提出研究世界模型，用语言模型预测干预增益
作者把语言模型用作研究世界模型，在执行前预测干预增益的中位数，用来在有限预算下比较候选实验。要处理的缺口是研究智能体提案快于执行。同一类改动在不同参考模型、配方和预算下效果可以不同，因此需要能离开原环境继续使用的实验知识。
比对捐赠对话史与众包提交，测量 AI 代答的集中度与获批
部署时插入前向的参数记忆被单独划界，并按位点与时机归类。
摘要作者称多数风险-对策关联停在提议，并主张把目标扩向安全的青年发展。
主张多模态安全评测应衡量可控性，并用 SAE 建立四轴画像
作者主张多模态安全评测在行为分类之外，单独报告可控性画像，而不是把检测准确当成控制证据。
把文本水印证据写成带错误率的三态可审计结论
指定配置下的文本水印被做成可审计测量：记录证据如何衰减，并把检测收成三态，而不是判定人类作者身份。
用伤害风险模型评估英国 AI 生成虚假信息的伤害潜能
提出 Geodesic Unlearning，沿测地线编辑权重以提升缺模态鲁棒性
这项工作讨论多模态模型在部署时整段缺一个模态的性能下降，并把校正写成训练后的子空间编辑。
提出 DecSteer，用共享低秩残差算子把审议收成直接决策
DecSteer 是加在冻结语言模型残差流上的 System-1 决策算子，用行为克隆代替强化学习来调用模型里已有的技能。
提出一阶转向，把可组合权重适配译成可相加激活转向
提出 Patch-to-Prune，旁路 VLM 部分层的视觉投影计算
P2P 是面向 VLM 推理的训练无关计算旁路：不删除视觉 token，而在选定 decoder 层用固定激活代理代替视觉投影。
提出 LS-AR，用潜向量经 FiLM 调节自回归解码以保持宏观目标
LS-AR 给因果解码器加一条不占窗口的连续目标通道，用来处理长程生成里宏观指令被挤出上下文或被注意力稀释的问题。
提出 HEST，用熵训练的双曲探针只在犹豫 token 引导隐状态
HEST 是不更新语言模型权重的推理时转向：模型自己的 next-token 熵既选出少数犹豫 token，也训练给出方向的双曲探针。要处理的情况是，数学解答里多数 token 已由上下文决定，分叉集中在高熵 token，而常见激活加法仍对每个 token 加同一欧氏向量。长推理模型上按关键词和步骤边界转向的做法，又很少适用于 instruction-tuned 模型。
证明随机谕示下谕示辅助计算无法零知识验证，签名谕示下则可
一般谕示辅助计算在随机谕示中做不到 witness hiding，因而也做不到零知识监督。给谕示答案加上数字签名后，抗碰撞哈希足以同时得到隐私和简洁验证。
提出容忍度公平性审计，用 CEL 认证违规并用 SEL 筛查
这篇工作给出一套按审计目标切换校准的容忍公平审计：差异不必为零，而是看预先指定的不利方向上是否超过允许阈值。
摘要立场白皮书：主张把过程表示列为使用条件，并建议十年做数据、标准与安全研究。
提出 k-ALeBi 偏差探针，主动审计黑盒模型的多组公平性
k-ALeBi 把黑盒多组公平审计写成跨组比较函数的学习，而不是先重构分类器。
研究视觉语言模型在协作中能否表示并说出指称不确定性
摘要指称不确定性可被引出，但很少说出来。
提出多草稿水印投机采样 MPFR，同时保持无偏水印与采样效率
MPFR 是一种基于泊松过程的多草稿投机采样，用来同时提高解码效率并嵌入无偏水印。
Berkane 等比较育儿与青少年 subreddit 对青少年 AI companion 使用的公开叙述，看父母作为主要调解者能看到什么、漏掉什么。