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

Optimizing the Cost-Quality Tradeoff of Agentic Theorem Provers in Lean

优化 Lean 中智能定理证明器的成本-质量权衡

Kári Rögnvaldsson, Chenhao Sun, Jasper Dekoninck, Martin Vechev

机构 * University of Washington（华盛顿大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 提出一种包含数据平面和控制平面的动作路由智能体，通过观察失败轨迹并估计成功概率与成本来动态决定继续证明或重新分解，在 PutnamBench 子集上平均降低 25.8% 成本且保持性能。

Efficient Test-time Inference for Generative Planning Models with OCL Search

生成式规划模型的高效测试时推理

Robert Gieselmann, Mihai Samson, Federico Pecora, Jeremy L. Wyatt

机构 * University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出一种改进的开放-封闭列表搜索算法，结合生成模型和启发式模型，在测试时高效推理，提升生成式规划模型的解质量和计算效率。

A Theory of Saddle Escape in Deep Nonlinear Networks

深度非线性网络中的鞍点逃逸理论

Divit Rawal, Michael R. DeWeese

机构 * Department of Physics（物理系） ； University of California, Berkeley（加州大学伯克利分校） ； Department of Neuroscience（神经科学系） ； Redwood Center（红木中心） 纠错

AI总结 本文提出深度非线性网络中鞍点逃逸的理论，通过分析权重矩阵的Frobenius范数不平衡性，将激活函数分为四类，并推导出关键深度逃逸时间规律。

A Fast and Effective Method for Euclidean Anticlustering: The Assignment-Based-Anticlustering Algorithm

一种快速有效的欧几里得反聚类方法：基于分配的反聚类算法

Philipp Baumann, Olivier Goldschmidt, Dorit S. Hochbaum, Jason Yang

机构 * Department of Business Administration, University of Bern（伯尔尼大学商学院） ； Riverside County Office of Education（河滨县教育局） ； Industrial Engineering and Operations Research Department, University of California, Berkeley（加州大学伯克利分校工业工程与运筹学系） 纠错

AI总结 提出基于分配的反聚类算法（ABA），通过将反聚类转化为分配问题，实现百万级数据点、数十万反聚类的快速求解，在解质量和运行时间上均优于现有方法。

ParallelBench: Understanding the Trade-offs of Parallel Decoding in Diffusion LLMs

ParallelBench: 理解扩散大语言模型中并行解码的权衡

Wonjun Kang, Kevin Galim, Seunghyuk Oh, Minjae Lee, Yuchen Zeng, Shuibai Zhang, Coleman Hooper, Yuezhou Hu, Hyung Il Koo, Nam Ik Cho, Kangwook Lee

机构 * FuriosaAI ； UW-Madison（威斯康星大学麦迪逊分校） ； Microsoft Research（微软研究院） ； UC Berkeley（加州大学伯克利分校） ； Seoul National University（首尔国立大学） ； KRAFTON ； Ludo Robotics Project（Ludo机器人项目） 纠错

AI总结 针对扩散LLM并行解码导致生成质量下降的问题，通过信息论分析和合成实验揭示其根本限制，并提出首个专门基准ParallelBench，系统评估发现并行解码在现实任务中质量损失严重，且现有策略无法根据任务难度调整并行度。

Comments Accepted at ICLR 2026. Project Page: https://parallelbench.github.io