University of California, San Diego（加州大学圣迭戈分校）

LLMs and Agentic AI Systems for Smart Grids: A Tutorial on Architectures and Applications

用于智能电网的大语言模型和智能AI系统：架构与应用教程

Daniela Rojas, Abdulwahab Albassam, Aidan G. Leung, Jett Ngo, Ryan Luo, Peter R. Quawas, Junpyung Kim, Kangkai Liang, Mansi Nanavati, Jonathan Mai, Meng-Chi Tsai, Yun-Tong Tsai, Yize Chen, Yuanyuan Shi

机构 * Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣迭戈分校电气与计算机工程系） ； Department of Electrical and Computer Engineering, University of Alberta（阿尔伯塔大学电气与计算机工程系） 纠错

AI总结 研究智能电网中LLMs和智能AI系统，提出基于求解器的设计原则，通过提示策略等构建模块及四个案例研究实例化该原则，比较不同方案，还提出四组评估框架，明确了各部分分工。

Comments 28 pages, 11 figures, 6 tables; plus supplementary material. Review/tutorial article

Can We Break LLMs Out of Self-Loops? Fine-Grained Reasoning Control with Activation Steering

我们能否使大语言模型摆脱自我循环？通过激活引导实现细粒度推理控制

Sheldon Yu, Tong Yu, Xunyi Jiang, Rohan Surana, Gagan Mundada, Sungchul Kim, Lina Yao, Julian McAuley, Junda Wu

机构 * UC San Diego（加州大学圣地亚哥分校） ； Adobe Research（Adobe研究院） ； University of New South Wales（新南威尔士大学） 纠错

AI总结 研究大语言模型推理过程不可控问题，提出SOPHIA方法，通过将推理轨迹视为潜在状态序列，构建引导向量库，在推理时进行干预，可检测并防止自我循环，提升推理质量。

D-NOVA: In-Storage Retrieval Accelerator via Dual-Bound 3D NAND-Optimized Similarity Search with Vector Adaptation

D-NOVA：通过具有向量适配的双边界3D NAND优化相似性搜索实现存储内检索加速器

Chang Eun Song, Sumukh Pinge, Tianqi Zhang, Sung Eun Kim, Tajana S. Rosing, Mingu Kang

机构 * University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 研究针对RAG密集向量检索性能瓶颈，提出软硬件协同设计的存储内检索加速器D-NOVA。通过深度嵌入搜索功能、采用新距离度量及引入适配器，实现高效检索，相比CPU和现有加速器有显著性能和能效提升，展现全存储向量搜索加速RAG的潜力。

Comments Accepted at the 59th IEEE/ACM International Symposium on Microarchitecture (MICRO 2026), Athens, Greece. Chang Eun Song and Sumukh Pinge are co-first authors and contributed equally

Lossless but Not Free: An Empirical Anatomy of Speculative Decoding on Consumer Hardware

无损但不免费：消费级硬件上推测性解码的实证剖析

Param Chordiya

机构 * University of California, San Diego（加利福尼亚大学圣地亚哥分校） 纠错

AI总结 研究大语言模型单流自回归解码受内存带宽限制问题，核心方法是推测性解码，通过小草稿模型与目标模型配合及拒绝采样规则重构计算。在苹果硅笔记本上实证研究五种配置，验证分布等效性，揭示加速与减速原因，表明该方法在特定条件下才有效。

Comments 15 pages, 5 figures, 4 tables. Code, benchmark harness, and all result artifacts: https://github.com/ParamChordiya/speculative_decoding_engine

Pedestrian Archetypes Extension -- More Pedestrian Models for Autonomous Vehicle Safety Testing

行人原型扩展——用于自动驾驶车辆安全测试的更多行人模型

Taorui Huang, Namita Gaidhani, Ritvik Bansal, S M Jubaer, Regina Lim, Rhett Zhao, Gavin Rafael Selin, Sunnie Deng Gao, Hasnain N Syed

机构 * Stanford University（斯坦福大学） ； University of California San Diego（加利福尼亚大学圣地亚哥分校） ； University of Washington（华盛顿大学） 纠错

AI总结 研究在行人原型基础上，通过注释YouTube行车记录仪视频，识别出7种新的行人原型，介绍其行为，阐述与旧原型差异并提供视频证据，为自动驾驶车辆安全测试提供更多行人模型。

Comments Extended version of Pedestrian Archetypes paper (published in IEEE IV 2025)