Learning Object Manipulation from Scratch via Contrastive Interaction
通过对比交互从零开始学习物体操作
机构 * UC San Diego（加州大学圣地亚哥分校） ； UT Austin（德克萨斯大学奥斯汀分校）
AI总结 针对对比强化学习在交互密集操作任务中表现不佳的问题，提出交互加权重采样方法，通过保留模式边界提升多模态分段非线性可达性表示，在仿真和真实机器人空气曲棍球任务中取得显著改进。
高校专区
University of Texas at Austin（得克萨斯大学奥斯汀分校）
CS-YODAS: A Mined Dataset of In-the-Wild Code-Switched Speech
CS-YODAS：一个挖掘自真实环境的代码转换语音数据集
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Sheffield（谢菲尔德大学） ； Brno University of Technology（布尔诺理工大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Kyoto University（京都大学）
AI总结 本文提出CS-YODAS数据集，通过可扩展的人机协同流程从多语言YouTube数据中挖掘真实代码转换语音，涵盖7种基质语言共313小时，并分析其分布特征与语言对切换模式。
PRInTS: Reward Modeling for Long-Horizon Information Seeking
PRInTS：面向长程信息检索的奖励建模
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出PRInTS生成式过程奖励模型，通过密集评分和轨迹摘要提升长程信息检索中工具交互与推理能力，在多个基准上超越前沿模型。
Comments ACL 2026, 19 pages, code: https://github.com/G-JWLee/PRInTS
