University of Cambridge（剑桥大学）

ERR@HRI 3.0 Challenge: Multimodal Detection of Errors and Anticipation in Human-Robot Interactions

ERR@HRI 3.0 挑战赛：人机交互中错误与预期的多模态检测

Maria Teresa Parreira, Micol Spitale, Maia Stiber, Shiye Cao, Amama Mahmood, Chien-Ming Huang, Hatice Gunes, Wendy Ju

机构 * Cornell University（康奈尔大学） ； Microsoft Research（微软研究院） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 ERR@HRI 3.0 挑战赛提供自然场景视频数据集，供研究者开发多模态机器学习模型检测人机交互错误与预期，三个团队提交的有效模型超卷积神经网络基线，为构建相关检测系统提供了数据、任务、基线及结果等参考。

SLVMBench: Skill Learning from Video Memory

SLVMBench：从视频记忆中学习技能

Yudong Yang, Guangzhi Sun, Yixuan Li, Chao Zhang

机构 * Tsinghua University（清华大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 SLVMBench是首个用于评估视频大语言模型从长视频记忆学习技能并应用于实时任务能力的基准测试，通过特定视频流和人工标注进行测试，发现现有视频LLMs在此方面有局限。

Design Choices in Splitting-Based Self-Supervised Sparse-View CT Reconstruction

基于分割的自监督稀疏视图CT重建中的设计选择

Nadja Gruber, Lukas Neumann, Ander Biguri, Gyeongha Hwang, Markus Haltmeier, Johannes Schwab

机构 * University of Innsbruck（因斯布鲁克大学） ； Institute of Basic Sciences in Engineering Science, University of Innsbruck（因斯布鲁克大学工程科学基础科学研究所） ； University of Cambridge（剑桥大学） ； Yeungnam University（岭南大学） ； University of Applied Sciences Kufstein（库夫施泰因应用科学大学） 纠错

AI总结 研究基于分割的自监督稀疏视图CT重建中关键设计选择的影响，引入统一框架分解重建为三组件，通过实验表明最优划分策略依赖噪声结构，多划分分割表现优，结果为方法设计提供指南并凸显独立性假设局限。

Comments 12 pages (main manuscript), 9 pages (supplementary material and figures)