University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）

RealBirdID: Benchmarking Bird Species Identification in the Era of MLLMs

RealBirdID：在MLLM时代鸟类物种识别的基准测试

Logan Lawrence, Mustafa Chasmai, Rangel Daroya, Wuao Liu, Seoyun Jeong, Aaron Sun, Max Hamilton, Fabien Delattre, Oindrila Saha, Subhransu Maji, Grant Van Horn

机构 * Computer Vision Lab, UMass Amherst（马萨诸塞大学阿默斯特分校计算机视觉实验室） 纠错

AI总结 研究针对野外细粒度鸟类识别难题，提出RealBirdID基准测试，要求系统在无法识别时提供明确依据。发现开源和专有模型在可回答案例上准确率低，且大模型在无法回答时难以给出正确理由。

Comments Accepted to CVPR26. 23 pages, 23 figures, 5 tables

Using LLMs for Knowledge Component-level Correctness Labeling in Open-ended Coding Problems

利用LLMs在开放性编程问题中进行知识组件级正确性标注

Zhangqi Duan, Arnav Kankaria, Dhruv Kartik, Andrew Lan

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） 纠错

AI总结 本文提出利用大语言模型直接标注开放性编程问题中知识组件的正确性，通过引入时间上下文感知的代码-知识组件映射机制，提升学习曲线拟合度和预测性能。

ExtremControl: Low-Latency Humanoid Teleoperation with Direct Extremity Control

ExtremControl：低延迟的人形机器人远程操控与直接末端控制

Ziyan Xiong, Lixing Fang, Junyun Huang, Kashu Yamazaki, Hao Zhang, Chuang Gan

机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； Carnegie Mellon University（卡内基梅隆大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） 纠错

AI总结 本文提出ExtremControl框架，通过直接操作SE(3)姿态、Cartesian空间映射和速度前馈控制，实现低延迟的人形机器人远程操控，实验表明其在模拟和现实环境中均优于传统方法。

Comments Project website: https://extremcontrol.github.io/