文章总结： 北邮GAMMALAB两篇论文被ICML2026录用，其中ParaTool提出将工具知识封装为参数模块的框架，降低大语言模型工具调用的计算复杂度；PWC-Diff创新性地将物理信道先验融入扩散模型，在无线信号识别任务中实现SOTA性能。两篇工作均提供论文链接和代码仓库。 综合评分： 78 文章分类： 其他

快讯｜北邮GAMMA LAB两篇工作被ICML 2026录用

原创

赵明宇 赵明宇

北邮 GAMMA Lab

2026年5月8日 13:38 北京

在小说阅读器读本章

去阅读

ICML 2026举办地：韩国首尔

ICML 2026

北邮GAMMA LAB两篇工作被ICML 2026录用。

国际机器学习大会 International Conference on Machine Learning 2026（ICML 2026）致力于展示和发表机器学习理论、算法及其在数据科学、计算机科学与交叉学科中的突破性研究，以及在前沿应用方向的关键进展，与NeurIPS、ICLR并称为机器学习领域三大顶会，同时也是中国计算机学会（CCF）推荐的A类国际学术会议。今年共收到23,918份有效稿件，最终接收6,352篇，总体接收率约为26.6%，会议将于2026年7月6日-11日在韩国首尔召开。GAMMA LAB师生共有2篇论文成功入选。

录用论文

ParaTool: Shifting Tool Representations from Context to Parameters Paratool: 将工具表示从上下文转移到参数 Zekai Yu, Qi Meng, Qizhi Chu, Yu Hao, Chuan Shi, Cheng Yang

From Denoising to De-Channeling: Integrating Physical Channel Priors into Diffusion Models for Radio Signal Understanding 从去噪到去信道：将物理信道先验融入扩散模型的无线电信号理解模型 Yaoqi Liu, Jin Wang, Chunchen Wang, Hui Wang, Chuan Shi

论文详情

ParaTool: Shifting Tool Representations from Context to Parameters Zekai Yu, Qi Meng, Qizhi Chu, Yu Hao, Chuan Shi, Cheng Yang

摘要：工具调用使大语言模型（LLMs）能够与外部可执行接口进行基于真实反馈的交互，从而具备解决环境耦合问题的能力。然而，主流的上下文学习（ICL）方法通常将详细的工具文档与使用示例直接放入上下文中，随着上下文长度增长，这会带来显著的推理开销，并增加幻觉风险。相较之下，基于微调的方法虽然提升了通用工具调用能力，却往往难以有效内化已见工具的具体细节，因此仍依赖上下文内文档。为解决上述问题，我们提出 ParaTool：一种将每个工具映射为可加载专属参数集合的框架。通过对这些参数化工具进行动态集成，模型无需依赖上下文中的文档或示例即可完成工具调用。具体而言，我们的方法包含三个阶段：（1）参数化工具预训练，将不同工具的知识封装为相互独立的参数模块；（2）软工具选择，利用门控网络对相关工具参数进行动态加权与聚合；（3）参数化工具微调，联合更新工具参数，使训练过程与推理过程保持一致。在 Stable ToolBench 与 BFCL 上的实验表明，ParaTool 在降低计算复杂度的同时，显著优于强基线的 ICL 方法。

论文链接：http://www.shichuan.org/doc/226.pdf

仓库链接：https://github.com/BUPT-GAMMA/ParaTool

From Denoising to De-Channeling: Integrating Physical Channel Priors into Diffusion Models for Radio Signal Understanding Yaoqi Liu, Jin Wang, Chunchen Wang, Hui Wang, Chuan Shi

摘要：近年来，利用人工智能（AI）识别被动接收无线电信号特性的无线信号识别技术因其在频谱管理等领域的广泛应用而备受关注。现有的WSR方法通常直接从接收信号中学习，而接收信号会受到物理无线信道效应（例如衰落）的影响而失真。此外，当前的去噪扩散模型缺乏去信道能力，导致性能下降。因此，我们提出了一种名为PWC-Diff的新型框架，该框架将先验的物理无线信道信息融入到去噪扩散过程中。该框架采用了一种名为FusedFormer的专用架构，其中包含一个融合模块和一个自注意力模块，用于联合捕获信号在整个扩散轨迹中的时域和频域特性。通过利用先验的无线信道信息，PWC-Diff能够逐步学习对接收信号进行“去信道”，并恢复出更接近发送信号的表示。在三个 WSR 任务的多个数据集上进行的大量实验取得了最先进的 (SOTA) 性能，这证明了我们理论的合理性，消融实验进一步说明了我们提出的 PWC-Diff 的有效性。

论文链接：http://www.shichuan.org/doc/227.pdf

仓库链接：https://github.com/BUPT-GAMMA/FoundWSR

后续也将为这些论文推出详细解读的文章～

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：北邮 GAMMA Lab 赵明宇 赵明宇《快讯｜北邮GAMMA LAB两篇工作被ICML 2026录用》