandex research presented there, and discussions about AI agents. ### Source excerpt Зачем тратить сутки на перелёты, мчаться на другой конец света и жить неделю в режиме нон-стоп на одной из главных ML-конференций планеты, когда пейпер уже на arXiv, код -- на GitHub, а краткие выжимки из выступлений -- мгновенно в соцсетях? Меня зовут Карина Романова, я разработчик в Яндексе и занимаюсь LLM-агентами в Алисе. В июле мы с командой прилетели в Сеул на ICML 2026, и я ответила себе на вопрос "зачем?". Для нас офлайн-конференции -- это единственный способ за несколько дней прочувствовать реальный фокус сообщества, встретиться с авторами работ и узнать детали, которых нет в опубликованных текстах. В этой статье расскажу, как устроена ICML изнутри, чем запомнилась программа этого года, какие наши исследования вызвали наибольший ажиотаж и почему заметная часть разговоров на конференции снова вращалась вокруг AI-агентов. Читать далее ## Как проект из ШАДа попал в Spotlight статей на конференции ICML 2026 DevFeed: [Как проект из ШАДа попал в Spotlight статей на конференции ICML 2026]() Original publisher: [Read original article]() Author: mightyneighbor (Яндекс) Published: 2026-07-06T07:04:35Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [GPU](), [Graphs](), [Machine learning]() Tags: [2026](), [ai](), [cuda](), [gpu](), [graph](), [icml](), [icml-2026](), [ml](), [research](), [spotlight](), [tag-1e7f0701b819](), [tag-4004cf5948d3]() ### AI overview The article explains why graph neural networks underutilize modern GPUs: their irregular, sparse memory access patterns leave the hardware waiting for data. It describes a project that investigated the problem and produced three families of specialized GPU kernels. The resulting paper, "On Efficient Scaling of GNNs via IO-Aware Layer Implementations," was accepted to ICML 2026 as a Spotlight paper. ### Source excerpt Граф из миллионов вершин не загружает современную GPU на все 100%: видеокарта почти всё время не вычисляет, а ждёт загрузки данных из памяти. Графовые нейросети, или GNN, упираются в это давно: сами операции достаточно простые, но доступ к памяти нерегулярный и разреженный. И чем мощнее GPU, тем заметнее недостаточная её утилизация. Идея выросла из проектного курса в ШАДе. Толчком стало то, что один из самых популярных фреймворков для работы с графами, Deep Graph Library, на момент начала работы не обновлялся уже около года -- это знак того, что в области что-то застряло. Меня зовут Федя Великонивцев, я старший исследователь Yandex Research, руковожу группой, которая занимается эффективными вычислениями на GPU. На том курсе мы с коллегами -- Дарьей Фоминой из команды ML-инфраструктуры Яндекса, Вячеславом Ждановским из команды разработки инференса -- и студентами Даниилом Красильниковым, Алексеем Бойковым и Андреем Долговязовым взялись выяснить, почему графовые нейросети тормозят на современных GPU. Так появился проект, который мы оформили в отдельную статью -- On Efficient Scaling of GNNs via IO-Aware Layer Implementations. Её приняли на ICML-2026 со статусом Spotlight. Для контекста: из 23 918 поданных работ приняли 6 352 (26,6%), а Spotlight достался только 536 работам -- это 2,2% заявок с самыми высокими оценками программного комитета. Дальше расскажу, как мы прошли путь от этого вопроса до трёх семейств специализированных GPU-кернелов -- с парой неожиданных находок по дороге. Читать далее ## LLM reasoning and agentic safety at ICML 2026 DevFeed: [LLM reasoning and agentic safety at ICML 2026]() Original publisher: [Read original article]() Author: Capital One Tech Published: 2026-07-02T14:14:40Z Content type: article Language: en Sources: [Capital One Tech]() Topics: [Large Language Model](), [Fine-tuning](), [Trustworthy AI](), [Artificial Intelligence]() Tags: [2026](), [ai](), [ai-research](), [fine-tuning](), [icml](), [icml-2026](), [llm](), [llm-reasoning](), [reasoning](), [research](), [safety](), [science](), [trustworthy-ai]() ### AI overview Capital One presents research for ICML 2026 on critique-guided distillation for robust LLM reasoning and on safety risks in multi-turn tool-using agents. The article says its Critique-Guided Distillation framework trains models to refine flawed responses using teacher critiques, and reports higher mathematical-reasoning benchmark performance than critique fine-tuning and standard distillation, including a 7% average improvement and gains of up to 15.0% on AMC23 and 12.2% on MATH-500. ### Source excerpt Explore our latest research in critique-guided distillation and multi-turn agent uncertainty in Seoul.Explore our latest research in critique-guided distillation and multi-turn agent uncertainty in Seoul. Capital One technologists are excited to participate in the 43rd International Conference on Machine Learning (ICML) taking place at the COEX Convention & Exhibition Center in Seoul, South Korea, July 6-11, 2026. As a premier global venue for machine learning research, ICML provides an essential forum for exploring foundational advancements, algorithmic innovations and cutting-edge deep learning systems. Capital One is excited to share advancements in large language model (LLM) scaling efficiencies, multi-turn tool-using agent safety and the development of robust, trustworthy AI frameworks. This work delivers the underlying engineering and algorithmic improvements crucial for deploying the next generation of safe financial technologies. Main conference research: Robust reasoning and agentic risk The following research, accepted to the ICML Main Conference, pushes the boundaries of how models self-correct, how trajectory-level risks can be proactively flagged, and how multi-turn agent interactions maintain reliable execution. This section features work led by Capital One researchers alongside deep collaborations with academic partners. Critique-Guided Distillation for Robust Reasoning via Refinement Capital One Authors: Berkcan Kapusuzoglu, Supriyo Chakraborty, Michael Lee, Sambit Sahu Supervised fine-tuning with expert demonstrations often produces models that imitate outputs without internalizing the reasoning processes needed for robust generalization. While critique-based approaches show promise, training models to generate critiques directly, such as Critique Fine-Tuning (CFT), can lead to output-format drift and degradation of general capabilities. We propose Critique-Guided Distillation (CGD), a training framework that decouples critique consumption from crit