University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）

Agentic Vulnerability Reasoning on COTS Binaries

基于商用现货二进制文件的智能体漏洞推理

Hwiwon Lee, Jongseong Kim, Lingming Zhang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 研究LLM智能体对COTS二进制文件漏洞的推理能力，构建SLYP管道，结合二进制探索与动态调试验证漏洞。在COM基准测试中表现出色，发现更多真实漏洞，生成验证PoC，还发现多个零日漏洞，证明工具集和模型选择的重要性及通用性。

FlashDiff: Efficient Regional Execution and Scheduling for Diffusion Model Serving

FlashDiff：用于扩散模型服务的高效区域执行与调度

Yaqi Qiao, Ping He, Songrun Xie, Ayush Barik, Chensong Zhang, Zhengzhong Tu, Fan Lai

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Vanderbilt University（范德比大学） ； HKUST（香港科技大学） ； NVIDIA（英伟达） ； Texas A&M University（德克萨斯农工大学） 纠错

AI总结 研究针对扩散模型服务效率低的问题，提出FlashDiff系统，通过自适应区域执行和调度，利用扩散细化特性及三种机制，有效降低端到端服务延迟，提高吞吐量。

Scaling Evaluation-time Compute with Reasoning Models as Evaluators

通过推理模型作为评估器来提升评估时的计算能力

Seungone Kim, Ian Wu, Jinu Lee, Xiang Yue, Seongyun Lee, Mingyeong Moon, Carolin Lawrence, Kiril Gashteovski, Julia Hockenmaier, Graham Neubig, Sean Welleck

机构 * CMU（卡内基梅隆大学） ； UIUC（伊利诺伊大学） ； KAIST AI（韩国科学技术院人工智能研究所） ； NEC Laboratories Europe（日本 NEC 欧洲实验室） ； Ss.Cyril and Methodius University of Skopje（斯科普里塞尔吉尔和梅蒂乌斯大学） 纠错

AI总结 本文探讨了通过增加评估时的计算量来提升语言模型的评估能力，利用推理模型作为评估器，分别评估响应整体和每个步骤，从而提高评估效果。

Comments ACL 2026 Findings