报告标题：大语言模型的推理能力源于受约束的推理流形报告时间：7月17日15：00-16：00报告地点：理科大楼B211报告摘要：大模型的推理能力究竟是如何产生的？过去，我们习惯用 MMLU、GSM8K 等基准测试的准确率来衡量模型的“聪明程度”。但这种黑盒式的评估往往 conflating（混淆）了任务表现与内部推理质量，因为一个模型可能因为数据对齐好而得分高，但其内部推理过程可能脆弱且不可靠。我们最新的揭示：大模型的推理，并不是高维空间中的自由搜索，而是一种在高表达能力基础上，自发形成的低维、信息非退化的受约束动力学过程。也就是说： 真正聪明的大模型，内部并不是在“漫无目的地乱想”。它们会自

报告1：Formalising Resilient Distributed Systems in Lean 4: Local Checkpoints, Byzantine Faults, and Three Routes to Provably Safe Recovery报告时间：7月20日09：30-10：40报告地点：理科大楼B211报告摘要：What does it mean, precisely, for a distributed system to survive a crash? A folklore answer says: resume from a snapshot tak

报告标题：AI 时代下的复杂软件缺陷测试与威胁建模报告时间：7月9日14：00-15：00报告地点：理科大楼B217报告摘要：AI 技术正在重塑软件安全研究的基本范式。复杂软件系统中的安全风险不再局限于静态代码缺陷，而是在程序执行和运行环境的攻击交互中动态显现。因此，如何面向复杂系统刻画安全语义、观测系统风险并理解攻击行为，成为 AI 时代软件安全研究的关键问题。本报告将围绕 AI 辅助的软件安全研究展开，介绍报告人在缺陷理解、漏洞检测与触发、运行时攻击检测和智能体威胁推演等方面的系列工作。报告将重点讨论如何融合程序分析、自动化测试、运行时数据和大模型智能体，构建从安全语义理解、风险行为触发到

报告标题：大模型个性化前沿与展望 Large Model Personalization:Frontiers and Outlook报告时间：6月17日16：00-17：00报告地点：数学馆201报告厅报告摘要：随着大语言模型在通用智能上的突破，其在理解、生成与决策等方面展现出强大的认知能力。然而，通用大模型在应对个体化需求和场景特定任务时仍面临巨大挑战。如何让大模型"理解个人”，实现对用户、组织乃至行业的深度适配，已成为推动人工智能落地的关键问题本报告将系统梳理大模型在个性化方向的核心进展与前沿挑战，围绕个性化大模型的关键技术展开，包括:面向个性化数据的高效微调、面向长期记忆的动态建模与检索

报告标题：大模型时代的AI安全研究转向：从传统模型攻防到生成式智能安全治理报告时间：6月4日15：00-17：00报告地点：理科大楼217报告摘要：随着大语言模型与多模态大模型的快速发展，人工智能安全研究正在经历一次重要转向。在传统深度学习时代，安全研究主要围绕CNN、RNN等小模型展开，重点关注后门攻击、对抗攻击、水印保护、模型窃取等问题。这些研究大多聚焦于判别式模型在训练阶段或推理阶段面临的安全风险，以及模型本身的鲁棒性与可控性。进入大模型时代后，模型能力边界显著扩展，应用场景更加开放复杂，安全问题也随之发生深刻变化，研究重点逐步扩展到大模型的内生安全评测、越狱攻击与防御、生成内容安全治理

报告标题：Neuro-Symbolic Vulnerability Detection and Exploitation报告时间：6月1日14：00-16：00报告地点：理科大楼217报告摘要：As part of the UEFI standard, System Management Mode (SMM) was introduced on x86 processors to handle critical hardware events. With strict access control to this operating mode, SMM applications run at