Beihang University（北京航空航天大学）

FrameSkip: Learning from Fewer but More Informative Frames in VLA Training

FrameSkip: 从更信息丰富的较少帧中学习以在VLA训练中提升性能

Bin Yu, Shijie Lian, Xiaopeng Lin, Zhaolong Shen, Yuliang Wei, Changti Wu, Hang Yuan, Haishan Liu, Bailing Wang, Cong Huang, Kai Chen

机构 * Harbin Institute of Technology（哈尔滨理工大学） ； Zhongguancun Academy（中关村学院） ； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院） ； Huazhong University of Science and Technology（华中科技大学） ； East China Normal University（华东师范大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Beihang University（北航） ； DeepCybo 纠错

AI总结 本文提出FrameSkip框架，通过选择高重要性帧来优化VLA训练，提升成功率与保留率的平衡，实现在三个基准测试中达到76.15%的成功率。

Comments GitHub: https://github.com/ZGC-EmbodyAI/FrameSkip

OpenAaaS: An Open Agent-as-a-Service Framework for Distributed Materials-Informatics Research

OpenAaaS：一种用于分布式材料信息学研究的开源代理即服务框架

Peng Kang, Bixuan Li, Xiaoya Huang, Shuo Shi, Weiqiao Zhou, Zhen Li, Yu Liu, Lei Zheng

机构 * National Key Laboratory of AI for Materials Science（人工智能材料科学国家重点实验室） ； Tianmushan Laboratory（天幕山实验室） ； Beihang University（北京航空航天大学） 纠错

AI总结 OpenAaaS提出一种开源的分层分布式代理即服务框架，通过代码流、数据不动原则实现跨领域安全集成，解决材料设计中的长期迭代和复杂机制问题。

Comments 20 pages 5 figures

Decoupled and Divergence-Conditioned Prompt for Multi-domain Dynamic Graph Foundation Models

解耦与发散条件化的提示用于多领域动态图基础模型

Haonan Yuan, Qingyun Sun, Junhua Shi, Xingcheng Fu, Jianxin Li, Philip S. Yu

机构 * School of Computer Science and Engineering, Beihang University（北航计算机科学与工程学院） ； Key Lab of Education Blockchain and Intelligent Technology, Ministry of Education, Guangxi Normal University（教育部教育区块链与智能技术重点实验室，广西师范大学） ； Department of Computer Science, University of Illinois at Chicago（伊利诺伊大学芝加哥分校计算机科学系） 纠错

AI总结 本文提出DyGFM，通过解耦和发散条件化提示策略，解决多领域动态图建模中的语义与时间不一致问题，提升跨域适应和下游任务性能。

CUBic: Coordinated Unified Bimanual Perception and Control Framework

CUBic：协调统一的双臂感知与控制框架

Xingyu Wang, Pengxiang Ding, Jingkai Xu, Donglin Wang, Zhaoxin Fan

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高级创新中心，人工智能学院，北京航空航天大学） ； Westlake University（西湖大学） ； Zhejiang University（浙江大学） ； Peking University（北京大学） 纠错

AI总结 本文提出CUBic框架，通过统一感知模型解决双臂协调问题，采用共享表示学习提升任务成功率。

Model-Agnostic Lifelong LLM Safety via Externalized Attack-Defense Co-Evolution

基于外部化攻击-防御共演的模型无关持续LLM安全

Xiaozhe Zhang, Chaozhuo Li, Hui Liu, Shaocheng Yan, Bingyu Yan, Qiwei Ye, Haoliang Li

机构 * City University of Hong Kong（香港城市大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Wuhan University（武汉大学） ； Beihang University（北京航空航天大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

AI总结 本文提出EvoSafety框架，通过外部结构实现持续安全改进，采用对抗技能库和轻量防御模型，在单一训练中实现攻击探测与防御提升，实验显示其在Guard模式下防御成功率高达99.61%。

Comments 48 pages, 7 figures

KAST-BAR: Knowledge-Anchored Semantically-Dynamic Topology Brain Autoregressive Modeling for Universal Neural Interpretation

KAST-BAR：基于知识的语义动态拓扑脑自回归建模用于通用神经解释

Haoning Wang, Wenchao Yang, Shuai Shen, Yang Li

机构 * School of Automation Science and Electrical Engineering, Beihang University, Beijing, China.（自动化科学与电气工程学院，北航，北京，中国） ； School of Biological Science and Medical Engineering, Beihang University, Beijing, China.（生物科学与医学工程学院，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） ； T Magnetic Resonance Imaging Translational Medical Center, Department of Radiology, Southwest Hospital, Army Medical University (Third Military Medical University), Chongqing, China.（7T磁共振成像转化医学中心，放射科，西南医院，军医大学（第三军医大学），重庆，中国） 纠错

AI总结 KAST-BAR通过动态对齐多层级脑拓扑的生理表示与专家级语义空间，解决EEG基础模型在复杂时空拓扑建模和模态差距问题，实现跨任务的神经解释。

Towards Long-horizon Embodied Agents with Tool-Aligned Vision-Language-Action Models

面向长周期具身智能体的工具对齐视觉-语言-动作模型

Zixing Lei, Changxing Liu, Yichen Xiong, Minhao Xiong, Yuanzhuo Ding, Zhipeng Zhang, Weixin Li, Siheng Chen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Zhongguancun Academy（中关村学院） ； Beihang University（北京航空航天大学） 纠错

AI总结 本文提出VLAs-as-Tools方法，通过高阶视觉语言模型与专用工具协作，提升长周期任务的成功率与调用忠实度。

Pyramid Forcing: Head-Aware Pyramid KV Cache Policy for High-Quality Long Video Generation

金字塔强制：面向高质量长视频生成的头部感知金字塔KV缓存策略

Jiayu Chen, Junbei Tang, Wenbiao Zhao, Maoliang Li, Jiayi Luo, Zihao Zheng, Jiawei Yang, Guojie Luo, Xiang Chen

机构 * Peking University（北京大学） ； South China University of Technology（华南理工大学） ； Xinjiang University（新疆大学） ； Beihang University（北京航空航天大学） ； Zhongguancun Academy（中关村学院） 纠错

AI总结 本文提出Pyramid Forcing，通过识别不同头部类型并分配特定缓存策略，提升长视频生成质量，实验显示在VBench-Long上Self Forcing得分提升。

Seg-Agent: Test-Time Multimodal Reasoning for Training-Free Language-Guided Segmentation

Seg-Agent: 无训练语言引导分割的测试时多模态推理

Chao Hao, Jun Xu, Ji Du, Shuo Ye, Ziyue Qiao, Xiaodong Cun, Guangcong Wang, Xubin Zheng, Zitong Yu

机构 * School of Computing and Information Technology（计算与信息科技学院） ； Great Bay University（大湾大学） ； Hangzhou International Innovation Institute（杭州国际创新研究院） ； Beihang University（北航大学） ； Department of Computing（计算系） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 Seg-Agent提出无训练的多模态推理框架，通过生成-选择-细化三阶段循环实现视觉区域分割，无需参数更新即可达到与训练方法相当的性能。

DataMaster: Data-Centric Autonomous AI Research

DataMaster: 以数据为中心的自主AI研究

Yaxin Du, Xiyuan Yang, Zhifan Zhou, Wanxu Liu, Zixing Lei, Zimeng Chen, Fenyi Liu, Haotian Wu, Yuzhu Cai, Zexi Liu, Xinyu Zhu, WenHao Wang, Linfeng Zhang, Chen Qian, Siheng Chen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Zhejiang University（浙江大学） ； Beijing University of Aeronautics and Astronautics（北京航空航天大学） 纠错

AI总结 DataMaster通过自主数据工程优化数据侧，提升下游性能，无需改变学习算法。其包含数据树、共享数据池和全局记忆三大组件，有效解决开放搜索空间和延迟验证问题。

Table-R1: Region-based Reinforcement Learning for Table Understanding

基于区域的表格理解强化学习：Table-R1

Zhenhe Wu, Jian Yang, Zhongjiang He, Changzai Pan, Jie Zhang, Jiaheng Liu, Xianjie Wu, Yu Zhao, Shuangyong Song, Yongxiang Li, Zhoujun Li, Xueling Li

机构 * Beihang University（北京航空航天大学） ； Xingchen AGI Lab（星辰AGI实验室） ； China Telecom Artificial Intelligence Technology (Beijing) Co., Ltd（中国电信人工智能技术（北京）有限公司） ； Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院（TeleAI）） 纠错

AI总结 本文提出Table-R1，通过区域证据增强和TARPO优化提升LLM的表格理解能力，在多个数据集上提升14.36个百分点，同时降低响应token消耗。