Team Naver有关检测大语言模型(LLM)漏洞的红队测试研究入选全球机器学习顶级学术会议“ICML 2026”的聚焦(Spotlight)论文。聚焦论文仅授予全部录用论文的约2.2%。包括该研究在内,Team Naver共有6篇论文获录用,涉及模型合并、AI智能体工作流自动化、三维动态场景重建等。
Team Naver13日表示,已参加本月6日至11日在首尔COEX举行的ICML 2026,并公开了主要研究成果与技术演示案例。这是ICML首次在韩国举办,NAVER集团公开了△强化AI安全性△提升模型与智能体运营效率△三维空间理解与物理世界拓展等研究成果。
获得最高评价的研究是从攻击者视角检测大语言模型(LLM)漏洞的红队测试(Red-Teaming)技术。Team Naver发表的“Stable-GFlowNet”从结构上解决了既有方式的局限,即训练不稳定性与相似模式重复问题。业界评价认为,借此可在LLM实际部署到服务之前,以更强大、更多样的场景验证攻击漏洞。
在模型与智能体运营效率化领域,公开了AI高效整合与运营技术。“Symerge”是将擅长不同任务的多个模型合并为一个的模型合并方法。它采用仅调整一个层即可引导模型间协同效应的简洁方式,同时在包括视觉与自然语言处理在内的多种基准测试中达到了最高水平性能。
“FlowBot”是在多个AI协作解决问题的过程中,无需人工逐一设计任务顺序、AI自行找出最优顺序的技术。这被评价为harness工程的核心研究成果。此外,还一并介绍了将数百至数千个不同数据集按性质分组并分别训练,随后仅通过一次合并即可高效提升LLM后处理性能的技术。
在3D空间理解领域,发表了仅凭抖动或失焦的单摄像头视频即可重建运动三维场景的技术。既有方式因运动导致物体的动作与形态信息混杂,难以实现精确重建,而该研究引入基于运动轨迹推定形态的方式,验证了卓越的重建性能。
除论文发表外,Team Naver还重点介绍了将真实首尔在虚拟空间中再现的“首尔世界模型”。该模型由NAVER集团、Naver LABS、韩国科学技术院(KAIST)和首尔大学共同开发,是通过对首尔全域空间数据进行仿真、可直接用于机器人路径与行为学习的物理AI核心平台。






