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

DuplexGen: Adaptive Synthesis of Human-AI Turn-Taking Dialogues

DuplexGen：人机交替对话的自适应合成

Takyoung Kim, Kang-wook Kim, Sang Hoon Woo, Julia Hirschberg, Gunhee Kim, Dilek Hakkani-Tür

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Seoul National University（首尔大学） ； Columbia University（哥伦比亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 DuplexGen框架通过将LLM预测与少量槽级人类偏好标注校准，生成场景自适应交替发言对话，契合人类偏好的效果优于未校准方法，证明人类校准对交替发言合成场景特定性的关键作用。

Comments EMNLP 2026; Project website: https://duplexgen.github.io

MagicSim: A Unified Infrastructure for Executable Embodied Interaction

MagicSim: 可执行具身交互的统一基础设施

Haoran Lu, Songling Liu, Yue Chen, Guo Ye, Mutian Shen, Shuyang Yu, Yu Xiao, Shang Wu, Jiayi Wang, Jianshu Zhang, Jihai Zhao, Xiangtian Gui, Chuye Hong, Yuran Wang, Maojiang Su, Ruihai Wu, Zhaoran Wang, Han Liu

机构 * Northwestern University（西北大学） ； Peking University（北京大学） ； University of California, Berkeley（加州大学伯克利分校） ； ShanghaiTech University（上海科技大学） 纠错

AI总结 提出MagicSim，一个基于确定性批处理运行时和共享MDP的具身交互基础设施，通过YAML规范解耦内容、放置、行为和智能体暴露，统一世界构建、执行、评估和自动生成轨迹。

Comments v2:Expanded the supplementary materials by adding three sections-Scene YAML, Robot Embodiment List, and Atomic Skill List-corrected typographical errors, and corrected author-affiliation information that was inaccurate in the previous version

The Value of Spike Timing: A Leakage-Resistant Benchmark of SNN Design Choices for Network Intrusion Detection

脉冲神经网络配置在网络入侵检测中的评估

Raj Patel, Shaswata Mitra, David Amebley, Taye Akinrele, Sayanton Dibbo, Shahram Rahimi

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

AI总结 通过消融实验评估9种神经元模型与3种脉冲编码方案的27种组合，发现延迟编码优于速率和增量编码，且LeakyParallel神经元结合延迟编码在四个基准数据集上平均准确率92.11%，宏F1 0.80，假阳性率2.01%，推理速度最快。

Comments This manuscript is under review for IEEE CogMI 2026. \c{opyright} 2026 IEEE. Personal use is permitted; all other uses require IEEE permission, including reprinting, republication, redistribution, resale, or reuse of copyrighted components

Hidden Thoughts Are Not Secret: Reasoning Trace Exposure in LLMs

隐藏的思考并非秘密：大型语言模型中的推理痕迹暴露

Yu-An Lu, Ci-Yang Tsai, Yu-Lin Tsai, Raluca Ada Popa, Chia-Mu Yu

机构 * National Yang Ming Chiao Tung University（国家阳明交通大学） ； UC Berkeley（伯克利大学） 纠错

AI总结 本文提出推理暴露提示（REP）方法，通过影子模型生成的示范以辅助代码格式包装，从受害者模型中引出用户可见的推理痕迹，显著提高暴露痕迹与内部痕迹的相似性并保留有用推理信号。

Comments This version is accepted to EMNLP 2026

Investigating Social Bias Changes in Quantized Language Models

不确定性驱动量化大语言模型中的社会偏见变化

Stanley Z. Hua, Sanae Lotfi, Irene Y. Chen

机构 * UC Berkeley（伯克利大学） ； Centre for Computational Medicine at The Hospital for Sick Children（儿童医院计算医学中心） ； UCSF（旧金山大学） ； Meta Superintelligence Labs（Meta超智能实验室） 纠错

AI总结 研究发现量化过程导致大语言模型中社会偏见的翻转，且不确定性与量化强度影响偏见变化，需进行后续评估以确保可靠性。

Comments Accepted to COLM 2026 (10 pages, 5 figures)

Dataset Protection via Watermarked Canaries in Retrieval-Augmented LLMs

通过检索增强型大语言模型中的水印金丝雀实现数据集保护

Yepeng Liu, Xuandong Zhao, Dawn Song, Yuheng Bu

机构 * University of Florida（佛罗里达大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本研究提出CanaryTrace方法，通过在IP数据集中插入带水印的金丝雀文档，可高效检测RA-LLMs对数据集的未经授权使用，且不影响RAG系统性能。

Comments EMNLP2026