该论文提出了一种名为Coral的新型零知识证明系统，专注于快速、简洁且非交互的上下文无关文法（CFG）证明。零知识证明允许一方（证明者）向另一方（验证者）证明某个陈述的真实性，而不泄露任何额外信息。现有系统在处理CFG时存在效率低或交互复杂的问题。Coral通过优化代数论证和多项式承诺方案，实现了证明的简洁性（证明大小与语句复杂度成亚线性关系）和验证效率（接近常数时间）。论文详细描述了协议设计、安全性证明，并提供了基准测试结果。实验表明，Coral在证明生成速度和验证时间上相比以往方案有显著提升，尤其是在处理复杂CFG关系时。该研究不仅推动了零知识证明理论的发展，也为实际应用如区块链隐私、凭证验证等提供了更高效的底层工具。适合密码学研究者、区块链工程师以及需要高效零知识证明的开发者阅读。

本文针对随机平滑（Randomized Smoothing, RS）认证方法计算开销过大的问题，提出了一种基于元学习的早停框架。传统RS需要为每个输入进行数万次模型评估，且必须预先固定样本量，导致实际部署困难。作者设计了一个轻量级元学习器，为每张图像预测特定的先验分布，并将其注入到序列E过程中，从而在保持严格统计保证的前提下，将样本复杂度降低20倍。此外，该框架支持“随时有效性”（anytime-validity），可根据应用风险阈值动态调整计算资源分配，这是传统认证框架无法实现的资源分诊机制。实验表明，该方法在认证性能上与标准RS相当，同时大幅提升了效率，为实时安全关键部署提供了可行路径。

本文研究了在共享全局上限的解码时（decode-time）场景下，多种KV缓存逐出策略（LRU, H2O, SnapKV, StreamingLLM, Ada-KV, QUEST, Random）的表现。作者发现，这些策略存在一个共同的漏洞：缺乏结构保护（structural protection）时，在六个纯Transformer模型上性能几乎崩溃（F1≤0.064）。通过在每次边界保留10%的缓存，在7个LongBench模型上，缓存上限C=256（仅保留13%的缓存）时恢复了69-90%的参考上限（C=2048）质量；在十个模型面板上恢复68-98%。注意力质量实验（Qwen2.5-3B, N=30）揭示了原因：位置0的sink token持有约75%的prefix质量，而其他边界token接近均匀期望的0.41倍，因此注意力评分器会保留sink token，但仍会丢弃结构上关键的token。有了保护，简化的评分隔离变体在K=32时与LRU等效（Δ=0.02），在K=8时注意力策略彼此收敛但在C=256和C=512时仍比LRU高0.011-0.021 F1。忠实实现的Ada-KV/QUEST在Mistral-7B和Phi-3.5上比简化变体额外提升约0.03-0.04 F1。在NIAH-32K长上下文场景（Qwen3-4B, C∈{512,2048}）下，保护提升效果几乎相同（比率0.99-1.00）。在64K长度时，保护有帮助但恢复有限；仅在模型本身无需逐出即可支持强64K检索时，忠实每头评分才能在6.3%保留率下匹配全缓存上限（Gemma-3-4B）。总体结论：结构保护占主导地位；一旦边界得到保护，评分差异是次要的；每头分配带来额外的适度提升。该研究揭示了当前缓存逐出策略的脆弱性，并强调了保护prompt边界的重要性，对LLM推理效率与质量平衡有重要指导意义。