University of Pennsylvania（宾夕法尼亚大学）

Tether: Autonomous Functional Play with Correspondence-Driven Trajectory Warping

Tether: 基于对应驱动轨迹扭曲的自主功能性玩耍

William Liang, Sam Wang, Hung-Ju Wang, Osbert Bastani, Yecheng Jason Ma, Dinesh Jayaraman

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； Dyna Robotics（Dyna机器人技术） 纠错

AI总结 Tether通过基于对应驱动的轨迹扭曲，实现从少量演示开始的自主多任务玩耍，生成高质量数据集并提升模仿策略性能。

Comments International Conference on Learning Representations (ICLR), 2026. Project website and code: https://tether-research.github.io

DuoMo: Dual Motion Diffusion for World-Space Human Reconstruction

DuoMo：用于世界空间人体重建的双动差分

Yufu Wang, Evonne Ng, Soyong Shin, Rawal Khirodkar, Yuan Dong, Zhaoen Su, Jinhyung Park, Kris Kitani, Alexander Richard, Fabian Prada, Michael Zollhofer

机构 * Meta Reality Labs ； University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 DuoMo通过双扩散模型实现世界空间人体运动重建，有效处理噪声和不完整输入，提升重建精度。

Comments CVPR 2026. Project page: https://yufu-wang.github.io/duomo/

Hallucination, Monofacts, and Miscalibration: An Empirical Investigation

幻觉、单事实与校准偏差：一项实证研究

Miranda Muqing Miao, Michael Kearns

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Department of Computer and Information Science（计算机与信息科学系） 纠错

AI总结 本文通过实验证明，选择性加权可有效降低大型语言模型的幻觉，同时保持准确性，揭示了优化目标间的内在矛盾。

Comments Code available at https://github.com/mmiao2/Hallucination.git

Slot-BERT: Self-supervised Object Discovery in Surgical Video

Slot-BERT: 在手术视频中实现自监督的对象发现

Guiqiu Liao, Matjaz Jogan, Marcel Hussing, Kenta Nakahashi, Kazuhiro Yasufuku, Amin Madani, Eric Eaton, Daniel A. Hashimoto

机构 * Outcomes Laboratory, Department of Surgery, University of Pennsylvania, Philadelphia, PA, USA. ； Department of Computer ； Information Science, University of Pennsylvania, Philadelphia, PA, USA. ； Division of Thoracic Surgery, Toronto General Hospital, University Health Network, Toronto, Ontario, Canada. ； Surgical Artificial Intelligence Research Academy, University Health Network, Toronto, ON, Canada. 纠错

AI总结 Slot-BERT通过双向长距离模型在手术视频中实现自监督的对象发现，提升时间一致性和跨领域适应能力。

Comments Accepted to Medical Image Analysis Journal, 2026

SPARLING: Learning Latent Representations with Extremely Sparse Activations

SPARLING：通过极稀疏激活学习潜在表示

Kavi Gupta, Osbert Bastani, Armando Solar-Lezama

机构 * Department of Electrical Engineering and Computer Science（电气工程与计算机科学系） ； Massachusetts Institute of Technology（麻省理工学院） ； Department of Computer and Information Science（计算机与信息科学系） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 SPARLING通过极稀疏激活学习潜在表示，利用信息瓶颈技术实现高效中间状态建模，实验证明极端稀疏性对建模效果至关重要。

Comments 10 pages, 6 figures