ICML 2026全景报告：中国论文霸屏顶会，清华北大领跑全球|agents|icml|中国|原始数据|学术|工业界|论文

中国胜在论文的“量”，美国赢在论文的“质”。

作者丨高允毅

编辑丨岑峰马晓宁

伴随着ICML 2026学术大会三天主会场的热烈交流逐渐落下帷幕，来自各国的精英学子也开始收拾行囊，踏上归途。回顾这场盛会，一些有趣的新趋势悄然浮现。

为此，前沿研究机构麦哲伦技术研究所（MTRI），为本次大会撰写了一份全景式的调研报告《ICML 2026 全景报告》。

这次，MTRI 彻底放弃了人工统计。他们调动了 8 个大模型智能体，一口气读完6341篇论文的标题与摘要，自主归纳出一套包含15 个大类、87 个子课题的新型技术分类体系。同时，结合专业的实体消歧技术，团队精准清洗了全球1979个拼写混乱的机构名称，生成了一份极具权威的学术生产力榜单。

基于这份全景数据，报告提炼出三大核心洞察：

一、2026年是“智能体之年”，AI淘金热发生质变

作为重点关注 NLP 与多模态领域的机构，MTRI 从本届大会的风向中确认了一个明确信号：2026年是“智能体之年”。

数据显示，语言与 NLP以 927 篇论文成为最大领域，而 LLM Agents（大模型智能体）更是彻底爆发。它已脱离泛 NLP 范畴，成为一个完全独立的顶层研究方向。其中，“RL for reasoning & post-training（推理与后训练强化学习）”最受追捧，标志着 AI 正全面攻克复杂环境下的主动思考难题。

MTRI在报告中总结道：AI 淘金热已发生质变。全球研究重心不再盲目“堆算力、拼参数”，而是全面转向：推理能力、可靠性、轻量化、工具调用，以及特定垂直领域的深度应用。

二、中美主导盛会，研究风格“一实一虚”

本届顶会由中美两国绝对主导，但路径迥异。

中国学者更务实，重视觉与工程，（中国论文中CV方向占8.6%），在论文“总产量”上绝对领跑。

美国学者更重前沿，探索理论边界（美国论文中学习理论占6.3%），在“顶尖质量（Spotlight）”上夺魁。

三、清华登顶全球第一，大厂走向“隐形参与”

在清洗重排后的权威榜单中，清华大学以 240 篇论文夺魁，北大、浙大紧随其后。

相比之下，纯粹的工业界论文较少，仅占3.2%，其中Google以93篇占据榜首，Anthropic最少，位列末位。但这不代表大厂退缩。极高的“产学研合作占比”（31.2%）说明，产业界正以更多样、更深度的形式参与前沿生态。

以下为报告的核心详情，文末还附有更深度的 QA 解读。

ICML 2026 究竟是谁写的？

ICML 2026 录用了 6,341 篇论文。按主导作者统计，中国的论文最多，美国的Spotlight（亮点论文）最多；两个国家参与了大多数会议内容，共有 66 个国家参与其中；产业界在约三分之一的论文中有作者参与；而最大的主题领域是语言与 NLP。我们将每位作者的所属机构解析为规范化机构，并按主题对每篇论文分类，以展示元数据所包含的内容。

▎中国主导的论文最多，美国主导的Spotlight（亮点论文）最多。

只统计第一作者（每篇论文的主导作者）：中国担任第一作者的论文有2,446篇，美国为1,675篇，约多出 46%。在 536 篇Spotlight（亮点论文）中，美国担任第一作者的有172（32.1%），中国为154（28.7%）。

▎一场由两大超级强国主导的会议

共有 66 个国家出现在至少一篇 ICML 2026 论文上。中国和美国各自占据最大的份额；英国、德国、瑞士和新加坡领衔其余国家。中国 84.4% 的论文拥有中国第一作者，相比之下美国为 69.3%。

图注：中国逐年上升，美国逐年下降，本届为首届中国超越美国的ICML会议

图注：来自韩国的论文中，本国的第一作者比例最高

▎清华第一，前七名全部都是中国大学

ICML 2026 的作者可解析为1,979家不同的机构。Tsinghua University 的得分最高（147.8，覆盖240篇论文）。完整排名如下；它将每篇论文归功于其第一作者/通讯作者所在机构，并可按地区筛选。

▎产学合作论文占比将近三分之一

3.2%的论文纯粹来自产业界，65.4%纯粹来自学术界；31.2%为学术界—产业界合作论文，它们的平均团队规模最大（7.3 位作者）。

▎2026年智能体之年

每篇论文都被归入一套15 个领域、87 个子主题的两级分类体系。语言与 NLP是最大的领域，共927篇论文（约占会议的 15%）；其最大的子主题是RL for reasoning & post-training（189）。LLM 智能体自成一个领域，共399篇论文。中国将其 8.6% 的论文投向计算机视觉（美国为 2.3%）；美国将其 6.3% 投向学习理论（中国为 2.0%）。

▎谁在主导各个领域？

各领域内按论文数排名的顶尖机构。

▎方法论与注意事项

1.作者提取。对全部 6,341 篇录用论文，我们阅读了每篇论文的首页，并提取了作者名单、所属机构、电子邮箱以及第一作者/通讯作者标记。姓名与 OpenReview 的匹配率约为 93%。

2.机构消歧。原始所属机构字符串被解析为规范化机构——每家机构均标注了所属国家和学术界/产业界标签——将同一机构在拼写、语言和变音符号上的各种写法差异合并为单一的规范化英文名称。“各国占比随时间的变化”图表对追溯至 2016 年的每一届 ICML 都采用了相同的处理流程。

3.主导作者身份 & 得分。“主导作者”＝第一作者。某家机构的得分是将每篇论文 1 的权重在其各个不同的第一作者/通讯作者所在机构之间平分得出的，因此任何一篇论文都不会被重复计算两次；排行榜对所有得分非零的机构进行排名。

4.主题分类。该分类体系并非人工挑选。八个独立的 LLM 智能体各自阅读了全部 6,341 个标题中的每一个，并标记出反复出现却无处归类的主题；将它们的报告加以整合，产生了一套15 个领域、87 个子主题的分类体系——新增了该领域已经成长进入的领域，例如 LLM 智能体和因果推断。随后，另一个 LLM 智能体根据每篇论文的标题和摘要将其归入一个领域和一个子主题。

5.每篇论文两个标签。除了我们的标签，我们还保留每篇论文由作者申报的 ICML 主要领域——即其作者在投稿时自行选择的领域——并在浏览器中同时显示这两者。通过固定的交叉映射将两套方案对应起来，我们的 LLM 标签在~62%的论文上与作者申报的领域相符。对于定义明确的领域（例如因果推断、强化学习），一致性较高；而对于此次审查新引入的领域，例如 LLM 智能体，一致性较低，因为官方的 ICML 清单并未将其单独区分出来。

Q＆A

▎AI科技评论: 在官方统计数据已很充分的情况下，驱动你们耗时费力制作这份独立报告的初衷是什么？你们希望这份报告在会议之外，为学术界、产业界或政策制定者填补哪一块认知空白？报告会成为你们的一个长期项目吗？

MTRI:官方统计主要基于会议已有元数据，例如投稿领域、审稿结果等。我们的工作是在这些公开元数据基础上做进一步整理和细分，包括区分学术界与工业界机构、结合作者标注的第一作者和通讯作者信息分析贡献角色、对论文 PDF 中不同形式的机构名称进行消歧，并为机构补充国家或地区标签。

我们的初衷不是替代官方统计，而是提供一个补充视角，帮助大家从机构、地域、学界—工业界合作等角度做更细粒度的观察。后续我们也计划将这类分析扩展为长期项目，例如发布 MTRI AI Ranking，持续整理主要 AI 会议的发表信息，建立统一的学术机构和产业机构榜单，为学界、业界交流以及人才流动提供参考。

▎AI科技评论: 报告让8个LLM智能体归纳出15个领域和87个子主题，并新增了“LLM Agents”等类别。你们如何看待这种AI驱动的分类法与官方分类的“不一致”？

MTRI:官方领域分类通常是在投稿阶段预先设定的分类体系，优点是稳定、可比，方便跨年份追踪趋势。我们的 LLM 驱动分类则是事后基于论文内容进行归纳，目标是提供更细粒度的补充视角。

两者不完全一致是预期之内的：官方分类更强调会议管理和长期一致性，而我们的分类更关注当前研究主题的实际分布。因此，我们更倾向于把它看作一种补充分析，而不是对官方分类的替代。

▎AI科技评论:报告显示纯工业界论文仅占3.2%，但学术界-工业界混合团队的平均规模最大（7.3人），这是否意味着工业界正将ICML视为解决工程化难题的“展示窗”，而非基础创新的“发源地”？这种趋势对研究生态是互补还是冲击？

MTRI:从我们的统计看，纯工业界论文比例相对较低，但学术界—工业界合作论文占比不低，说明工业界仍然以多种形式参与 ICML 研究生态。

这可能反映了公司和高校在研究目标、发表机制、人才结构上的差异。工业界可能更倾向于通过与高校合作、实习生项目或联合研究来参与顶会发表，而不是完全以纯工业团队的形式投稿。不过，这一点仍需要更长期的数据来验证，不能仅凭单年结果下结论。

▎AI科技评论:为什么ICML2026 Anthropic论文极少、排在最后？其中核心原因是什么？

MTRI:Anthropic 在本次统计中的论文数量相对较少，但仍进入工业界机构前 20。考虑到工业界机构整体竞争非常激烈，这仍然是一个较高的位置。

▎AI科技评论：报告显示中国第一作者论文2446篇，美国1675篇，中国总量高出约46%，但美国Spotlight转化率10.3%远高于中国6.3%，从评审偏好、研究选题、理论深度三个维度，如何解读这组反差数据？

MTRI:中国论文总量更高，而美国 Spotlight 转化率更高，这个现象可能由多种因素共同造成，目前不能简单归因于单一原因。

一个可能的解释是研究方向分布不同。比如某些方向在本届会议中 Spotlight 转化率本身更高，如果美国机构在这些方向上占比更高，就可能影响整体转化率。但这只是一个可能因素，各种原因都可能有影响。我们目前的数据能揭示这一差异，但还不足以给出完整因果解释。

▎AI科技评论:中国84.4%的论文拥有本国第一作者，美国仅69.3%，该“Lead ratio”差距反映两国AI科研人才结构、国际合作模式存在哪些结构性区别？

MTRI:从统计结果看，中国团队中由本国第一作者主导的比例较高，而美国团队的国际合作比例相对更高。

一种可能解释是，中国 AI 研究在近年已经形成较强的本土人才和机构网络，很多工作可以在国内合作体系内完成；而美国高校和企业长期吸引全球研究者，因此论文作者结构更国际化。

▎AI科技评论:全球前20机构中，中国大陆高校占据7席、香港2席、美国高校4所+2家企业，欧洲仅牛津1所，如何解释亚洲顶尖高校在ICML的集体优势？

MTRI:亚洲顶尖高校在 ICML 中表现突出，可能与区域内 AI 人才储备、科研投入、博士培养规模以及跨国合作网络有关。中国大陆、香港、新加坡、日本等地区近年来都在机器学习和大模型相关方向上投入较多，并逐渐形成稳定的顶会发表能力。

这也是我们将研究基地布局在日本和新加坡的重要考虑之一：亚洲在 AI 人才、产业应用和跨区域合作方面具备明显潜力。

▎AI科技评论：工业机构榜单谷歌、微软分列前二，阿里、字节、腾讯紧随其后，中美头部AI企业论文产出形成对峙，两者合作高校、主攻研究方向存在哪些明显分野？

MTRI:从我们的统计看，工业界机构与高校合作确实存在一定地域倾向。很多公司更倾向于与当地或同一国家、地区的高校合作，这可能与实习生、联合实验室、人才招聘、地理便利性以及已有合作网络有关。

例如，美国大型科技公司与美国高校合作较多，中国科技公司与国内高校合作较多，这种模式并不意外。至于具体研究方向，头部企业通常会围绕自身技术重点展开，例如大模型、智能体、基础模型训练、模型安全、系统效率、多模态等。

▎AI科技评论: Language & NLP以927篇成为第一大方向（占15%），LLM Agents单独划分399篇论文，为什么2026 ICML彻底将智能体从通用NLP拆分，成为独立一级研究领域？

MTRI:我们将 LLM Agents 单独划为一级领域，主要是因为在本次统计中，这一方向已经形成了相当规模，并且研究问题与传统 NLP 或通用大模型研究有所区别。

传统 Language & NLP 更多关注语言建模、理解、生成、对齐和评测等问题；而 LLM Agents 更强调工具使用、规划、环境交互、多智能体协作、长期任务执行和工作流自动化。由于这类论文数量已经足够多，且问题结构相对独立，我们认为有必要单独列出，方便观察这一新兴方向的发展趋势。当然，这是一种分析视角，并不意味着它与 NLP、RL 或系统研究完全割裂。

完整报告详情链接：https://www.mtri.co.jp/icml2026

一个人读论文太孤单，一群人刷顶会才好玩。

ICML 2026召开在即，我们正在召集一波含金量极高的 AI 研究者。群内主打实时论文跟踪与硬核技术探讨，拒绝灌水。

进群传送门：扫码进群或添加微信Vin_Vivid，备注：论文群 + 关注的 AI 方向。