摘要：简洁非交互知识论证（SNARK）作为现代密码学的核心原语，凭借其极短的证明长度与高效的验证复杂度，已成为支撑可验证计算、隐私保护协议及密码学基础理论发展的关键技术。本文基于带误差学习（LWE）的多项式困难性，为一类 UP 语言构造了首个 SNARK 。这类语言满足其见证唯一性存在多项式大小的扩展 Frege 证明系统（EF）证明。我们的构造具有如下可靠性保证：对任意固定的假实例序列，存在一个常数 c>0，使得只要均匀随机公共参考串（CRS）的长度超过 lambda^c，该构造就对此序列达到无穷多次可靠性。也就是说，对任意多项式时间作弊证明者族，其输出可接受证明的概率在无穷多个 lambda 上都是可忽略的。为得到主要结果，本文使用了非黑盒可靠性归约，并引入了一个新的逻辑证明系统，密码学扩展 Frege 证明系统（CEF）。该系统扩展了 EF，加入了用于形式化密码学安全证明中不可区分性的规则。

个人简介：北京大学信息科学技术学院2022级计算机科学与技术专业本科生，在刘天任教授的指导下从事密码学研究，曾获国际大学生程序设计竞赛全球总决赛亚军、普特南数学竞赛美国前五十。他的研究聚焦于密码学、算法设计、复杂度理论等方向，在 Eurocrypt 、S&P 、STOC 、Crypto 等会议发表或录用高水平学术论文，并担任 STOC 会议官方审稿人。

摘要：增大Batch Size带来的解码吞吐量提升受限于GPU显存, 而显存很大程度上被KV Cache所消耗. 先前的training-free KV cache offloading方法通过将冗余上下文保留在CPU 上、并仅获取稀疏子集用于attention计算来缓解这一问题, 但由于稀疏模式上存在training-inference mismatch的问题, 它们往往会降低长文本生成的质量. 同时, 可训练的稀疏注意力机制又与高效的offloading机制不兼容, 因为不受约束的KV访问可能会迫使大量的CPU到GPU数据传输, 从而抵消收益. 为此, 我们提出了NOSA, 一种原生为KV Cache Offloading设计的可训练稀疏注意力机制. NOSA 显式地约束了 CPU 与 GPU 之间的KV Cache传输量, 从而实现了低通信开销和高解码吞吐量. 我们进一步构建了NOSI, 一个能够充分释放NOSA效率的 KV Cache Offloading的推理系统. 在 1B、3B 和 8B模型上的实验结果表明, NOSA 在通用任务、长输入和长生成任务上均优于现有的KV Cache Offloading Baselines. 同时, 与Full Attention、InfLLMv2 和ShadowKV相比, NOSA 的解码吞吐量分别提升了5.04, 1.92和 1.83倍.

个人简介：清华大学计算机系大二年级本科生, 科研指导教师刘知远教授。研究选题包括面向大模型训练的注意力机制，多模态模型评测基准等，相关研究工作已形成研究论文，并投稿至ICML 2026和KDD 2026。

摘要：随着 GPT、DeepSeek、Gemini 等基础模型快速进化，大语言模型已从对话工具跃迁为能够调用工具、感知环境、自主决策的智能体，深入渗透至金融、政务、网络安全等关键领域。这一跃迁同时带来了安全范式的根本性变革——AI 的错误不再局限于内容层面，而是直接转化为现实世界中不可逆的行动后果。传统围绕模型输出所设计的对齐与防御机制，已难以应对智能体的系统性安全风险。 本次分享将围绕大模型智能体安全这一前沿命题展开，系统剖析感知、推理、执行三层架构所引入的全新攻击面，并介绍“内生安全”这一研究思路：在感知层构建对抗性输入的检测与净化机制，在推理层验证目标分解与行动规划的可信性，在执行层引入细粒度权限控制与高风险操作的安全确认。与传统在模型外部叠加防护的事后修补不同，内生安全将安全能力作为智能体架构本身的有机组成部分，从系统设计层面回应行动风险。分享还将延伸探讨 AI 责任归属、自主性边界与价值对齐等伦理议题，与听众一同思考：在智能体时代，技术研究与价值守护应当如何同行。

个人简介：浙江大学计算机科学与技术学院信息安全专业 2022 级本科生，直博浙江大学区块链与数据安全全国重点实验室，师从任奎教授、秦湛副教授。研究方向聚焦于大模型与智能体安全。主持国家自然科学基金青年学生专项项目；在KDD、WWW、S&P、ICLR等多个国际学术会议共发表/录用10篇论文；受邀担任NeurIPS、ACL、ICML等顶会审稿人；以主要发明人身份授权/公开8项发明专利；主导研发的 DMind Benchmark 登顶 Hugging Face Trending（下载量超1.3万次）；曾率队荣获中国国际大学生创新大赛全国金奖、全国大学生信息安全竞赛国赛一等奖等十余项高水平竞赛奖项。

摘要： 随着全模态语言模型的快速演进，模型的能力正从“单点、单模态的粗粒度内容理解”向“专家级的细粒度感知”跨越。在这一进程中，如何精准捕捉并真实反馈音视频信号中的微小细节成为了核心瓶颈。此外，当我们尝试促使模型生成更丰富的细节时，往往不可避免地伴随着“幻觉”的同步激增。本次报告将系统性探讨如何打破这种细节与幻觉“共同增长”的困境，并分享我们在数据管线、模型训练和评测基准三个维度的最新探索。首先，我们将介绍 Omni-Detective，这是一种集成工具调用的创新代理式数据生成框架，能够自动化生成高细节且低幻觉的训练数据。其次，我们将展示基于上述数据训练的高性能感知模型 Omni-Captioner，它们在多项基准测试中刷新了开源模型的最高水平。最后，针对领域内缺乏专项评测的问题，我们将介绍新型评估基准 Omni-Cloze，为模型提供更稳定高效的评估方案。本研究的相关资源已开源，旨在为全模态细粒度感知领域提供从数据到评估的闭环解决方案。

个人简介：上海交通大学计算机学院永强班本科生，在陈谐教授的指导下从事多模态研究，同时担任阿里巴巴 Qwen Omni Team 算法实习生。他的研究聚焦于全模态大模型的后训练、细粒度感知及多模态智能体。作为 Qwen3.5-Omni 的核心贡献者，他深度参与研发业界领先的音视频细粒度描述生成功能。学术成果丰硕，在 ICLR、ICML、NeurIPS 等多个国际学术会议上发表多篇论文。他致力于推动多模态模型在复杂场景下的推理和感知能力与落地应用，其开发的评测基准、工具和组织的比赛在学术界和工业界均获得了较多关注。

摘要：拉姆齐理论自诞生起便与计算机科学深度交织，其结构化思想深入复杂性理论、算法设计与组合优化等领域。Erdős作为该领域的奠基人之一，提出了许多深刻的猜想。本次报告将介绍我们对其中一个拉姆齐猜想的进展。经典的拉姆齐理论断言充分大的结构中必然存在高度有序的子结构；而反拉姆齐理论则转向对立面，探寻完全混沌（即彩虹）子结构出现的条件。1988年，Burr、Erdős、Graham与Sós提出如下猜想：在一个顶点数为n、边数恰超过Turán阈值n^2/4的图中，若要求每一个长度为2k+1的奇圈都是彩虹的，则最少需要使用近似n^2/8种颜色，其中k是大于等于3的正整数。我们证明了该猜想对所有k大于等于4成立。证明的关键在于通过分析稠密图的度数序列寻找小直径的大子图，并利用贪心算法构造奇圈。进一步，我们将该结果从边数恰超过阈值的情形推广至任意边数的情形，刻画了颜色数随边数增长的完整变化规律。

个人简介：中国科学技术大学基础数学专业本科生，在马杰教授和刘世平教授的指导下从事极值组合和离散几何分析领域的研究。曾获全国大学生数学竞赛一等奖、国家奖学金，并主持国家自然科学基金青年学生项目1项。他与合作者解决了极值组合领域的若干问题，并探究了离散曲率与基本组合参数间的联系。

摘要：并行计算系统中处理器的功耗管理问题越来越得到关注。处理器功耗控制的有效性依赖于高精度、低开销的实时功耗预测技术。当处理器数目翻倍或问题规模翻倍时，如何在控制总采样开销的同时仍获得高精度的预测是值得研究的问题。若控制总采样开销不增加，即缩减单计算结点的采样时间，预测精度会显著下降；若为保持预测能力而延长预测时间跨度，则会容易导致预测准确率的下降。为此，我们提出了CML-PowF，一种基于数据聚类匹配的低开销多处理器实时功耗预测方法。首先，建立MDL-MF与MDL-MS模型，刻画预测精度、采样开销与预测时间跨度之间的三边权衡关系。在此基础上设计ALG-CEF和ALG-MSF两个算法：离线阶段对程序行为聚类并训练各类别的预测误差函数，在线阶段通过聚类匹配在规模扩展时为目标程序确定最优采样时间与预测时间跨度，从而在规模扩展时以稳定的开销维持较高的预测精度。本研究为并行计算系统的实时处理器功耗控制提供了可部署的低开销处理器功耗预测技术。

个人简介：国防科技大学计算机学院天河拔尖班二年级本科生，在陈娟教授的指导下从事高性能计算相关研究。他的研究兴趣在于国产超算系统的部件级功耗建模、功耗预测及并行程序能效优化方法等。他在高性能计算领域研究已取得了一些成果，以合作作者身份在TACO（CCF-A）上发表低开销多处理器实时功耗预测论文，以第二作者身份在FCS（CCF-B）上投稿在审（Minor）论文1篇，以合作作者身份已投稿TACO(CCF-A)论文1篇论文。同时，他已获得国家发明专利授权3项。他正在开展的研究对于提高超算系统可靠性、稳定性有着积极的作用，其参与开发的模型与优化方法正在超算系统中得以应用，获得了较多关注。

摘要：随着普适计算与智能感知技术的发展，计算系统正逐渐从“识别单次行为”迈向“理解并长期协同人类日常生活”。然而，当前大量研究仍停留在短时活动检测或静态反馈层面，缺乏对长期行为规律、动态情境以及持续行为改变过程的整体理解。本研究围绕“日常规律计算”展开，系统探讨人机交互与健康计算场景下，如何通过多设备、多模态感知与闭环干预，实现对日常行为的持续理解与主动支持。首先，我们通过对相关系统的研究，提出“日常规律计算”概念，强调从时间节律、行为情境、认知动机与行为变化等维度，对人类长期日常行为进行感知、建模与理解。其次，针对健康行为改变中“感知—反馈”割裂的问题，我们进一步提出“行为闭环”框架，构建从行为感知、上下文推理到实时干预的完整流程，推动系统从被动记录走向动态、自适应支持。最后，以进食健康场景中的 Earinter 系统为例，我们展示了一个基于骨传导耳机的闭环干预系统：系统通过耳机骨传导信号、实时行为推理与即时干预，实现对用户进食节奏的持续调节与行为塑造。本研究尝试构建一种面向长期日常生活的人本计算范式，探索未来普适计算系统如何从“感知行为”进一步发展为“持续陪伴并协同塑造健康生活方式”。

个人简介：北京邮电大学计算机学院国家拔尖人才计划101班2024级本科生，在王运涛副研究员的指导下从事人机交互感知系统与普适健康领域的研究。目前，他在人机交互与普适计算领域已取得若干阶段性成果：以共同第一作者在CHI2026（CCF-A）上发表 日常规律计算研究框架 论文，以合作作者在IMWUT2026（CCF-A）上发表 面向摄食健康行为闭环智能系统 论文以及IMWUT2027（CCF-A）投稿在审论文：基于耳机的摄食行为感知与及时干预。他致力于日常行为计算方向的研究，聚焦于利用人机交互系统感知细粒度行为模式，并探索面向真实生活场景的闭环感知与干预系统的设计与实现。