在近日公布的 IJCAI 2026 Tutorial 录用名单中，清华大学王鑫教授团队（与朱文武教授团队合作）一举拿下 T9 与 T11 两个讲习班席位。同一团队一届「双杀」，在云集全球顶尖高校与科技巨头的顶会上，极为罕见。
在学术顶会上，Tutorial（讲习班）不是一场普通的论文汇报，而是被组委会认可的「定义问题」的讲台。入选者要在几个小时里，向全球同行系统性地讲授一个前沿方向的来龙去脉——讲什么、怎么讲，某种程度上定义了这个领域未来一两年的研究语言。
正因如此，全球顶尖高校与科技巨头都在争夺这些席位。
而这一次，两个席位同时写上了同一个团队的名字。
T9 聚焦图数据与 LLM 的泛化融合，T11 直奔生成式 AI 的分布外泛化。两条最拥挤的赛道，被同一支队伍同时踩中——这在一届 IJCAI 中几乎没有先例。
超越图分布偏移 · 图 × LLM
OOD 泛化的生成式 AI · 多模态主战场
注：两场 Tutorial 编号不相邻、方向差异很大，但共享同一个底层命题——OOD 泛化。左右对照，恰好能看出同一套方法论在两大赛道上的延伸。
大模型在过去几年高歌猛进，但产业界很快撞上一堵无形的墙：模型在训练数据上表现如神，一旦面对真实世界里前所未见的新场景、新结构或罕见提示词，能力就断崖式下跌，甚至产生严重幻觉。
这种「见光死」，根源在于传统深度学习对「数据同分布」的脆弱依赖。
训练与测试来自同一分布，模型记住模式就能拿高分。实验室里的满分，并不等于真实场景里的可靠。
分布持续漂移，新结构、罕见输入随时出现。模型必须真正「理解」，而不是「记忆」——这是两场 Tutorial 共同的靶心。
注：IID（Independent and Identically Distributed）指训练与测试数据同源同分布；OOD（Out-of-Distribution）指模型从未见过的偏移场景。OOD 泛化研究的目标，是让模型在后一种场景下依然可靠。
打破这堵墙，正是王鑫团队长期深耕的方向。他们没有随波逐流地卷「参数规模」，而是把研究重心锚定在 OOD 泛化这颗被视为「AI 皇冠上的明珠」的硬核命题上。
T9 并不是一堂传统的图神经网络基础课。它切入当前最前沿的交叉地带：Graph 与 LLM 的泛化融合。
现实世界的数据高度结构化，且不断演化——动态知识图谱、持续进化的生物医学网络，每时每刻都在变化。而官方介绍犀利地指出：绝大多数现有图学习方法，都建立在「同分布假说」的温室里，真实场景无情地打破了这一假说。
怎么修？团队给出的是一套系统性的三维解法。
把 LLM 强大的表征能力与图结构深度绑定，让模型在图数据上获得灵活的上下文学习与小样本学习能力。
针对不断演化的数据，引入图神经网络架构搜索（NAS）与持续学习策略，让模型拥有一条「自我进化」的通道。
最硬核的底层重构：把因果推断引入图模型，剥离虚假关联，从而在从未见过的分布下构建真正鲁棒的图网络。
注：三个维度从「能学」（大模型表征）、到「会进化」（动态适应）、再到「抓本质」（因果不变），构成一条完整的泛化能力链条。
这套组合拳不只是对图机器学习理论的升维。官方介绍明确点出了它的产业指向：为金融风控、药物发现等复杂结构化场景，在 LLM 时代的落地标定了航向。
如果说 T9 打的是结构化数据，T11 则直接走进生成式 AI 的主战场。
T11 的视野覆盖多模态大语言模型（MLLMs）的理解，以及基于扩散模型的视觉生成。官方介绍不止拆解这些「多模态巨兽」的概率公式、架构设计与交互机制，更直指产业界最痛的软肋：如何让它们在 OOD 环境下安全部署。
注：后训练（Post-training）指预训练之后的微调与对齐阶段。T11 的核心主张是：通过统一的后训练框架，让模型在分布偏移与全新场景涌现时保持鲁棒。
能够在 IJCAI 这样的顶会开设专题，本身就是一个信号：国际学术界已认可这个团队在交叉领域的开创性。他们不只是解题，更在定义问题。
两场 Tutorial 的同届入选，不是偶然。它代表一种长期主义的学术哲学：不追逐短暂的技术泡沫，而是敏锐捕捉智能进化的底层命题。
早在生成式 AI 爆发之前，王鑫团队就已经意识到：真实的物理世界永远是动态变化的。别人在卷参数规模，他们把弹药集中在鲁棒性上。
如今回头看，这是一笔回报极高的提前布局。
顶会双席位是里程碑，但真正的考验在课堂之外：这些方法能否走进生产系统、扛住真实世界的分布漂移。当算力与参数的边际收益持续递减，OOD 泛化正在从论文里的数学符号，变成下一代 AI 的验收标准——定义问题的主动权，已经开始转移。
IJCAI 2026 将在德国不来梅举行。T9 与 T11 的完整议程与讲义，以会议官方 Tutorial 名单为准。
关注 IJCAI 官方议程 · T9 / T11 →