University of Washington（华盛顿大学）

TeleRAG: Efficient Retrieval-Augmented Generation Inference with Lookahead Retrieval

TeleRAG: 通过前瞻性检索实现高效的检索增强生成推理

Chien-Yu Lin, Keisuke Kamahori, Yiyu Liu, Xiaoxiang Shi, Madhav Kashyap, Yile Gu, Rulin Shao, Zihao Ye, Kan Zhu, Rohan Kadekodi, Stephanie Wang, Arvind Krishnamurthy, Luis Ceze, Baris Kasikci

机构 * Paul G. Allen School of Computer Science and Engineering, University of Washington, Seattle, WA, USA（华盛顿大学保罗·G·艾伦计算机科学与工程学院，西雅图，华盛顿州，美国） ； Harvard John A. Paulson School of Engineering and Applied Sciences, Harvard University, Cambridge, MA, USA（哈佛大学约翰·A·保罗森工程与应用科学学院，剑桥，马萨诸塞州，美国） ； Shanghai Jiao Tong University, Shanghai, China（上海交通大学，上海，中国） 纠错

AI总结 本文提出TeleRAG，一种通过前瞻性检索机制减少延迟并提高吞吐量的高效检索增强生成推理系统，该系统在有限的GPU内存下实现了更高的性能和可扩展性。

OpenDeepThink: Parallel Reasoning via Bradley-Terry Aggregation

OpenDeepThink: 通过布拉德利-蒂尔利聚合实现并行推理

Shang Zhou, Wenhao Chai, Kaiyuan Liu, Huanzhi Mao, Qiuyang Mang, Jingbo Shang

机构 * UC San Diego（UC圣地亚哥大学） ； Princeton University（普林斯顿大学） ； University of Washington（华盛顿大学） ； UC Berkeley（伯克利大学） 纠错

AI总结 该研究提出OpenDeepThink框架，通过布拉德利-蒂尔利聚合方法在测试时扩展计算资源，以提高大语言模型的推理能力，通过并行选择候选方案并消除选择瓶颈，从而提升模型在Codeforces等领域的表现。

Comments 19 pages, 4 figures

Compounding Disadvantage: Auditing Intersectional Bias in LLM-Generated Explanations Across Indian and American STEM Education

叠加劣势：在印度和美国STEM教育中对LLM生成解释中的交叉偏见进行审计

Amogh Gupta, Niharika Patil, Sourojit Ghosh, SnehalKumar, S Gaikwad

机构 * Society-Centered AI Lab（以社会为中心的人工智能实验室） ； University of Washington（华盛顿大学） 纠错

AI总结 本文研究了大型语言模型在不同文化背景下对边缘化学生群体的系统性歧视，通过审计四个LLM模型发现，多重维度的边缘化导致成绩差距扩大，偏见在精英机构中持续存在。

High-dimensional Limit of SGD for Diagonal Linear Networks

SGD在对角线线性网络中的高维极限

Begoña García Malaxechebarría, Courtney Paquette, Maryam Fazel, Dmitriy Drusvyatskiy

机构 * University of Washington（华盛顿大学） ； McGill University（麦吉尔大学） ； Google DeepMind（谷歌DeepMind） ； University of Washington & Amazon Inc.（华盛顿大学与亚马逊公司） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文研究了在高维情况下，SGD在对角线线性网络中的行为，通过推导随机微分方程来近似SGD的动力学，并推导了描述迭代状态和可观测统计量时间演化的偏微分方程，最终证明了在合适参数化下，SGD动态具有全局良好定义并以指数速度收敛到零风险。

Comments 91 pages, 5 figures

Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models

基于图扩散模型的多LLM代理通信拓扑动态生成

Eric Hanchen Jiang, Mengting Li, Guancheng Wan, Sophia Yin, Yuchen Wu, Xiao Liang, Xinfeng Li, Yizhou Sun, Wei Wang, Kai-Wei Chang, Ying Nian Wu

机构 * University of California Los Angeles（加州大学洛杉矶分校） ； University of Washington（华盛顿大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出Guided Topology Diffusion框架，通过迭代构建过程生成适应任务需求的高效通信拓扑，优于现有方法。

Comments ACL 2026 Main

Difficulty-Based Preference Data Selection by DPO Implicit Reward Gap

基于难度的偏好数据选择：通过DPO隐式奖励差距

Xuan Qi, Rongwu Xu, Zhijing Jin

机构 * Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学计算机科学与工程保罗·G·艾伦学校） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（德国图宾根马克斯·普朗克智能系统研究所） ； Jinesis Lab, University of Toronto & Vector Institute（多伦多大学Jinesis实验室及向量研究所） 纠错

AI总结 本文提出基于难度的偏好数据选择方法，利用DPO隐式奖励机制选择奖励差距小的样本，提升数据效率和模型对齐性能，在多个数据集和对齐任务中优于五个基线方法。

Comments Our code and data are available at https://github.com/Difficulty-Based-Preference-Data-Select/Difficulty-Based-Preference-Data-Select

Human-LLM Compound System for Scientific Ideation through Facet Recombination and Novelty Evaluation

基于领域重构与新颖性评估的人机协同科学构想系统

Marissa Radensky, Simra Shahid, Raymond Fok, Pao Siangliulue, Tom Hope, Daniel S. Weld

机构 * University of Washington（华盛顿大学） ； Microsoft（微软） ； Allen Institute for AI（人工智能研究院） 纠错

AI总结 Scideator通过领域重构与新颖性评估模块，帮助用户在科学构想中生成更具创造性的想法，实验显示其在想法探索和表达性方面优于传统LLM方法。

Comments Updated based on most recent submission

Boundedly Rational Meta-Learning in Sequential Consumer Choice

有界理性元学习在序列消费者选择中的应用

Mehrzad Khosravi, Max Kleiman-Weiner, Hema Yoganarasimhan

机构 * University of Washington（华盛顿大学） 纠错

AI总结 研究消费者在不确定环境下重复选择时的跨情境知识转移，提出有界理性元动态规划政策BRMDP(D)，发现消费者通过粗略的先验不确定性表示实现跨情境学习。

Hypergraph Pattern Machine: Compositional Tokenization for Higher-Order Interactions

超图模式机：用于高阶交互的组合分词

Kyrie Zhao, Zehong Wang, Tianyi Ma, Fang Wu, Xiangru Tang, Pietro Lio, Sheng Wang, Yanfang Ye

机构 * University of Notre Dame（内布拉斯加大学） ； Stanford University（斯坦福大学） ； Yale University（耶鲁大学） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） 纠错

AI总结 本文提出超图模式机，通过学习子集的组合模式，改进高阶交互的建模，从而在超图基准和真实案例中取得更好效果。

Peak-Detector: Explainable Peak Detection via Instruction-Tuned Large Language Models in Physiological Sign

峰值检测器：通过指令调优的大语言模型实现可解释的多模态峰值检测

Jiahui Li, Yida Zhang, Zixuan Zeng, Jiayu Chen, Yingjian Song, Yin Xiao, Nishan Dong, Junjie Lu, Younghoon Kwon, Xiang Zhang, Jin Lu, Wenzhan Song, Fei Dou

机构 * University of Georgia（佐治亚大学） ； Yixing People’s Hospital（宜兴人民医院） ； University of Washington（华盛顿大学） ； University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校） 纠错

AI总结 本文提出Peak-Detector框架，利用指令调优的大语言模型实现跨模态、可解释的峰值检测，通过峰表示技术压缩时间序列数据并提升检测准确性，同时生成解释性内容以支持验证与错误分析。

Generative AI in K-12 Classrooms: A Midyear Implementation Report

生成式AI在K-12课堂中的应用：中期实施报告

Lief Esbenshade, Alex Liu, Michael Xiao, Zewei Tian, Min Sun, Zachary Zhang, Thomas Han, Yulia Lapicus, Kevin He

机构 * University of Washington（华盛顿大学） 纠错

AI总结 本报告分析了2025年9月至12月华盛顿州12个学区中教师使用Colleague AI的情况，探讨了AI在K-12教育中的初步应用效果及影响因素。