Beihang University（北京航空航天大学）

Is Fixing Schema Graphs Necessary? Full-Resolution Graph Structure Learning for Relational Deep Learning

关系预测任务是否需要固定模式图？关系深度学习中的全分辨率图结构学习

Yi Huang, Qingyun Sun, Jia Li, Xingcheng Fu, Jianxin Li

机构 * SKLCCSE, School of Computer Science and Engineering, Beihang University, Beijing, China（信息与电子学院，北京航空航天大学，北京，中国） ； Key Lab of Education Blockchain and Intelligent Technology, Ministry of Education, Guangxi Normal University, Guilin, China（教育区块链与智能技术重点实验室，教育部，广西师范大学，桂林，中国） 纠错

AI总结 本文提出了一种全分辨率且可优化的图结构学习框架FROG，用于关系深度学习，将关系结构学习建模为可学习的表角色建模问题，允许表作为节点和边在信息传递中发挥作用，并设计了基于角色的信息传递机制，以捕捉关系语义，同时通过功能依赖约束确保语义一致性，实验表明该方法在多个下游任务中优于现有方法。

Comments Accepted by the Forty-third International Conference on Machine Learning (ICML2026)

RCGDet3D: Rethinking 4D Radar-Camera Fusion-based 3D Object Detection with Enhanced Radar Feature Encoding

RCGDet3D: 重新思考基于增强雷达特征编码的4D雷达-相机融合3D目标检测

Weiyi Xiong, Bing Zhu

机构 * 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RCGDet3D，通过增强雷达特征编码而非复杂的多模态融合策略，实现了在3D目标检测中更高的准确性和实时性，为实时部署设定了新标准。

Terminal-World: Scaling Terminal-Agent Environments via Agent Skills

Terminal-World: 通过智能体技能扩展终端智能体环境

Zihao Cheng, Hongru Wang, Zeming Liu, Xinyi Wang, Xiangrong Zhu, Yuhang Guo, Wei Lin, Jeff Z. Pan, Yunhong Wang

机构 * School of Computer Science and Engineering, Beihang University, Beijing, China（北京航空航天大学计算机科学与工程学院） ； Independent Researcher（独立研究者） ； Beijing Institute of Technology（北京理工大学） ； University of Edinburgh（爱丁堡大学） 纠错

AI总结 本文提出Terminal-World，一种自动化流程，利用智能体技能作为核心合成原语，共同编码任务目标、执行时机和方法，从而生成任务指令、环境和教师轨迹。通过构建5,723个训练环境，训练出Terminal-World-8B/14B/32B模型，在六个基准测试中均优于终端智能体基线，其中Terminal-World-32B在Terminal-Bench 2.0上以仅1.2%的训练数据超越Nemotron-Terminal-32B。

Comments Work in Progress

PlexRL: Cluster-Level Orchestration of Serviceized LLM Execution for RLVR

PlexRL: 服务化大语言模型执行在RLVR中的集群级编排

Yiqi Zhang, Fangzheng Jiao, Tian Tang, Boyu Tian, Hangyu Wang, Qiaoling Chen, Guoteng Wang, Zhen Jiang, Peng Sun, Ping Zhang, Xiaohe Hu, Ziming Liu, Menghao Zhang, Yanmin Jia, Yang You, Siyuan Feng

机构 * National University of Singapore（新加坡国立大学） ； Beihang University（北航） ； Shanghai Qiji Zhifeng Co., Ltd.（上海启智风科技有限公司） ； Nanyang Technological University（南洋理工大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 本文提出PlexRL，通过集群级编排服务化大语言模型执行，解决RLVR训练中的效率问题，提升集群容量并降低GPU小时成本，同时保持算法灵活性和最小的单任务开销。

Spatial Gram Alignment for Ultra-High-Resolution Image Synthesis

基于超高清图像合成的空间图对齐

Jinjin Zhang, Xiefan Guo, Di Huang

机构 * Beihang University（北航大学） 纠错

AI总结 本文提出空间图对齐（SGA）方法，通过利用视觉基础模型的表示先验，保留LDMs的生成能力，解决超高清图像合成中生成质量与结构完整性之间的冲突，实现高质量的文本到图像合成。

Comments Technical Report

Trusted Weights, Treacherous Optimizations? Optimization-Triggered Backdoor Attacks on LLMs

可信的权重，危险的优化？针对大语言模型的优化触发后门攻击

Yifei Wang, Tianlin Li, Xiaohan Zhang, Yida Yang, Xiaoyu Zhang, Li Pan

机构 * Shanghai Jiao Tong University（上海交通大学） ； Beihang University（北京航空航天大学） ； Tongji University（同济大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出了一种利用编译优化过程植入隐蔽后门的攻击方法，通过两种互补策略在无需修改编译器或硬件的情况下，实现对大语言模型的后门攻击，并展示了其在多个开源大语言模型上的高成功率。

Comments 20 pages, 3 figures

S2Aligner: Pair-Efficient and Transferable Pre-Training for Sparse Text-Attributed Graphs

S2Aligner: 用于稀疏文本属性图的高效且可迁移的预训练方法

Yuhan Wang, Haopeng Zhang, Yibo Ding, Jiaqi Yu, Xinyu Zhao, Yuhang Liu, Ziwei Zhang, Xiao Wang, Ruijie Wang

机构 * Beihang University（北航大学） ； Tianjin University（天津大学） 纠错

AI总结 本文提出S2Aligner，一种针对稀疏文本属性图的高效且可迁移的预训练方法，通过解耦语义对齐与结构建模，增强对齐过程而不污染共享的语义空间，从而减少跨域泛化差距。

Comments 19 pages

Multi-needle Localization for Pelvic Seed Implant Brachytherapy based on Tip-handle Detection and Matching

基于尖端-柄检测与匹配的盆腔种子植入近距离放射治疗多针定位

Zhuo Xiao, Fugen Zhou, Jingjing Wang, Chongyu He, Bo Liu, Haitao Sun, Zhe Ji, Yuliang Jiang, Junjie Wang, Qiuwen Wu

机构 * Image Processing Center, Beihang University（北航图像处理中心） ； Department of Radiation Oncology, Peking University Third Hospital（北京大学第三医院放疗科） ； Department of Radiation Oncology, Duke University Medical Center（达勒姆大学医学中心放疗科） 纠错

AI总结 本文提出了一种基于尖端-柄检测与匹配的新方法，用于解决术中CT图像中多针定位的难题，通过锚点自由网络和贪心匹配与合并方法，在100名患者的数据集上实现了更高的精度和F1分数，为复杂临床场景下的针定位提供了更鲁棒和准确的解决方案。

SUGAR: A Scalable Human-Video-Driven Generalizable Humanoid Loco-Manipulation Learning Framework

SUGAR: 一种可扩展的人类-视频驱动的通用人形机器人运动-操作学习框架

Tianshu Wu, Xiangqi Kong, Yue Chen, Qize Yu, Hang Ye, Jia Li, Yizhou Wang, Hao Dong

机构 * CFCS, School of Computer Science, Peking University（计算机学院，北京大学计算机科学系） ； School of Computer Science and Engineering, Beihang University（计算机科学与工程学院，北航） 纠错

AI总结 该研究提出SUGAR框架，通过将多样化的视频转化为可部署的人形机器人运动-操作技能，无需特定任务的奖励工程或参考动作条件，在仿真和现实硬件中实现了六种代表性任务的高性能表现，展示了可扩展性和零样本现实迁移能力。

Comments Project Page: https://tianshuwu.github.io/sugar-humanoid/