Tel Aviv University

并行扩散草稿器一次前向就给出整块候选，但块内各位置互不知情；一种只读草稿器已有隐状态与logits的轻量校正器在相邻候选间并行打分、再从左到右贪心重选，在四个验证模型和十个基准上取得最高平均吞吐，并发32路时仍快于未校正草稿。

并行扩散草稿器一次前向就给出整块候选，但块内各位置互不知情；一种只读草稿器已有隐状态与logits的轻量校正器在相邻候选间并行打分、再从左到右贪心重选，在四个验证模型和十个基准上取得最高平均吞吐，并发32路时仍快于未校正草稿。

Mallows模型下的选品优化此前只有依赖结构简化或限制性参数假设的近似方案，否则就要用高度复杂的准多项式时间方案。这里的关键变化是：Mallows选择概率可以被一组相互独立的效用同时复现，对所有可选集合都成立。借助这一精确等价和有限支撑归约，得到运行时间为 $O(n^{\tilde{O}(1/\epsilon^2)})$ 的近似方案，并允许任意商品价格、集中参数和众数排序。

Mallows模型下的选品优化此前只有依赖结构简化或限制性参数假设的近似方案，否则就要用高度复杂的准多项式时间方案。这里的关键变化是：Mallows选择概率可以被一组相互独立的效用同时复现，对所有可选集合都成立。借助这一精确等价和有限支撑归约，得到运行时间为 $O(n^{\tilde{O}(1/\epsilon^2)})$ 的近似方案，并允许任意商品价格、集中参数和众数排序。

作者提出Local Support Learning（LSL），把灾难性遗忘视为每个权重矩阵输入空间的几何问题，用一个基于高斯混合模型的门控函数只在该阶段训练分布的支持域上启用权重适配器，从而在无法访问先前数据的情况下，对最多70亿参数的LLM进行多阶段微调，既充分学习新任务又保留预训练与先前微调能力。

作者提出Local Support Learning（LSL），把灾难性遗忘视为每个权重矩阵输入空间的几何问题，用一个基于高斯混合模型的门控函数只在该阶段训练分布的支持域上启用权重适配器，从而在无法访问先前数据的情况下，对最多70亿参数的LLM进行多阶段微调，既充分学习新任务又保留预训练与先前微调能力。

该研究回顾性分析了1,754张带标签的公开膀胱镜图像，测试Direct、Book-based与Optimized三种提示词在GPT-5.2、GPT-5、GPT-5-Mini与GPT-5-Nano上的良恶性分类表现，发现GPT-5与GPT-5-Mini在优化提示词下准确率分别达86.7%与89.2%，GPT-5在优化提示词下高置信度分诊在62.0%图像覆盖率下达到98.1%准确率、94.6%特异度与99.1%敏感度，提示工程虽未带来统计显著的性能提升，但改善了置信度校准与分诊表现。

该研究回顾性分析了1,754张带标签的公开膀胱镜图像，测试Direct、Book-based与Optimized三种提示词在GPT-5.2、GPT-5、GPT-5-Mini与GPT-5-Nano上的良恶性分类表现，发现GPT-5与GPT-5-Mini在优化提示词下准确率分别达86.7%与89.2%，GPT-5在优化提示词下高置信度分诊在62.0%图像覆盖率下达到98.1%准确率、94.6%特异度与99.1%敏感度，提示工程虽未带来统计显著的性能提升，但改善了置信度校准与分诊表现。

该研究在一个常规运行的手术人工智能平台上，对249例连续腹腔镜胆囊切除术自动赋予Parkland分级评分，并按低危（PGS 1-2，n=78）与高危（PGS 3-5，n=171）分组比较手术结局，同时以两名外科医生对75例视频样本的独立双次复核作为真值，评估模型的F1分数、区分度（AUC 0.932与0.896）与校准度，结果显示高危组在年龄、ASA评分、胆囊炎比例、急诊手术比例、手术时长、术中事件、中转补救、住院天数及90天主要并发症与再入院方面均更高，且在病例对照匹配（n=84）后手术时长与出血相关事件仍保持显著差异。

该研究在一个常规运行的手术人工智能平台上，对249例连续腹腔镜胆囊切除术自动赋予Parkland分级评分，并按低危（PGS 1-2，n=78）与高危（PGS 3-5，n=171）分组比较手术结局，同时以两名外科医生对75例视频样本的独立双次复核作为真值，评估模型的F1分数、区分度（AUC 0.932与0.896）与校准度，结果显示高危组在年龄、ASA评分、胆囊炎比例、急诊手术比例、手术时长、术中事件、中转补救、住院天数及90天主要并发症与再入院方面均更高，且在病例对照匹配（n=84）后手术时长与出血相关事件仍保持显著差异。