Beihang University（北京航空航天大学）

NavWM: A Unified Navigation World Model for Foresight-Driven Planning

NavWM：一种用于前瞻性规划的统一导航世界模型

Yanghong Mei, Longteng Guo, Ming-Ming Yu, Guiyu Zhao, Xingjian He, Jing Liu

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Beihang University（北京航空航天大学） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

AI总结 提出NavWM统一导航世界模型，通过潜在世界令牌提取几何与语义先验，结合锚点多模态轨迹预测框架生成多样化动作空间，利用视觉前瞻评估最优路径，在多种机器人数据集上显著提升未来状态生成与零样本导航成功率。

Comments 13 pages, 5 figures, accepted to ECCV 2026

Emergent Relational Order in LLM Agent Societies: From Collective Affect to Authority Stratification

LLM智能体社会中的涌现关系秩序：从集体情感到权威分层

Zhiyuan Ji, Xinyu Chen, Ziqi Dai, Shiyun Tang, Chunyu Wei, Yueguo Chen

机构 * Renmin University of China（中国人民大学） ； Beihang University（北京航空航天大学） ； Minzu University of China（民族大学） 纠错

AI总结 基于情感控制理论、社会认同理论和涂尔干集体情感，提出CAREB-MAS多智能体框架，通过长期模拟自发再现差序格局的五种核心现象，支持将差序格局解释为社会机制的结构敏感性涌现结果。

Comments Accepted to Findings of the Association for Computational Linguistics: ACL 2026. 37 pages

ErrorLLM: Modeling SQL Errors for Text-to-SQL Refinement

ErrorLLM: 为文本到SQL精炼建模SQL错误

Zijin Hong, Hao Chen, Zheng Yuan, Qinggang Zhang, Luyao Zhuang, Qing Liao, Feiran Huang, Yangqiu Song, Xiao Huang

机构 * The Hong Kong Polytechnic University（香港理工大学） ； City University of Macau（澳门城市大学） ； Jilin University（吉林大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Beihang University（北航大学） 纠错

AI总结 提出ErrorLLM框架，通过专用错误令牌和结构特征显式建模SQL错误，结合静态检测与错误引导精炼，显著提升文本到SQL生成质量。

Comments Accepted to SIGKDD2026

Macro Graph of Experts for Billion-Scale Multi-Task Recommendation

专家宏观图：面向十亿级多任务推荐

Hongyu Yao, Zijin Hong, Hao Chen, Zhiqing Li, Qijie Shen, Zuobin Ying, Qihua Feng, Huan Gong, Feiran Huang

机构 * Jinan University（济南大学） ； The Hong Kong Polytechnic University（香港理工大学） ； City University of Macau（澳门城市大学） ； Alibaba Group（阿里巴巴集团） ； Beijing Institute of Technology（北京理工大学） ； National University of Defense Technology（国防科技大学） ； Beihang University（北航） 纠错

AI总结 提出MGOE框架，首次利用宏观图嵌入捕获任务特定宏观特征并建模专家相关性，在十亿级推荐系统中部署并超越现有方法。

Comments Accepted to SIGKDD2026

Hybrid Sequence Modeling and Reinforced Verification for Controllable Target-Conditioned Decision Making

混合序列建模与强化验证的可控目标条件决策

Yue Pei, Hongming Zhang, Chao Gao, Martin Müller, Yingying Zhang, Mengxiao Zhu, Hao Sheng, Ziliang Chen, Liang Lin, Haogang Zhu

机构 * School of Artificial Intelligence, Beihang University（北航人工智能学院） ； Department of Computing Science and Amii, University of Alberta（阿尔伯塔大学计算机科学系和Amii） ； Edmonton Research Center, Huawei Canada（华为加拿大埃德蒙顿研究中心） ； Hangzhou International Innovation Institute, Beihang University（杭州国际创新院，北航） ； School of Artificial Intelligence and Computer Science, North China University of Technology（北中国技术大学人工智能与计算机科学学院） ； Research Institute of Multiple Agents and Embodied Intelligence, Peng Cheng Laboratory（鹏城实验室多智能体与具身智能研究院） 纠错

AI总结 提出Doctor框架，结合掩码轨迹Transformer与强化验证，通过生成候选动作并选择验证值最接近目标回报的动作，提升目标条件策略在低覆盖数据下的可控性。

Benchmarking LLMs' Mathematical Reasoning with Unseen Random Variables Questions

使用未见过的随机变量问题对LLM的数学推理进行基准测试

Zijin Hong, Hao Wu, Su Dong, Junnan Dong, Yilin Xiao, Yujing Zhang, Zhu Wang, Feiran Huang, Linyi Li, Hongxia Yang, Xiao Huang

机构 * The Hong Kong Polytechnic University（香港理工大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Tencent Youtu Lab（腾讯优图实验室） ； Beihang University（北京航空航天大学） ； Simon Fraser University（西蒙弗雷泽大学） 纠错

AI总结 针对现有数学基准的可靠性问题，提出RV-Bench方法，通过生成随机变量问题评估LLM的真实推理能力，发现模型在已见和未见数据分布上的能力不平衡，且推理泛化有限但可通过测试时扩展提升。

Comments Accepted to AAAI2026

Novel clustered federated learning based on local loss

基于局部损失的新型聚类联邦学习

Endong Gu, Yongxin Chen, Hao Wen, Xingju Cai, Deren Han

机构 * LMIB, School of Mathematical Sciences, Beihang University（力学系，数学科学学院，北航） ； College of Science, China Agricultural University（中国农业大学，理学院） ； School of Mathematical Sciences, Nanjing Normal University（南京师范大学，数学科学学院） ； School of Mathematical Sciences, Beihang University（力学系，数学科学学院，北航） 纠错

AI总结 本文提出LCFL，一种用于评估联邦学习中客户端数据分布的新型聚类度量方法，解决了隐私问题，提高了非凸模型的适用性，并提供了更准确的分类结果。