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

VulnLLM-R: Specialized Reasoning LLM with Agent Scaffold for Vulnerability Detection

VulnLLM-R：基于代理架构的专用推理LLM用于漏洞检测

Yuzhou Nie, Hongwei Li, Chengquan Guo, Ruizhe Jiang, Zhun Wang, Bo Li, Dawn Song, Wenbo Guo

机构 * Department of Computer Science, University of California, Santa Barbara, CA, USA（加州大学圣芭芭拉分校计算机科学系） ； Department of Computer Science, University of Chicago, Chicago, IL, USA（芝加哥大学计算机科学系） ； Department of Electrical Engineering and Computer Sciences, University of California, Berkeley, CA, USA（加州大学伯克利分校电子工程与计算机科学系） ； Department of Computer Science, University of Illinois Urbana-Champaign, Champaign, IL, USA（伊利诺伊大学厄巴纳-香槟分校计算机科学系） 纠错

AI总结 VulnLLM-R通过专用推理模型和代理架构，在漏洞检测中实现高效准确的AI驱动检测。

Singing Timbre Popularity Assessment Based on Multimodal Large Foundation Model

基于多模态大基础模型的歌唱音色受欢迎程度评估

Zihao Wang, Ruibin Yuan, Ziqi Geng, Hengjia Li, Xingwei Qu, Xinyi Li, Songye Chen, Haoying Fu, Roger B. Dannenberg, Kejun Zhang

机构 * Zhejiang University（浙江大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Manchester（曼彻斯特大学） ； Innovation Center of Yangtze River Delta, Zhejiang University（长江三角洲创新中心，浙江大学） 纠错

AI总结 本文提出基于多模态大基础模型的歌唱音色受欢迎程度评估方法，通过引入Sing-MD数据集、VocalVerse架构和H-TPR基准，实现无参考、多维度的歌唱评估。

Comments Accepted to ACMMM 2025 oral

Journal ref Proceedings of the 33rd ACM International Conference on Multimedia (ACMMM 2025), Pages 12227-12236

Supporting Our AI Overlords: Redesigning Data Systems to be Agent-First

支持我们的AI主宰者：重新设计数据系统以面向代理

Shu Liu, Soujanya Ponnapalli, Shreya Shankar, Sepanta Zeighami, Alan Zhu, Shubham Agarwal, Ruiqi Chen, Samion Suwito, Shuo Yuan, Ion Stoica, Matei Zaharia, Alvin Cheung, Natacha Crooks, Joseph E. Gonzalez, Aditya G. Parameswaran

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

AI总结 本文提出重新设计数据系统以更原生支持代理工作负载，通过代理推测的特点探索新的架构机会。

ONG: Orthogonal Natural Gradient Descent

ONG: 正交自然梯度下降

Yajat Yadav, Patrick Mendoza, Jathin Korrapati

机构 * UC Berkeley（伯克利大学） 纠错

AI总结 本文提出正交自然梯度下降（ONG）方法，通过引入自然梯度和正交投影提升持续学习性能，初步实验表明其在MNIST基准上有效，但需进一步理论和实验证实其鲁棒性。

Comments Publicly available code at https://github.com/yajatyadav/orthogonal-natural-gradient

Chain of Thought Monitorability: A New and Fragile Opportunity for AI Safety

思维链可监控性：AI安全的新且脆弱的机会

Tomek Korbak, Mikita Balesni, Elizabeth Barnes, Yoshua Bengio, Joe Benton, Joseph Bloom, Mark Chen, Alan Cooney, Allan Dafoe, Anca Dragan, Scott Emmons, Owain Evans, David Farhi, Ryan Greenblatt, Dan Hendrycks, Marius Hobbhahn, Evan Hubinger, Geoffrey Irving, Erik Jenner, Daniel Kokotajlo, Victoria Krakovna, Shane Legg, David Lindner, David Luan, Aleksander Mądry, Julian Michael, Neel Nanda, Dave Orr, Jakub Pachocki, Ethan Perez, Mary Phuong, Fabien Roger, Joshua Saxe, Buck Shlegeris, Martín Soto, Eric Steinberger, Jasmine Wang, Wojciech Zaremba, Bowen Baker, Rohin Shah, Vlad Mikulik

机构 * UK AI Security Institute（英国人工智能安全研究所） ； Apollo Research（阿波罗研究） ； METR ； University of Montreal（蒙特利尔大学） ； Mila ； Anthropic ； OpenAI（开放人工智能研究所） ； Google DeepMind（谷歌DeepMind） ； Truthful AI ； UC Berkeley（伯克利大学） ； Center for AI Safety（人工智能安全中心） ； AI Futures Project（人工智能未来项目） ； Amazon（亚马逊） ； Scale AI ； Magic ； Meta ； Redwood Research（红木研究） 纠错

AI总结 本文探讨了通过监控AI思维链来提升安全性的潜力，指出其脆弱性并呼吁进一步研究和投资。

Radial Attention: $O(n\log n)$ Sparse Attention with Energy Decay for Long Video Generation

径向注意力：具有能量衰减的 $O(n\log n)$ 稀疏注意力用于长视频生成

Xingyang Li, Muyang Li, Tianle Cai, Haocheng Xi, Shuo Yang, Yujun Lin, Lvmin Zhang, Songlin Yang, Jinbo Hu, Kelly Peng, Maneesh Agrawala, Ion Stoica, Kurt Keutzer, Song Han

机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； Princeton（普林斯顿大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford（斯坦福大学） ； First Intelligence（第一智能） 纠错

AI总结 本文提出径向注意力，通过能量衰减机制实现高效的长视频生成，显著提升生成速度并降低计算成本。

Comments Accepted to NeurIPS 2025, Code: https://github.com/mit-han-lab/radial-attention

Energy-Aware Lane Planning for Connected Electric Vehicles in Urban Traffic: Design and Vehicle-in-the-Loop Validation

面向城市交通的连接电动车辆能耗感知车道规划：设计与车辆在环验证

Hansung Kim, Eric Yongkeun Choi, Eunhyek Joa, Hotae Lee, Linda Lim, Scott Moura, Francesco Borrelli

机构 * Department of Mechanical Engineering, UC Berkeley（机械工程系，伯克利大学） ； Department of Civil Engineering, UC Berkeley（土木工程系，伯克利大学） ； Zoox, Inc.（Zoox公司） 纠错

AI总结 本文提出了一种基于V2I通信的能耗感知运动规划框架，通过联合优化纵向速度和横向车道变更决策，实现城市交通中能耗降低24%的显著效果。

Comments Accepted at 2025 IEEE Conference on Decision and Control (CDC25')