University of Washington（华盛顿大学）

InstructMesh: Selective Refinement of Generative 3D Models for Fabrication

InstructMesh：面向制造场景的生成式3D模型选择性优化

Faraz Faruqi, Ahmed Katary, Demircan Tas, Theresa Hradilak, Ning Zhang, Jiaji Li, Fabian Manhardt, Martin Nisser, Vrushank Phadnis, Ruofei Du, Federico Tombari, Megan Hofmann, Stefanie Mueller

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Google（谷歌公司） ； University of Washington（华盛顿大学） ； Khoury College of Computer Sciences, Northeastern University（东北大学科里计算机科学学院） ； Google XR（谷歌XR部门） 纠错

AI总结 InstructMesh是一款交互式3D模型后生成优化工具，可通过区域选择、针对性操作及自然语言或滑块控件，帮助用户修复生成式3D模型的制造相关缺陷，新手无需专业技能即可使用，且用户偏好混合交互界面。

Conditional Diffusion Models for Energy-Efficient Driving

面向节能驾驶的条件扩散模型

Hemanth Neelgund Ramesh, André Snoeck, Chyi-Fu Hong, Shijing Sun

机构 * University of Washington（华盛顿大学） ； Amazon Science（亚马逊科学） ； University of Cambridge（剑桥大学） 纠错

AI总结 该研究提出潜在条件扩散模型，基于1.2万次商用EV行程遥测数据生成电流轨迹，其性能优于直接条件注入，为不确定性感知的大规模车队规划奠定基础。

One Form to Transfer Them All: Pretraining Multilingual Language Models Beyond Native Orthography

一种实现跨语言迁移的统一形式：超越原生正字法的多语言语言模型预训练

Muge Zhang, Aaron Jencks, Krishna Badikela, Yulia Tsvetkov, Sachin Kumar

机构 * Ohio State University（俄亥俄州立大学） ； University of Washington（华盛顿大学） 纠错

AI总结 本文通过系统对比三种输入表示，发现罗马化预训练可实现最强跨语言迁移，且优势随模型规模增大而扩大，提出多语言模型应将罗马化作为预训练核心设计选择的结论。

Comments EMNLP 2026 (Main Conference). 9 pages, 6 figures (plus appendix)

iOSPointMapper: RealTime Pedestrian and Accessibility Mapping with Mobile AI

iOSPointMapper: 基于移动AI的实时行人及可达性制图

Himanshu Naidu, Yuxiang Zhang, Sachin Mehta, Anat Caspi

机构 * University of Washington（华盛顿大学） ； Paul G. Allen School of Computer Science and Engineering（保罗·G·艾伦计算机科学与工程学院） 纠错

AI总结 iOSPointMapper通过移动AI实现实时人行道制图，结合语义分割、LiDAR和GPS数据，提供隐私保护的数据收集与多模式交通数据整合，提升行人基础设施的可达性。

Comments Presented at the Transportation Research Board (TRB) 105th Annual Meeting, 2026. Revised manuscript with expanded methodology descriptions, clarified feature localization procedure, minor corrections and formatting updates

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