国际人工智能联合会议（IJCAI 2026）讲习班录用名单公示，清华大学王鑫教授与朱文武教授团队凭借 T9 与 T11 两个主题同时入选。在全球学术界与科技巨头竞争中，单一团队在顶级会议上独揽两席 Tutorial 极为罕见，标志着 AI 研究重心地由传统的规模化同分布拟合，转向应对真实物理世界的分布外泛化 challenges。
超越图分布偏移：侧重于 Graph（图）与 LLM（大语言模型）的泛化融合，解决动态知识图谱与复杂网络下的同分布假设失效问题。
OOD 泛化的生成式 AI：涵盖多模态大语言模型（MLLMs）理解与基于扩散模型的视觉生成，攻克复杂分布偏移下的鲁棒部署。
根据团队提交给 IJCAI 官方的课程大纲与学术摘要，针对动态变化的物理世界，团队构建了从结构化表征到后训练对齐的完整技术路线：
在多模态与视觉生成领域（T11）：研究焦点直接跨越了单纯的模型规模扩张，转向针对分布偏移的通用化后训练策略（Post-training strategies）。通过后训练阶段的统一框架对齐，提升多模态巨兽在面对全新涌现应用场景时的安全边界与鲁棒性。
大语言模型（LLM）与生成式 AI 在产业化落地中，普遍遭遇了应用环境分布偏移的挑战：
假设测试数据与训练数据同分布。模型在已知数据集上表现优异，但面临全新结构或罕见提示词时易发生能力断崖下降，产生严重幻觉。
打破同分布温室假设。通过引入因果不变性与自适应机制，让模型在面对前所未见的新场景（Unseen Distributions）时仍具备稳定交付能力。
解决 OOD 泛化问题，是金融风控、新药研发、复杂工业控制等高容错门槛场景部署生成式 AI 的必要前提。
信息边界说明：本文基于公开学术录用公示及机构学术摘要整理。报道侧重于学术团队在顶会 Tutorial 的入选事实及其学术演讲主题，未包含其他高校或企业在同期会议上的对比研究细节。
近年来中国学术团队在顶会顶刊的论文数量增长显著，但能够同时包揽顶级会议讲习班（Tutorial）两个席位的情况仍属罕见。讲习班主要面向全球研究者输出系统性的研究范式与未来路线图，这表明学术界正在试图建立关于“生成式 AI 鲁棒性”的学术话语权。
当大模型参数规模增长面临边际效应递减，突破 OOD 泛化瓶颈已成为生成式 AI 从实验室 Demo 走向高可靠工业落地的关键分水岭。
IJCAI 2026 讲习班（Tutorial）完整录用列表及摘要可查阅官方公示：
https://www.ijcai.org/