MKC资讯

近日，MKC 实验室在航空智能与大模型推理方向取得阶段性成果。实验室研究工作《NOTAM-Evolve: A Knowledge-Guided Self-Evolving Optimization Framework with LLMs for NOTAM Interpretation》已被人工智能国际会议 AAAI 2026 正式接收，MKC实验室一年级硕士研究生刘茂琦为论文一作。本工作由北京邮电大学方全研究员团队与北京航空航天大学蔡开泉教授、杨杨副教授团队以及民航数据通信公司赵灿团队联合完成。

论文介绍

NOTAM-Evolve

AAAI2026

“NOTAM-Evolve: A Knowledge-Guided Self-Evolving Optimization Framework with LLMs for NOTAM Interpretation”

作者：刘茂琦，方全，吴宇浩，赵灿，杨杨，蔡开泉 论文链接： https://arxiv.org/abs/2511.07982 代码链接： https://github.com/Estrellajer/NOTAM-Evolve

研究背景 NOTAM（Notice to Airmen）是航空运行中用于发布临时性关键信息的安全通告，其文本高度压缩、术语密集、规则隐含复杂。现有自动化方法多停留在浅层解析阶段，难以生成可直接支撑运行决策的结构化信息，仍严重依赖人工解读。

图 1 NOTAM示例及其信息解析流程示意图

如图1所示，本文将 NOTAM 解析系统性地形式化为 “深度解析（Deep Parsing）”问题，指出其核心挑战在于： * 动态知识对齐：将 NOTAM 文本与实时变化的机场、跑道、灯光等航空基础设施知识进行关联； * 规则驱动推理：结合 ICAO 等领域规范，从隐含描述中推断明确的运行状态。

方法框架

图 2 NOTAM-Evolve方法框架图

图2展示了NOTAM-Evolve的完整流程：首先，通过 KG-TableRAG 知识增强检索，融合知识图谱与结构化表格，实现对航空运行环境的精准语义对齐与高效信息获取。其次，引入 自进化优化机制，该机制通过模型自身输出构造监督与偏好信号，以迭代执行 SFT（监督微调）与 DPO（直接偏好优化）的方式，在极少人工干预下实现解析能力的自主、持续提升。最后，采用 多视角推理（重写 + 投票） 策略，通过生成并综合多个候选解析视角，有效提升模型在复杂场景与边缘样本下的处理稳定性与结果鲁棒性。

实验结果

表 1 NOTAM-Evolve方法框架图

实验结果如表1所示，在多类 NOTAM 解析任务中，该系统显著优于传统规则方法与主流开源大模型；相比基础模型，实现了 30.4% 的绝对准确率提升，其整体性能已接近主流商业大模型的水平。

会议介绍

人工智能国际会议（Association for the Advancement of Artificial Intelligence，简称AAAI）是人工智能领域的高水平国际会议，也是中国计算机学会（CCF）推荐的A类会议，致力于推动人工智能基础研究与应用创新的跨学科突破与发展。

AAAI 2026将于2026年1月20日至27日在新加坡举行，本届大会共收到23,680份有效投稿，最终接收论文4,167篇，录用率为17.6%。