University of California, Berkeley（加州大学伯克利分校）

Concurrency without Model Changes: Future-based Asynchronous Function Calling for LLMs

无需模型变更的并发性：面向LLMs的未来式异步函数调用

Guangyu Feng, Huanzhi Mao, Prabal Dutta, Joseph E. Gonzalez

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出AsyncFC框架，通过解耦LLM解码与函数执行，实现解码与执行的重叠及函数间并行，减少端到端延迟并保持任务精度，揭示LLMs具备处理未决执行结果的符号未来推理能力。

Speculative Interaction Agents: Building Real-Time Agents with Asynchronous I/O and Speculative Tool Calling

推测交互代理：构建具有异步I/O和推测性工具调用的实时代理

Coleman Hooper, Minwoo Kang, Suhong Moon, Nicholas Lee, Eric Wen, John Wawrzynek, Michael W. Mahoney, Yakun Sophia Shao, Amir Gholami, Kurt Keutzer

机构 * University of California, Berkeley（加州大学伯克利分校） ； ICSI ； LBNL（劳伦斯伯克利国家实验室） 纠错

AI总结 本文提出推测交互代理，通过异步I/O和推测性工具调用，实现复杂多轮工具调用的实时交互，提升实时应用性能。

Comments 17 pages

Learning, Fast and Slow: Towards LLMs That Adapt Continually

学习，快速与缓慢：迈向能够持续适应的LLM

Rishabh Tiwari, Kusha Sareen, Lakshya A Agrawal, Joseph E. Gonzalez, Matei Zaharia, Kurt Keutzer, Inderjit S Dhillon, Rishabh Agarwal, Devvrit Khatri

机构 * UC Berkeley（加州大学伯克利分校） ； Mila（蒙特利尔大学人工智能研究所） ； UT Austin（得克萨斯大学奥斯汀分校） ； Eragon Periodic Labs ； Mirendil Video 纠错

AI总结 本文提出一种快速-缓慢学习框架，通过将模型参数作为缓慢权重和优化上下文作为快速权重，提升LLM在连续学习中的样本效率和性能，减少灾难性遗忘。

Comments 29 pages, 14 figures, including appendix; Blog post: https://gepa-ai.github.io/gepa/blog/2026/05/11/learning-fast-and-slow/

Why Goal-Conditioned Reinforcement Learning Works: Relation to Dual Control

为何目标条件强化学习有效：与双控的关系

Nathan P. Lawrence, Ali Mesbah

机构 * Department of Chemical and Biomolecular Engineering, University of California, Berkeley, CA 94720 USA（化学与生物分子工程系，加州大学伯克利分校，CA 94720 USA） 纠错

AI总结 本文分析了目标条件强化学习与最优控制的关系，揭示了经典目标条件奖励与传统二次目标之间的优化差距，并验证了目标条件策略在非线性和不确定环境中的优势。

Comments IFAC world congress postprint

VER: Vision Expert Transformer for Robot Learning via Foundation Distillation and Dynamic Routing

VER：基于基础蒸馏和动态路由的机器人学习视觉专家变换器

Yixiao Wang, Mingxiao Huo, Zhixuan Liang, Yushi Du, Lingfeng Sun, Haotian Lin, Jinghuan Shang, Chensheng Peng, Mohit Bansal, Mingyu Ding, Masayoshi Tomizuka

机构 * UC Berkeley（加州大学伯克利分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Hong Kong（香港大学） ； Peking University（北京大学） ； Stony Brook University（石溪大学） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 VER通过基础蒸馏和动态路由实现机器人学习，采用轻量路由网络动态选择专家，提升任务灵活性和精度，实现多任务高性能。

Nearest-Neighbor Radii under Dependent Sampling

依赖采样下的最近邻半径

Yuanyuan Gao, Yilong Hou, Zhexiao Lin

机构 * Department of Statistics, University of California, Berkeley, CA 94720, USA（加州大学伯克利分校统计系） ； Department of Biostatistics, University of California, Berkeley, CA 94720, USA（加州大学伯克利分校生物统计学系） 纠错

AI总结 研究依赖采样下最近邻半径的几何性质，建立分布无关的几乎必然收敛和尖锐非渐近矩界，适用于高维数据集中的低维流形。

Comments 33 pages

Web Agents Should Adopt the Plan-Then-Execute Paradigm

网络代理应采用计划-然后执行范式

Julien Piet, Annabella Chow, Yiwei Hou, Muxi Lyu, Sylvie Venuto, Jinhao Zhu, Raluca Ada Popa, David Wagner

机构 * UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出网络代理应默认采用计划-然后执行范式，而非ReAct架构。该范式通过预先制定任务特定程序，避免运行时网页内容的干扰，提升安全性和效率。

GenCircuit-RL: Reinforcement Learning from Hierarchical Verification for Genetic Circuit Design

GenCircuit-RL：基于分层验证的遗传电路设计强化学习

Noah Flynn

机构 * University of California, Berkeley, CA, USA（加州大学伯克利分校） 纠错

AI总结 本文提出GenCircuit-RL框架，通过分层验证奖励和课程学习提升遗传电路设计的正确性与功能推理能力，实验表明其在功能推理任务中成功率提升14-16个百分点。

Comments Link: https://icml.cc/virtual/2026/poster/61789

Progent: Securing AI Agents with Privilege Control

Progent：通过权限控制保障AI代理

Tianneng Shi, Jingxuan He, Zhun Wang, Hongwei Li, Linyu Wu, Wenbo Guo, Dawn Song

机构 * UC Berkeley（加州大学伯克利分校） ； UC Santa Barbara（加州大学圣巴巴拉分校） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 Progent通过权限控制框架保障AI代理安全，利用LLM生成并更新策略，通过SMT求解器确保权限空间单调收敛，有效降低攻击成功率并保持高实用性。

EvolveMem:Self-Evolving Memory Architecture via AutoResearch for LLM Agents

EvolveMem：通过AutoResearch实现LLM代理的自进化内存架构

Jiaqi Liu, Xinyu Ye, Peng Xia, Zeyu Zheng, Cihang Xie, Mingyu Ding, Huaxiu Yao

机构 * UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； UC Berkeley（加州大学伯克利分校） ； UCSC（加州大学圣克鲁兹分校） 纠错

AI总结 本文提出EvolveMem，一种通过AutoResearch实现自进化内存架构的LLM代理系统，通过闭环自进化过程自动优化检索配置，实现存储知识与检索机制的协同进化，实验表明其在多个基准测试中均取得显著性能提升。

LLMs Should Express Uncertainty Explicitly

大型语言模型应显式表达不确定性

Junyu Guo, Shangding Gu, Ming Jin, Costas Spanos, Javad Lavaei

机构 * University of California, Berkeley（加州大学伯克利分校） ； Virginia Tech（弗吉尼亚理工大学） 纠错

AI总结 本文研究通过训练使模型在回答时显式表达不确定性，以减少过度自信的错误，提升回答质量，并通过检索增强生成技术改进最终响应。

MIMIC-D: Multi-modal Imitation for MultI-agent Coordination with Decentralized Diffusion Policies

MIMIC-D: 多模态模仿用于多智能体协调的去中心化扩散策略

Dayi Dong, Maulik Bhatt, Seoyeon Choi, Negar Mehr

机构 * Department of Mechanical Engineering, University of California Berkeley（加州大学伯克利分校机械工程系） 纠错

AI总结 本文提出MIMIC-D，通过去中心化扩散策略实现多智能体多模态模仿学习，解决了传统方法在多模态任务中协调效率低的问题。

Comments 8 pages, 4 figures, 5 tables