Broadcom（博通）

DynamiQ: Accelerating Gradient Synchronization using Compressed Multi-hop All-reduce

DynamiQ：使用压缩多跳全规约加速梯度同步

Wenchen Han, Shay Vargaftik, Michael Mitzenmacher, Ran Ben Basat

机构 * University College London（伦敦大学） ； VMware Research by Broadcom（VMware由Broadcom进行的研究） ； Harvard University（哈佛大学） ； Broadcom 纠错

AI总结 研究针对大规模模型训练中网络成瓶颈的问题，提出DynamiQ量化框架，引入新技术并设计融合内核，扩展PyTorch DDP支持，在不同场景下比现有方法最多提升34.2%。

Comments 17 pages, 19 figures. Accepted to ACM SIGCOMM 2026

Not All Invariants Are Equal: Curating Training Data to Accelerate Program Verification with SLMs

并非所有不变式都同等重要：利用SLM通过精选训练数据加速程序验证

Ido Pinto, Yizhak Yisrael Elboher, Haoze Wu, Nina Narodytska, Guy Katz

机构 * Hebrew University of Jerusalem, Israel（特拉维夫大学） ； Amherst College, USA（阿默斯特学院） ； VMware Research by Broadcom, USA（Broadcom VMware 研究） 纠错

AI总结 提出Wonda数据筛选流水线，通过AST归一化和LLM语义重写从原始验证器输出中提取高质量训练不变式，微调小语言模型（SLM）后，在多个模型上使不变式正确性和加速率翻倍甚至三倍，小模型性能媲美大模型。

Comments A preprint of the ICML 2026 paper with the same title

SpotIt+: Verification-based Text-to-SQL Evaluation with Database Constraints

SpotIt+: 基于验证的文本到SQL评估与数据库约束

Andrew Tremante, Yang He, Rocky Klopfenstein, Yuepeng Wang, Nina Narodytska, Haoze Wu

机构 * Amherst College（阿默斯特学院） ； Simon Fraser University（西蒙弗雷泽大学） ； VMware Research by Broadcom（Broadcom VMware 研究） 纠错

AI总结 SpotIt+通过有界等价验证评估文本到SQL系统，结合规则和LLM方法挖掘约束，提升数据库差异识别能力。

Quantizing With Randomized Hadamard Transforms: Efficient Heuristic Now Proven

使用随机哈达玛变换进行量化：一种高效的启发式方法已被证明

Ran Ben-Basat, William Kuszmaul, Michael Mitzenmacher, Amit Portnoy, Shay Vargaftik

机构 * UCL and Broadcom（UCL和Broadcom） ； Carnegie Mellon University（卡内基梅隆大学） ； Harvard University（哈佛大学） ； Microsoft（微软） ； VMware Research by Broadcom（Broadcom的VMware研究） 纠错

AI总结 本文研究了随机哈达玛变换在量化中的应用，证明了使用两个变换可近似均匀随机旋转的效果，并展示了三个变换在向量量化中的优势。

A Note on TurboQuant and the Earlier DRIVE/EDEN Line of Work

关于TurboQuant及其早期DRIVE/EDEN工作的注记

Ran Ben-Basat, Yaniv Ben-Itzhak, Gal Mendelson, Michael Mitzenmacher, Amit Portnoy, Shay Vargaftik

机构 * UCL and Broadcom（UCL和博通） ； VMware Research by Broadcom（博通VMware研究） ； North Carolina State University（北卡罗来纳州立大学） ； Harvard University（哈佛大学） ； Microsoft（微软） 纠错

AI总结 本文分析了TurboQuant与DRIVE/EDEN在量化方法上的关系，指出TurboQuant_mse是EDEN的特例，而TurboQuant_prod在多个方面表现欠佳，EDEN在精度上优于TurboQuant。

SpotIt: Evaluating Text-to-SQL Evaluation with Formal Verification

SpotIt: 通过形式验证评估文本到SQL

Rocky Klopfenstein, Yang He, Andrew Tremante, Yuepeng Wang, Nina Narodytska, Haoze Wu

机构 * Amherst College（阿姆赫斯特学院） ； Simon Fraser University（西蒙弗雷泽大学） ； VMware Research by Broadcom（VMware由Broadcom进行的研究） 纠错

AI总结 SpotIt通过形式验证评估文本到SQL系统，发现基于测试的方法无法区分生成查询与地面真相的差异。

Comments Accepted at ICLR'26

In-Network Collective Operations: Game Changer or Challenge for AI Workloads?

网络内集体操作：人工智能工作负载中的变革者还是挑战？

Torsten Hoefler, Mikhail Khalilov, Josiah Clark, Surendra Anubolu, Mohan Kalkunte, Karen Schramm, Eric Spada, Duncan Roweth, Keith Underwood, Adrian Caulfield, Abdul Kabbani, Amirreza Rastegari

机构 * ETH Zürich（苏黎世联邦理工学院） ； Microsoft（微软） ； AMD（超威半导体） ； Broadcom Inc.（博通公司） ； Hewlett Packard Enterprise（惠普企业） 纠错

AI总结 本文探讨了网络内集体操作在人工智能工作负载中的潜力与挑战，分析了边缘和核心INC的性能优势及阻碍其应用的关键障碍，并预测其未来发展方向。

Journal ref IEEE Computer Jan. 2026

UCCL-EP: Portable Expert-Parallel Communication

UCCL-EP：便携式专家并行通信

Ziming Mao, Yihan Zhang, Chihan Cui, Zhen Huang, Kaichao You, Zhongjie Chen, Zhiying Xu, Zhenyu Gu, Scott Shenker, Costin Raiciu, Yang Zhou, Ion Stoica

机构 * UC Berkeley（加州大学伯克利分校） ； UC Davis（加州大学戴维斯分校） ； UW–Madison（威斯康星大学麦迪逊分校） ； AMD（超威半导体） ； Tsinghua University（清华大学） ； Amazon Web Services（亚马逊网络服务） ； ICSI（信息与计算机科学研究所） ； Broadcom & University Politehnica of Bucharest（博通与布加勒斯特理工大学） 纠错

AI总结 UCCL-EP通过高吞吐量GPU-CPU控制通道和RDMA立即数据模拟，实现了在异构GPU和NIC平台上的高性能专家并行通信，提升了多个模型的训练和推理效率。

HONEYBEE: Efficient Role-based Access Control for Vector Databases via Dynamic Partitioning[Technical Report]

HONEYBEE: 通过动态分区实现向量数据库的高效基于角色的访问控制

Hongbin Zhong, Matthew Lentz, Nina Narodytska, Adriana Szekeres, Kexin Rong

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Duke University（杜克大学） ； VMware Research by Broadcom（VMware由Broadcom进行的研究） ； Microsoft Research（微软研究院） 纠错

AI总结 HONEYBEE通过动态分区实现向量数据库的高效基于角色的访问控制，平衡内存开销与查询延迟，提升安全性与效率。

Comments Accepted by SIGMOD 2026

The 6th International Verification of Neural Networks Competition (VNN-COMP 2025): Summary and Results

第六届神经网络验证竞赛（VNN-COMP 2025）：总结与结果

Konstantin Kaulen, Tobias Ladner, Stanley Bak, Christopher Brix, Hai Duong, Thomas Flinkow, Taylor T. Johnson, Lukas Koller, Edoardo Manino, ThanhVu H Nguyen, Haoze Wu

机构 * RWTH Aachen University（亚琛工业大学） ； Technical University of Munich（慕尼黑技术大学） ； Stony Brook University（石溪大学） ； George Mason University（乔治·梅奥大学） ； Maynooth University（梅诺特大学） ； Vanderbilt University（范德比尔特大学） ； University of Manchester（曼彻斯特大学） ； Amherst College（阿默斯特学院） ； VMware Research by Broadcom（Broadcom VMware 研究） 纠错

AI总结 VNN-COMP 2025通过标准化格式和公平评估，促进神经网络验证工具的比较与标准化。

Comments Report on the results of VNN-COMP 2025. arXiv admin note: substantial text overlap with arXiv:2412.19985, arXiv:2312.16760, arXiv:2212.10376