Georgia Institute of Technology（佐治亚理工学院）

TI$^2$PS: A Topology-Informed Inverse Design Framework for Stochastic Multicellular Pattern Formation

TI²PS：面向随机多细胞模式形成的拓扑感知逆向设计框架

Kenji Komiya, Andrew Kailiang Jin, Ryo Nishikimi, Kunio Kashino

机构 * NTT, Inc.（NTT公司） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本研究提出TI²PS框架，整合贝蒂向量与逆向代理建模，以斑马鱼色素模式为验证对象，仅用10%训练数据即优于全数据训练的PointNet++，实现多细胞ABBM参数的高效准确估计。

Comments 13 pages, 5 figures

AcCoRD: Evaluating User-Agent Collaboration Under Realistic User Preference Dynamics

AcCoRD：评估现实用户偏好动态下的用户-智能体协作

Tejas Srinivasan, Shikib Mehri, Nandita Shankar Naik, Anirban Das, William M. Campbell, Jesse Thomason

机构 * University of Southern California（南加州大学） ； Contextual AI（Contextual AI公司） ； Capital One（第一资本金融公司） ； Georgia Tech University（佐治亚理工大学） 纠错

AI总结 研究针对现有用户-智能体协作基准无法捕捉偏好动态的问题，推出AcCoRD基准，评估前沿LLM处理偏好动态的能力，发现模型难应对交互中出现/演变的偏好，仅提示无法实现所需不确定性识别。

MathAdv: What Theorem Provers Know, Reason, Formalize, and Generalize

MathAdv：定理证明器所知晓、推理、形式化及泛化的内容

Jiaxin Yuan, Connor Martinez Lockhart, Xiaoyu Liu, Jiaqi Wang, Chenghao Deng, Xiayimei Han, Vlassis Mastrantonis, Dmitrii Gudin, Shaopeng Zhu, Abdirisak Mohamed, Bilal Aytekin, Jiewen Lang, Zezheng Song, Furong Huang

机构 * University of Maryland（马里兰大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Cornell University（康奈尔大学） ； All Purpose AI 纠错

AI总结 本研究推出涵盖13个数学领域的诊断基准MathAdv，结合Lean 4评估当代定理证明器，发现形式化是瓶颈、性能跨领域差异大等问题，为分组件评估模型能力提供依据。

CASPER in the Machine: Insights into Character Variety in LLM-Generated Stories

机器中的CASPER：LLM生成故事中角色多样性的洞察

Anneliese Brei, Abhisheik Sharma, Nicholas Sanaie, Lu Wang, Snigdha Chaturvedi

机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Michigan（密歇根大学） 纠错

AI总结 本文借用叙事学定义，从八个维度分析LLM与人类创作故事中角色的刻画，发现两者在角色类型和多样性上既有相似也有差异。

Comments Proceedings of ACL, 2026

Learning Fast Monomial Orders for Gröbner Basis Computations

学习快速的单项式顺序用于格雷勃纳基计算

R. Caleb Bunch, Alperen A. Ergür, Melika Golestani, Jessie Tong, Malia Walewski, Yunus E. Zeytuncu

机构 * Georgia Institute of Technology（佐治亚理工学院） ； The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校） ； San Diego State University（圣地亚哥州立大学） ； Emory University（埃默里大学） ； University of Michigan–Dearborn（密歇根大学迪尔伯恩分校） 纠错

AI总结 本文提出利用深度强化学习学习快速单项式顺序以提高格雷勃纳基计算效率，通过领域指导的奖励信号和高效估计方法，在系统生物学和计算机视觉任务中实现计算成本的显著降低。

Comments added more experiments against baselines, corrected a few typos and cosmetics

Steering Multimodal Large Language Models Decoding for Context-Aware Safety

面向上下文感知安全的多模态大语言模型解码引导

Zheyuan Liu, Zhangchen Xu, Guangyao Dou, Xiangchi Yuan, Zhaoxuan Tan, Radha Poovendran, Meng Jiang

机构 * University of Notre Dame（notre dame 大学） ； University of Washington（华盛顿大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 针对多模态大语言模型安全对齐的平衡难题，提出SafeCoDe解码框架，通过两阶段机制优化上下文敏感的弃权行为，在多基准实验中有效提升安全性能且保留模型有用性。

Comments EMNLP 2026 Main