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

Blackwell Approachability and Gradient Equilibrium are Equivalent

Blackwell可逼近性与梯度均衡等价

Brian W. Lee, Nika Haghtalab, Michael I. Jordan, Ryan J. Tibshirani

机构 * University of California, Berkeley（加州大学伯克利分校） ； Inria & École Normale Supérieure（法国国家信息与自动化研究所 & 巴黎高等师范学院） 纠错

AI总结 本文证明梯度均衡（GEQ）与Blackwell可逼近性在算法上等价，从而将GEQ纳入在线学习主流框架，并建立了与遗憾最小化、校准等框架的等价关系。

Comments 30 pages, 1 figure, accepted for presentation at COLT 2026

Chai: Agentic Discovery of Cryptographic Misuse Vulnerabilities

Chai：加密误用漏洞的智能发现

Corban Villa, Sohee Kim, Austin Chu, Alon Shakevsky, Raluca Ada Popa

机构 * UC Berkeley（加州大学伯克利分校） 纠错

AI总结 提出Chai系统，利用AI改进差分测试，从库级缺陷出发沿依赖图传播，发现并验证加密误用漏洞，在X.509、JWT、SAML库中发现超100个漏洞。

Embedding Foundation Model Predictions in Discrete-Choice Models with Structural Guarantees

具有结构保证的嵌入基础模型预测的离散选择模型

Yingshuo Wang, Xian Sun, Yanhang Li, Zhichao Fan, Zexin Zhuang

机构 * University of California, Berkeley（加州大学伯克利分校） ； Duke University（杜克大学） ； Northeastern University（东北大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Southern Methodist University（南卫理公会大学） 纠错

AI总结 提出两阶段适配器，将基础模型的预测嵌入多项Logit效用中，通过符号约束保持边际替代率，在三个数据集上平均提升6.4个百分点准确率，并保证成本单调性和合理时间价值。

Comments Extends arXiv:2605.26559 (ICML 2026 FMSD Workshop)

DualEval: Joint Model-Item Calibration for Unified LLM Evaluation

DualEval: 联合模型-项目校准的统一LLM评估

Aaron J. Li, Hao Huang, Youngmin Park, Yitong Ma, Wei-Lin Chiang, Li Chen, Cho-Jui Hsieh, Bin Yu, Ion Stoica

机构 * University of California, Berkeley（加州大学伯克利分校） ； Arena ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 提出DualEval框架，通过联合模型-项目校准统一静态基准和竞技场式评估，生成可靠模型排名并支持基准压缩和异常检测。

Scaling Nonlinear Optimization: Many Problems One GPU

扩展非线性优化：多问题单GPU

John Viljoen, Johanna Haffner, Masayoshi Tomizuka, 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） ； Department of Biosystems Science and Engineering, ETH Zürich（苏黎世联邦理工学院生物系统科学与工程系） 纠错

AI总结 提出首个基于JAX的GPU批处理NLP求解器jaxipm，通过异构迭代融合和迭代级批处理实现多问题并发求解，在四旋翼控制任务中吞吐量提升达32.85倍。

Comments 8 pages, 6 figures, ieeeconf style, submission for RA-L

Racing a Wheeled Quadruped: Active Load Transfer Mitigation via Model Predictive Control

轮式四足机器人竞速：基于模型预测控制的主动载荷转移缓解

Marla Eisman, Brian Lam, Samuel Sonnino, Francesco Borrelli

机构 * University of California, Berkeley（加州大学伯克利分校） ； Politecnico di Milano（米兰理工大学） 纠错

AI总结 提出一种结合模型预测控制与强化学习的层次控制框架，通过主动侧倾控制减少轮式四足机器人自主竞速中的横向载荷转移，实现最高44%的LTR降低、8.7%的圈速提升和21.3%的侧向加速度增强。

Comments Accepted to the 17th International Symposium on Advanced Vehicle Control (AVEC 2026), 7-11 September 2026, Tsukuba, Japan

Life After Benchmark Saturation: A Case Study of CORE-Bench

基准测试饱和之后：CORE-Bench 案例研究

Nitya Nadgir, Sayash Kapoor, Kangheng Liu, Peter Kirgis, Matilda Orona, Stephan Rabanser, Tilman Bayer, Abhishek Shetty, Yue Ling, Derrick Chan-Sew, Rumi Nakagawa, Saiteja Utpala, Zachary S. Siegel, Arvind Narayanan

机构 * Independent（独立机构） ； Princeton University（普林斯顿大学） ； UC Berkeley（加州大学伯克利分校） ； MIT（麻省理工学院） 纠错

AI总结 针对基准测试准确率饱和问题，提出从构造效度、泛化性、效率、可靠性、模型与脚手架相对重要性及人机协作提升六个维度评估智能体，以CORE-Bench Hard为案例展示饱和后仍可获得有意义见解。