Apple leva pesquisa ao ICLR 2026 no Rio: MLX local no M5 Max, MANZANO multimodal e 40+ papers

A Apple vai apresentar pesquisa nova no ICLR (International Conference on Learning Representations), que acontece presencialmente no Rio de Janeiro de 23 a 27 de abril. A empresa patrocina o evento de novo e leva um pacote denso: papers na conferência principal, workshops, demos técnicas no estande 204 e participação em comitês de organização.

Pra comunidade de ML brasileira, é o tipo de evento que justifica deslocamento: conferência tier-1 em casa não rola todo ano.

Demos no estande 204

Duas demos técnicas rodando durante os horários de exposição (9h30 às 17h30, quinta a sábado):

• Inferência local de LLM com MLX em Apple silicon: MacBook Pro com chip M5 Max rodando um modelo de código de fronteira quantizado, inteiramente local, dentro do Xcode. A stack toda (MLX, mlx-lm e pesos do modelo) é open source. É a aposta da Apple em mostrar que dá pra rodar coding model decente sem sair da máquina.
• SHARP: síntese monocular de cena que processa uma imagem e gera uma nuvem de pontos 3D Gaussian, rodando num iPad Pro com chip M5. O visitante escolhe ou captura a imagem na hora.

Destaques dos papers da conferência principal

São mais de 40 papers aceitos. Alguns que chamam atenção:

• MANZANO: A Simple and Scalable Unified Multimodal Model with a Hybrid Vision Tokenizer, modelo multimodal unificado com tokenizer visual híbrido. Lista de autores gigante, mistura time Apple com ex-Apple agora na Meta (Ruoming Pang, Bowen Zhang).
• ParaRNN: Unlocking Parallel Training of Nonlinear RNNs for Large Language Models, ganhou apresentação oral na sessão de ML Architectures, e ainda vai virar Expo Talk no sábado com Federico Danieli. RNN não-linear treinando em paralelo é tema que volta a ficar quente contra Transformer.
• To Infinity and Beyond: Tool-Use Unlocks Length Generalization in State Space Models, também apresentação oral. State Space Models usando ferramentas externas pra generalizar em sequências longas.
• SimpleFold: Folding Proteins is Simpler than You Think, enfiando o pé na porta do território AlphaFold com proposta de simplificação.
• DiffuCoder: Understanding and Improving Masked Diffusion Models for Code Generation, diffusion model pra geração de código, área onde o padrão ainda é autoregressive.
• Compute-Optimal Quantization-Aware Training, QAT (Quantization-Aware Training) com foco em eficiência de compute. Interessa direto pra quem trabalha com modelos quantizados em produção.
• On the Impossibility of Separating Intelligence from Judgment, paper teórico sobre intratabilidade computacional de filtrar output pra alinhamento de IA. Coautoria de Shafi Goldwasser (UC Berkeley, ganhadora do Turing Award).

O mix é clássico da Apple Research: muita coisa de eficiência (quantização, training paralelo, diffusion pra código), visão computacional pesada (MANZANO, Less Gaussians Texture More, SHARP) e umas apostas em fundamentos teóricos. Pouca coisa sobre produto direto, muita sobre viabilizar modelos menores e mais eficientes, o que bate com a tese de on-device da casa.

Apple na organização

• Carl Vondrick é General Chair do ICLR 2026.
• Alexander Toshev e Vladlen Koltun são Senior Area Chairs.
• Mais de 10 pesquisadores da Apple são Area Chairs, incluindo Pierre Ablin, Jiatao Gu, Joao Monteiro, Eugene Ndiaye e Zhe Gan.
• Samy Bengio dá keynote no workshop "Latent & Implicit Thinking, Going Beyond CoT Reasoning" na segunda (27 de abril, 11h10) e participa do painel "I Can't Believe It's Not Better" (16h05).

Workshops com participação Apple

Nove papers de workshop no pacote, cobrindo tópicos como pruning de dados de treino (Cram Less to Fit More), safety adapters com inferência flexível, data mixture otimização, e test-time updates. O workshop "Trading Depth for Memory: Robustifying LLMs against Cache Constraints" trata direto do gargalo de KV cache em LLMs, assunto quente.

Quando e onde

ICLR 2026 no Rio de Janeiro, 23 a 27 de abril. Estande Apple #204. Programação completa e links pros papers no site oficial da Apple Machine Learning Research.