University of Pennsylvania（宾夕法尼亚大学）

Everywhere Learning: Artificial Intelligence with Pointwise Constraints

处处学习：具有逐点约束的人工智能

Ignacio Boero, Ignacio Hounie, Luiz Chamon, Alejandro Ribeiro

机构 * Department of Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系） ； École polytechnique, Institut Polytechnique de Paris（巴黎理工学院） 纠错

AI总结 提出“处处学习”新范式，通过近似对偶理论分析泛化性能，并用稀疏L1惩罚控制泛化，在语言模型任务中验证其优势。

SafeVLA-Bench: A Benchmark for the Success-Safety Gap in Vision-Language-Action Models

SafeVLA-Bench: 视觉-语言-动作模型中成功-安全差距的基准

Jialiang Fan, Weizhe Xu, Oleg Sokolsky, Insup Lee, Fanxin Kong

机构 * University of Notre Dame（诺丁汉大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 提出SafeVLA-Bench，一种基于信号时序逻辑的后验安全评估框架，用于量化VLA策略在完成任务时的安全违规行为，揭示成功与安全之间的差距。

Comments 27 pages, 5 figures

DREAM-S: Speculative Decoding with Searchable Drafting and Target-Aware Refinement for Multimodal Generation

DREAM-S: 基于可搜索草稿与目标感知精炼的推测解码用于多模态生成

Zining Liu, Yunhai Hu, Tianhua Xia, Bo Bao, Eric Sather, Vithursan Thangarasa, Sai Qian Zhang

机构 * New York University（纽约大学） ； Cerebras Systems Inc.（Cerebras Systems公司） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 提出DREAM-S框架，通过神经架构搜索和目标感知超网训练自动优化草稿模型架构与交互策略，结合注意力熵引导的自适应中间特征蒸馏，实现视觉语言模型的高效推测解码，加速比达3.85倍。

Inner Product Aware Quantization: Provably Fast, Accurate, and Adaptive Algorithms

内积感知量化：可证明快速、准确且自适应的算法

Nathan White, Krish Singal

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文提出内积感知量化方法，通过优化目标函数并利用自适应随机量化（ASQ）理论，开发出快速且无偏的量化算法，在保证质量的同时比现有方法快2-10倍。

Agentic Transformers Provably Learn to Search via Reinforcement Learning

智能体Transformer通过强化学习可证明地学会搜索

Tong Yang, Yu Huang, Yingbin Liang, Yuejie Chi

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Pennsylvania（宾夕法尼亚大学） ； The Ohio State University（俄亥俄州立大学） ； Yale University（耶鲁大学） 纠错

AI总结 本文通过构建双头Transformer实现随机深度优先搜索，并分析策略梯度训练动力学，证明该搜索机制能从稀疏强化反馈中分阶段涌现，且具备深度泛化能力。