A Note on Non-Negative $L_1$-Approximating Polynomials
关于非负L1逼近多项式的一个注记
机构 * Yale University（耶鲁大学） ； Stanford University（斯坦福大学）
AI总结 研究了在高斯分布下非负L1逼近多项式的存在性，证明了有限高斯表面面积的集合可通过特定次数的非负多项式实现L1逼近，结果与当前最佳的高斯L1逼近次数界相符。
高校专区
Stanford University（斯坦福大学）
Fast Byte Latent Transformer
快速字节潜在变换器
机构 * FAIR at Meta（Meta的FAIR） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学）
AI总结 本文提出BLT Diffusion和BLT Self-speculation等方法，通过并行生成和验证步骤提升字节级语言模型的生成速度和质量，降低内存带宽消耗。
Flexible Routing via Uncertainty Decomposition
通过不确定性分解实现灵活路由
机构 * Stanford University（斯坦福大学） ； University of Southern California（南加州大学） ； Apple（苹果公司）
AI总结 本文提出一种不确定性感知的路由方法，通过分解总不确定性为不可约和可约成分，实现灵活的模型路由和退避策略，理论上有强保障，并在合成和现实数据集上验证了其有效性。
Searching for Privacy Risks in LLM Agents via Simulation
通过模拟搜索LLM代理中的隐私风险
机构 * Georgia Tech（佐治亚理工学院） ； Stanford University（斯坦福大学）
AI总结 本文提出通过模拟搜索改进攻击与防御策略，发现攻击策略从直接请求演变为伪装和伪造同意等复杂手段，防御策略从规则约束升级为身份验证状态机，为隐私安全代理发展提供洞察。
Comments ICLR 2026
Generative Modeling with Flux Matching
基于流匹配的生成建模
机构 * Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
AI总结 本文提出流匹配方法，扩展了基于分数的模型，允许非保守向量场。该方法通过更弱的条件生成更灵活的模型，适用于高维图像数据，并开启生成建模的新方向。
Less Random, More Private: What is the Optimal Subsampling Scheme for DP-SGD?
更随机，更隐私：DP-SGD中最优的子采样方案是什么？
机构 * Stanford University（斯坦福大学）
AI总结 本文研究了DP-SGD中子采样方案的最优选择，证明了平衡迭代子采样（BIS）在隐私放大方面优于泊松子采样，并在噪声谱两端最优。
Comments 17 pages, 1 table. Submitted to NeurIPS 2026
Adaptive auditing of AI systems with anytime-valid guarantees
具有任何时间有效保证的AI系统自适应审计
机构 * University of California, San Francisco（加州大学旧金山分校） ； Stanford University（斯坦福大学）
AI总结 本文提出一种自适应审计框架，通过双视角假设检验方法，在有限样本下实现统计严谨的AI系统鲁棒性验证，证明在严格审计下系统可被认证为全局鲁棒。
Echo: KV-Cache-Free Associative Recall with Spectral Koopman Operators
Echo：无KV缓存的关联回忆与谱Koopman算子
机构 * Stanford University（斯坦福大学）
AI总结 Echo通过谱Koopman算子实现无KV缓存的关联回忆，解决了传统Transformer的内存瓶颈问题，在多个基准测试中展现出卓越的检索性能。
Regulating Branch Parallelism in LLM Serving
在LLM服务中调节分支并行度
机构 * Stanford University（斯坦福大学） ； NVIDIA（英伟达）
AI总结 本文提出TAPER，一种按步骤的准入控制器，通过预测分支外部性来调节分支并行度，提升吞吐量并保持服务级别目标。
Reflections and New Directions for Human-Centered Large Language Models
人类中心大语言模型的反思与新方向
机构 * Stanford University（斯坦福大学）
AI总结 本文提出人类中心大语言模型框架，整合NLP、HCI和负责任的AI视角，强调在模型开发全流程中关注人类需求与价值观，通过案例研究探讨HCLLMs的未来工作影响。
Information-theoretic Limits of Learning and Estimation
信息论学习与估计的极限
机构 * Stanford University（斯坦福大学） ； UIUC（伊利诺伊大学香槟分校）
AI总结 本文探讨信息论在学习与估计算法极限中的作用，介绍集中不等式、度量空间覆盖与包合、度量熵等工具，并推导了泛化误差上界及最小最大风险下界。
Robustness of Refugee-Matching Gains to Off-Policy Evaluation Choices
难民匹配收益对离线评估选择的鲁棒性
机构 * Immigration Policy Lab, Stanford University（斯坦福大学移民政策实验室） ； Department of Political Science, University of California, Berkeley（加州大学伯克利分校政治学系） ； Technology and Operations Management Unit, Harvard Business School（哈佛商学院技术与运营管理单位） ； Department of Statistics, Stanford University（斯坦福大学统计学系） ； Department of Government, Dartmouth College（达特茅斯学院政府系） ； Department of Political Science, Stanford University（斯坦福大学政治学系）
AI总结 本文研究难民匹配对难民结果的提升潜力，通过多种离线评估方法验证了因果影响评估结果的稳定性，发现估计值在多数情况下具有统计显著性且与Bansak等(2018)结果一致。
Comments 13 pages, 2 figures, 10 tables
SemanticDialect: Semantic-Aware Mixed-Format Quantization for Video Diffusion Transformers
语义感知混合格式量化：用于视频扩散变换器的混合格式量化
机构 * Stanford University（斯坦福大学）
AI总结 本文提出SemanticDialect，通过块级混合格式量化和语义感知方言分配，提升视频扩散变换器的量化效果，实验表明其在Open-Sora 2.0上接近FP16质量。
Evaluating Large Language Models in Scientific Discovery
评估大型语言模型在科学发现中的表现
机构 * Deep Principle（深原则） ； Department of Computer Science, Cornell University（计算机科学系，康奈尔大学） ； Department of Computer Science and Engineering, The Ohio State University（计算机科学与工程系，俄亥俄州立大学） ； Department of Chemical Engineering & Applied Chemistry, University of Toronto（化学工程与应用化学系，多伦多大学） ； Department of Computer Science and Engineering, University of Notre Dame（计算机科学与工程系，圣母大学） ； QuEra Computing Inc.（QuEra计算公司） ； Department of Pathology, Department of Genetics, Cancer Biology Program, Stanford University School of Medicine（病理学系、遗传学系、癌症生物学项目，斯坦福大学医学院） ； Harvard Law School（哈佛法学院） ； Department of Computer Science, Tufts University（计算机科学系，塔夫茨大学） ； School of Computational Science and Engineering, Georgia Institute of Technology（计算科学与工程学院，佐治亚理工学院） ； Department of Computer Science, University of California, Los Angeles（计算机科学系，加州大学洛杉矶分校） ； Department of Computer Science, Virginia Tech（计算机科学系，弗吉尼亚理工大学） ； Department of Physics, Tsinghua University（物理系，清华大学） ； Institute for Advanced Study, Tsinghua University（清华大学高级研究所） ； Laboratory of Artificial Chemical Intelligence, Ecole Polytechnique Federale de Lausanne（人工化学智能实验室，瑞士联邦理工学院）
AI总结 本文提出一个基于场景的基准测试，评估LLM在生物学、化学、材料科学和物理学中的科学发现能力，揭示了模型在科学发现任务中的性能差距和改进方向。
