本报告中我们将介绍高维（渐近成比例情形）广义线性模型参数估计与推断的一个新策略。传统方法中，我们通常首先利用凸正则优化的方式（如lasso，岭回归等）得到关于回归系数的初步估计，再通过回归系数的一阶影响函数（first-order influence functions，debiased lasso为特殊情形）进行纠偏。目前统计、理论计算机以及应用数学领域中相关工作均在高斯设计矩阵下，利用理论相对复杂的诸如AMP的统计物理方法或优化中的CGMT方法，给出纠偏估计的中心渐近正态性（Centered and Asymptotic Normal/CAN）的理论保证。这里我们将会展示另外一种方法，该方法仅需要以下几个元素：Stein引理、U统计量以及传统的低维非线性方程组数值求解算法，完全不需要任何现代的凸优化算法，不需要任何复杂的统计物理方法，我们同样可以给出类似的关于回归系数相关参数的CAN理论保障。