University of Toronto（多伦多大学）

WireCraft: A Simulation Benchmark for Industrial DLO Manipulation

WireCraft：工业DLO操作仿真基准

Chongyu Zhu, Ramy ElMallah, Hyegang Kim, Zachary Tang, Jiachen Rao, Artem Arutyunov, Seungyeon Ha, Chi-Guhn Lee

机构 * Department of Mechanical and Industrial Engineering, University of Toronto（多伦多大学机械与工业工程系） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； CREFLE Inc.（CREFLE公司） 纠错

AI总结 针对工业中可变形线性物体（DLO）操作缺乏统一基准的问题，提出WireCraft仿真基准，支持可配置难度和资产，涵盖三种任务族，并评估强化学习、模仿学习和视觉-语言-动作策略。

Evaluating Second-Order Bias of LLMs Through Epistemic Entitlement

通过认知权利评估大语言模型的二阶偏见

Ramaravind Kommiya Mothilal, Terry Jingchen Zhang, Raiyan Ahmed, Zhijing Jin, Shion Guha, Syed Ishtiaque Ahmed

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； EuroSafeAI ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（马克斯·普朗克智能系统研究所（德国图宾根）） 纠错

AI总结 提出基于认知权利理论的逻辑推理任务，评估LLM在判断偏见内容时表现出的二阶偏见，发现模型判断存在系统性偏差且能规避安全护栏。

Comments 20 pages, 13 tables, 2 figures

Impact of Hand Impairment and Occlusions on Hand Pose Estimation Accuracy in Augmented Reality Applications

手部损伤和遮挡对增强现实应用中手部姿态估计精度的影响

Damian M. Manzone, Mathew Szymanowski, Olga Taran, Shuo Cai, Melissa Marquez-Chin, Tammy Zeng, Hardeep Singh, Cesar Marquez-Chin, José Zariffa

机构 * KITE Research Institute, Toronto Rehabilitation Institute, University Health Network（大学健康网络多伦多康复研究所KITE研究所） ； Institute of Biomedical Engineering, University of Toronto（多伦多大学生物医学工程研究所） ； Department of Health Sciences and Technology, ETH Zürich（苏黎世联邦理工学院健康科学与技术系） ； Department of Occupational Science & Occupational Therapy and the Rehabilitation Sciences Institute, University of Toronto（多伦多大学职业科学与职业治疗系及康复科学研究所） 纠错

AI总结 研究评估了HoloLens 2和多种姿态估计算法在手部损伤和物体遮挡条件下的精度，发现算法可泛化至手部损伤人群，透明物体略有优势。

SpeechDx: A Multi-Task Benchmark for Clinical Speech AI

SpeechDx: 面向临床语音AI的多任务基准

Sejal Bhalla, Larry Kieu, Aina Merchant, Eyal de Lara, Alex Mariakakis

机构 * University of Toronto（多伦多大学） 纠错

AI总结 提出SpeechDx基准，涵盖12个数据集和27个任务，通过语音产生阶段（概念化、公式化、发音）组织任务，评估12种音频编码器，发现大规模语音模型表现最佳，但尚无表示能可靠泛化。

Curiosity-Critic: Cumulative Prediction Error Improvement as a Tractable Intrinsic Reward for World Model Training

Curiosity-Critic：累积预测误差改进作为世界模型训练的可处理内在奖励

Vin Bhaskara, Haicheng Wang

机构 * Department of Computer Science, University of Toronto, Toronto, Canada（多伦多大学计算机科学系） 纠错

AI总结 提出Curiosity-Critic方法，通过可处理的每步替代项（当前预测误差与渐近误差基线的差值）作为内在奖励，利用共训练的评论家在线估计误差基线，有效分离可约与不可约预测误差，在随机网格世界实验中优于现有方法。

Comments Accepted to ICML 2026 Workshop on Epistemic Intelligence in Machine Learning (EIML@ICML 2026). Code: https://github.com/vinbhaskara/Curiosity-Critic