University of Wisconsin-Madison（威斯康星大学麦迪逊分校）

Models Can Model, But Can't Bind: Structured Grounding in Text-to-Optimization

模型可以建模，但无法绑定：文本到优化中的结构化 grounding

Zhiqi Gao, Albert Ge, Alexander Berenbeim, Nathaniel D. Bastian, Frederic Sala

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； United States Military Academy（美国军事学院） 纠错

AI总结 本文研究了文本到优化任务中建模与绑定两个关键能力的分离性，发现随着实例数据增长，模型准确性下降，提出BIND方法通过结构化文件外部化数据来提升绑定性能，验证了绑定专精模型在不同优化类别中的优势。

Comments Accepted to COLM 2026. Code and data: https://github.com/SprocketLab/Text2Opt-Bench

A Machine Learning Benchmarking Framework for Lipid Nanoparticle Transfection Efficiency Prediction

用于脂质纳米颗粒转染效率预测的机器学习基准框架

Asal Mehradfar, Mohammad Shahab Sepehri, Jose Miguel Hernandez-Lobato, Glen S. Kwon, Mahdi Soltanolkotabi, Salman Avestimehr, Morteza Rasoulianboroujeni

机构 * Department of Electrical and Computer Engineering, University of Southern California（电气与计算机工程系，南加州大学） ； University of Cambridge（剑桥大学） ； School of Pharmacy, University of Wisconsin-Madison（威斯康星大学麦迪逊分校药学院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； East Tennessee State University（东田纳西州立大学） 纠错

AI总结 研究针对脂质纳米颗粒转染效率预测，提出机器学习基准框架，系统测试不同分子表示与机器学习架构，用特定数据集评估模型，显示利用显式分子子结构编码的模型准确性最高，为相关预测模型发展建立基线。

Comments Published in Communications AI & Computing (Nature Portfolio), 2026

Journal ref Commun. AI Comput. 1, 2 (2026)