Beihang University（北京航空航天大学）

Focus-dLLM: Accelerating Long-Context Diffusion LLM Inference via Confidence-Guided Context Focusing

Focus-dLLM: 通过置信度引导的上下文聚焦加速长上下文扩散语言模型推理

Lingkun Long, Yushi Huang, Shihao Bai, Ruihao Gong, Jun Zhang, Ao Zhou, Jianlei Yang

机构 * Beihang University（北航） ； Hong Kong University of Science and Technology（香港理工大学） ； SenseTime Research（商汤科技研究院） 纠错

AI总结 Focus-dLLM通过置信度引导的上下文聚焦技术，实现了长上下文扩散语言模型推理的高效加速。

Think Dense, Not Long: Dynamic Decoupled Conditional Advantage for Efficient Reasoning

思考密集，而非冗长：动态解耦条件优势用于高效推理

Keqin Peng, Yuanxin Ouyang, Xuebo Liu, Zhiliang Tian, Ruijian Han, Yancheng Yuan, Liang Ding

机构 * Beihang University（北航） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； National University of Defense Technology（国防科技大学） ； Hong Kong Polytechnic University（香港理工大学） ； Alibaba Group（阿里巴巴集团） 纠错

AI总结 DDCA通过动态解耦条件优势提升强化学习的效率-准确性平衡，减少生成token数量并保持准确性。

Beyond Open Vocabulary: Multimodal Prompting for Object Detection in Remote Sensing Images

超越开放词汇：面向遥感图像的目标检测多模态提示

Shuai Yang, Ziyue Huang, Jiaxin Chen, Qingjie Liu, Yunhong Wang

机构 * School of Computer Science and Engineering, Beihang University, Beijing, China（计算机科学与工程学院，北京航空航天大学，中国） 纠错

AI总结 RS-MPOD提出了一种多模态开放词汇检测框架，通过整合视觉和文本提示提升遥感图像中目标检测的稳定性与准确性。

Token Pruning for In-Context Generation in Diffusion Transformers

令牌剪枝用于扩散变换器中的上下文生成

Junqing Lin, Xingyu Zheng, Pei Cheng, Bin Fu, Jingwei Sun, Guangzhong Sun

机构 * University of Science and Technology of China, Anhui, China（中国科学技术大学） ； Beihang University, Beijing, China（北京航空航天大学） ； Tencent PCG, China（腾讯PCG） 纠错

AI总结 ToPi通过无训练的令牌剪枝框架提升扩散变换器的上下文生成效率，实现30%以上的推理加速同时保持生成质量。

Comments 20 pages

UV-M3TL: A Unified and Versatile Multimodal Multi-Task Learning Framework for Assistive Driving Perception

UV-M3TL: 一种统一且多功能的多模态多任务学习框架用于辅助驾驶感知

Wenzhuo Liu, Qiannan Guo, Zhen Wang, Wenshuo Wang, Lei Yang, Yicheng Qiao, Lening Wang, Zhiwei Li, Chen Lv, Shanghang Zhang, Junqiang Xi, Huaping Liu

机构 * Energy and Transportation Domain, Beijing Institute of Technology（能源与交通领域，北京理工大学） ； State Key Laboratory of Intelligent Technology and Systems and Department of Computer Science and Technology, Tsinghua University（智能技术与系统国家重点实验室和清华大学计算机科学与技术系） ； School of Mechanical and Aerospace Engineering, Nanyang Technological University（机械与航空航天工程学院，南洋理工大学） ； School of Transportation Science and Engineering and the State Key Lab of Intelligent Transportation System, Beihang University（交通运输科学与工程学院和智能交通系统国家重点实验室，北京航空航天大学） ； Beijing University of Chemical Technology（北京化工大学） 纠错

AI总结 UV-M3TL通过双分支结构和自适应损失机制，实现多模态多任务学习，提升辅助驾驶感知的性能与多样性。

Environment-Conditioned Tail Reweighting for Total Variation Invariant Risk Minimization

环境条件下的尾部重加权用于总变分不变风险最小化

Yuanchao Wang, Zhao-Rong Lai, Tianqi Zhong, Fengnan Li

机构 * Duke University, NC, USA（杜克大学） ； Jinan University, Guangzhou, China（广州大学） ； Beihang University, Beijing, China（北航大学） 纠错

AI总结 本文提出ECTR框架，通过环境条件尾部重加权增强总变分不变学习，解决跨环境相关性偏移和样本异质性问题，提升混合分布偏移下的OOD性能。

Comments 8 pages

Probe and Skip: Self-Predictive Token Skipping for Efficient Long-Context LLM Inference

探测与跳过：用于高效长上下文LLM推理的自预测token跳过

Zimeng Wu, Donghao Wang, Chaozhe Jin, Jiaxin Chen, Yunhong Wang

机构 * School of Computer Science and Engineering, Beihang University, Beijing, China（计算机科学与工程学院，北航，北京，中国） ； State Key Laboratory of Virtual Reality Technology and Systems, Beihang University, Beijing, China（虚拟现实技术与系统国家重点实验室，北航，北京，中国） 纠错

AI总结 本文提出自预测token跳过框架，通过两种选择性跳过策略和多阶段延迟剪枝策略，提升长上下文LLM推理效率，实现显著加速与高精度

ASIL: Augmented Structural Information Learning for Deep Graph Clustering in Hyperbolic Space

ASIL: 增强结构信息学习用于超球面深度图聚类

Li Sun, Zhenhao Huang, Yujie Wang, Hongbo Lv, Chunyang Liu, Hao Peng, Philip S. Yu

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； North China Electric Power University（华北电力大学） ； DiDi Chuxing（滴滴出行） ； Beihang University（北航） ； University of Illinois at Chicago（伊利诺伊大学香槟分校） 纠错

AI总结 ASIL通过增强结构信息学习，在超球面中实现高效的图聚类，有效解决不平衡问题，提升聚类性能。

Comments Accepted by IEEE TPAMI, 36 pages

CFT-RAG: An Entity Tree Based Retrieval Augmented Generation Algorithm With Cuckoo Filter

CFT-RAG：基于实体树的检索增强生成算法与 cuckoo 过滤器

Zihang Li, Yangdong Ruan, Wenjun Liu, Zhengyang Wang, Tong Yang

机构 * Peking University（北京大学） ； Beihang University（北航） 纠错

AI总结 CFT-RAG通过改进的 cuckoo 过滤器优化树状RAG的实体定位，显著提升检索效率和生成质量。

MOMA: Masked Orthogonal Matrix Alignment for Zero-Additional-Parameter Model Merging

MOMA: 面向零额外参数模型融合的掩码正交矩阵对齐

Fanshuang Kong, Richong Zhang, Zhijie Nie, Hang Zhou, Ziqiao Wang, Qiang Sun, Chunming Hu

机构 * Beihang University, Beijing, China（北航大学） ； Tongji University, Shanghai, China（同济大学） ； University of Toronto, Toronto, Canada（多伦多大学） 纠错

AI总结 MOMA通过正交矩阵对齐技术，在无需额外参数的情况下实现模型融合性能提升。

A-MapReduce: Executing Wide Search via Agentic MapReduce

A-MapReduce：通过代理MapReduce执行广泛搜索

Mingju Chen, Guibin Zhang, Heng Chang, Yuchen Guo, Shiji Zhou

机构 * Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing, School of Artificial Intelligence, Beihang University（北京未来区块链与隐私计算创新中心，人工智能学院，北京航空航天大学） ； National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） ； BNRist, Tsinghua University（BNRist，清华大学） 纠错

AI总结 A-MapReduce通过引入MapReduce范式，提出一种多代理框架，将广泛搜索转化为水平结构的检索问题，实现高效且低成本的广泛搜索执行。

Comments 33 pages

Meanshift Shape Formation Control Using Discrete Mass Distribution

基于离散质量分布的均值移形形状形成控制

Yichen Cai, Yuan Gao, Pengpeng Li, Wei Wang, Guibin Sun, Jinhu Lü

机构 * School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院） ； School of Automation Science and Electrical Engineering, Beihang University（北京航空航天大学自动化科学与电气工程学院） 纠错

AI总结 本文提出了一种基于离散质量分布的去中心化控制策略，用于实现复杂形状形成和适应群体大小变化。

EAQuant: Enhancing Post-Training Quantization for MoE Models via Expert-Aware Optimization

EAQuant: 通过专家意识优化提升MoE模型的后训练量化

Zhongqian Fu, Tianyi Zhao, Ning Ding, Xianzhi Yu, Xiaosong Li, Yehui Tang, Yunhe Wang

机构 * Huawei Noah's Ark Lab（华为诺亚实验室） ； Beihang University（北航大学） 纠错

AI总结 EAQuant通过专家意识优化创新，提升MoE模型在超低比特下的高精度量化性能，显著优于现有方法。

UniSymNet: A Unified Symbolic Network Guided by Transformer

UniSymNet: 一种由Transformer引导的统一符号网络

Xinxin Li, Juan Zhang, Da Li, Xingyu Liu, Jin Xu, Junping Yin

机构 * School of Mathematical Sciences, East China Normal University（东华大学数学科学学院） ； Institute of Artificial Intelligence, Beihang University（北航人工智能研究院） ； Shanghai Zhangjiang Institute of Mathematics（上海张江数学研究所） ； Institute of Applied Physics and Computational Mathematics（应用物理与计算数学研究所） ； Academy for Advanced Interdisciplinary Studies, Northeast Normal University（东北师范大学先进跨学科研究学院） 纠错

AI总结 UniSymNet通过引入Transformer引导的结构选择和目标特定优化策略，实现了统一符号网络在低维和高维符号回归任务中的高效性能。

Journal ref Neural Networks 199C (2026) 108615