AI Agent

InteLiPlan: An Interactive Lightweight LLM-Based Planner for Domestic Robot Autonomy

InteLiPlan：一种交互式轻量级基于大语言模型的规划器，用于家用机器人自主性

Kim Tien Ly, Kai Lu, Ioannis Havoutis

机构 * Middlesex University（中塞克斯大学） ； Oxford Robotics Institute, University of Oxford（牛津机器人研究所，牛津大学） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 InteLiPlan是一种基于大语言模型的轻量级交互式规划器，通过实时机载计算实现家用机器人自主性和鲁棒性的提升，成功完成95%的任务执行率。

Understanding the householder solar panel consumer: A Markovian model and its societal implications

理解户用光伏消费者：一种马尔可夫模型及其社会影响

Marta Leocata, Giulia Livieri, Silvia Morlacchi, Fausto Corvino, Franco Flandoli, Alberto Eugenio Ermenegildo Pirni

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出一种考虑有限理性和社会影响的马尔可夫模型，揭示了光伏普及中的行为因素及政策干预的重要性。

Comments 52 pages, 27 figures

Journal ref Technological Forecasting and Social Change, 225, 124555 (2026)

Multi-Agent Collaborative Filtering: Orchestrating Users and Items for Agentic Recommendations

多智能体协同过滤：为智能推荐 orchestrate 用户和物品

Yu Xia, Sungchul Kim, Tong Yu, Ryan A. Rossi, Julian McAuley

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Adobe Research（Adobe研究） 纠错

专题命中 多智能体 ：agent(title,abstract)；agentic(title,abstract)；multi-agent(title,abstract)；分类 cs.CL

AI总结 本文提出多智能体协同过滤框架，通过动态协作机制提升智能推荐效果。

Comments WWW 2026

Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework

多智能体协作入侵检测用于低空经济物联网：一种基于大语言模型的智能AI框架

Hongjuan Li, Hui Kang, Jiahui Li, Geng Sun, Ruichen Zhang, Jiacheng Wang, Dusit Niyato, Wei Ni, Abbas Jamalipour

专题命中 多智能体 ：agent(title,abstract)；agentic(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出一种基于大语言模型的多智能体协作入侵检测框架，用于提升低空经济物联网的安全性能，实验显示其在多个数据集上达到90%以上的分类准确率。

Evolution of AI in Education: Agentic Workflows

人工智能在教育中的演变：代理工作流

Firuz Kamalov, David Santandreu Calonge, Linda Smail, Dilshod Azizov, Dimple R. Thadani, Theresa Kwong, Amara Atif

专题命中 多智能体 ：agentic(title,abstract)；agent(abstract)；AI agent(abstract)；tool use(abstract)

AI总结 本研究探讨了AI代理在教育中的应用，提出多代理框架用于自动评分，并指出其在一致性上的优势及需进一步研究的可解释性问题。

Comments made the abstract more succinct, revised the methodology, added PRISMA flow chart, updated references

DecompGAIL: Learning Realistic Traffic Behaviors with Decomposed Multi-Agent Generative Adversarial Imitation Learning

DecompGAIL: 通过分解多智能体生成对抗模仿学习学习真实交通行为

Ke Guo, Haochen Liu, Xiaojun Wu, Chen Lv

机构 * Nanyang Technological University（南洋理工大学） ； Desay SV Automotive（德赛西威汽车） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；planning(abstract)；分类 cs.AI、cs.LG

AI总结 DecompGAIL通过分解多智能体生成对抗模仿学习方法，解决多智能体设置中GAIL的不稳定性问题，提升交通行为的真实性和整体性能。

Comments accepted by ICLR

Advances and Innovations in the Multi-Agent Robotic System (MARS) Challenge

多智能体机器人系统（MARS）挑战的进展与创新

Li Kang, Heng Zhou, Xiufeng Song, Rui Li, Bruno N. Y. Chen, Ziye Wang, Ximeng Meng, Stone Tao, Yiran Qin, Xiaohong Liu, Ruimao Zhang, Lei Bai, Yilun Du, Hao Su, Philip Torr, Zhenfei Yin, Ruihao Gong, Yejun Zeng, Fengjun Zhong, Shenghao Jin, Jinyang Guo, Xianglong Liu, Xiaojun Jia, Tianqi Shan, Wenqi Ren, Simeng Qin, Jialing Yang, Xiaoyu Ma, Tianxing Chen, Zixuan Li, Zijian Cai, Yan Qin, Yusen Qin, Qiangyu Chen, Kaixuan Wang, Zhaoming Han, Yao Mu, Ping Luo, Yuanqi Yao, Haoming Song, Jan-Nico Zaech, Fabien Despinoy, Danda Pani Paudel, Luc Van Gool

机构 * SJTU（上海交通大学） ； Oxford（牛津大学） ； USTC（中国科学技术大学） ； Shanghai AI Lab（上海人工智能实验室） ； CMU（卡内基梅隆大学） ； HKU（香港大学） ； Tongji（同济大学） ； UC San Diego（南加州大学） ； CUHK-SZ（香港中文大学（深圳）） ； SYSU（华南理工大学） ； Harvard（哈佛大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；planning(abstract)；分类 cs.AI

AI总结 MARS挑战通过多智能体具身规划与控制任务，推动多智能体协作AI系统的发展。

Comments MARS Challenge @ NeurIPS 2025 Workshop on Space in Vision, Language, and Embodied AI. Challenge page: https://mars-eai.github.io/MARS-Challenge-Webpage/

When Nobody Around Is Real: Exploring Public Opinions and User Experiences On the Multi-Agent AI Social Platform

当没有人真实存在时：探索多智能体AI社交平台上的公众意见与用户体验

Qiufang Yu, Mengmeng Wu, Xingyu Lan

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；AI agent(abstract)

AI总结 本文通过案例研究探讨多智能体AI社交平台中用户对AI代理的期望与问题，揭示AI主导社交环境带来的注意力过载和同质化互动等新挑战。

MMedAgent-RL: Optimizing Multi-Agent Collaboration for Multimodal Medical Reasoning

MMedAgent-RL: 优化多智能体协作以实现多模态医疗推理

Peng Xia, Jinglu Wang, Yibo Peng, Kaide Zeng, Zihan Dong, Xian Wu, Xiangru Tang, Hongtu Zhu, Yun Li, Linjun Zhang, Shujie Liu, Yan Lu, Huaxiu Yao

机构 * UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； Microsoft Research（微软研究院） ； CMU（卡内基梅隆大学） ； Rutgers University（罗格斯大学） ； Yale University（耶鲁大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 MMedAgent-RL通过强化学习优化多智能体协作，提升多模态医疗推理性能，实现23.6%的性能提升。

Comments ICLR 2026

TrustResearcher: Automating Knowledge-Grounded and Transparent Research Ideation with Multi-Agent Collaboration

TrustResearcher: 通过多智能体协作实现知识导向且透明的研究构想自动化

Jiawei Zhou, Ruicheng Zhu, Mengshi Chen, Jianwei Wang, Kai Wang

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；agentic(abstract)

AI总结 TrustResearcher通过多智能体协作实现知识导向且透明的研究构想自动化，提供可配置的智能体和证据一致的构想生成。

Comments Accepted to The Web Conference (WWW) 2026 as a demo paper. 6 pages, 2 figures

Why Keep Your Doubts to Yourself? Trading Visual Uncertainties in Multi-Agent Bandit Systems

为何保留你的怀疑？多智能体老虎机系统中的视觉不确定性交易

Jusheng Zhang, Yijia Fan, Kaitong Cai, Jing Yang, Jiawei Yao, Jian Wang, Guanlong Qu, Ziliang Chen, Keze Wang

机构 * Sun Yat-sen University（中山大学） ； University of Washington（华盛顿大学） ； Snap Inc.（Snap公司） ； Syracuse University（雪城大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.LG

AI总结 Agora通过去中心化市场交易机制提升多智能体系统在视觉任务中的协调效率与经济性。

Comments Accepted to ICLR 2026

Emergent Cooperation in Quantum Multi-Agent Reinforcement Learning Using Communication

量子多智能体强化学习中通过通信实现的协同涌现

Michael Kölle, Christian Reff, Leo Sünkel, Julian Hager, Gerhard Stenzel, Claudia Linnhoff-Popien

机构 * Munich Quantum Valley（慕尼黑量子谷） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出通过通信机制在量子多智能体强化学习中实现协同涌现，实验表明MATE等方法能有效提升协作水平。

Comments Accepted at IEEE ICC 2026

MultiVis-Agent: A Multi-Agent Framework with Logic Rules for Reliable and Comprehensive Cross-Modal Data Visualization

MultiVis-Agent：一种带有逻辑规则的多智能体框架，用于可靠且全面的跨模态数据可视化

Jinwei Lu, Yuanfeng Song, Chen Zhang, Raymond Chi-Wing Wong

机构 * The Hong Kong Polytechnic University（香港理工大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Hong Kong University of Science（香港科学大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.CL

AI总结 MultiVis-Agent通过引入逻辑规则的多智能体框架，提升多模态数据可视化的可靠性与全面性，实现高评分和高完成率。

Comments Accepted to SIGMOD 2026

neuralFOMO: Can LLMs Handle Being Second Best? Measuring Envy-Like Preferences in Multi-Agent Settings

neuralFOMO: LLMs能否处理第二好？在多智能体设置中测量类似嫉妒的偏好

Arnav Ramamoorthy, Shrey Dhorajiya, Ojas Pungalia, Rashi Upadhyay, Abhishek Mishra, Abhiram H, Tejasvi Alladi, Sujan Yenuganti, Dhruv Kumar

机构 * BITS Pilani, Pilani Campus（比斯学院，帕利尼校区） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.CL

AI总结 neuralFOMO研究了LLMs在多智能体环境中是否表现出类似嫉妒的偏好，通过点分配游戏和比较评估揭示了不同模型在竞争与合作中的不同表现。

Comments Under Review

Dynamic Role Assignment for Multi-Agent Debate

多智能体辩论中的动态角色分配

Miao Zhang, Junsik Kim, Siyuan Xiang, Jian Gao, Cheng Cao

机构 * New York University（纽约大学） ； Amazon AGI（亚马逊人工智慧） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.CL

AI总结 本文提出动态角色分配框架，通过元辩论选择适合的智能体，提升多代理辩论系统的性能。

Multi-Agent Deep Reinforcement Learning Under Constrained Communications

在受限通信下多智能体深度强化学习

Shahil Shaik, Jonathon M. Smereka, Yue Wang

机构 * US Army CCDC Ground Vehicle Systems Center（美国陆军地面车辆系统中心） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出了一种无需集中信息的分布式多智能体强化学习框架DG-MAPPO，通过多跳通信实现全局状态推断，有效提升了协作任务的鲁棒性和可扩展性。

Comments 21 pages, 8 figures, Under review at ICLR

MAViS: A Multi-Agent Framework for Long-Sequence Video Storytelling

MAViS：一个用于长序列视频叙事的多智能体框架

Qian Wang, Ziqi Huang, Ruoxi Jia, Paul Debevec, Ning Yu

机构 * Virginia Tech（弗吉尼亚理工大学） ； Nanyang Technological University（南洋理工大学） ； Eyeline Studios（Eyeline工作室） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 MAViS通过多智能体协作框架提升长序列视频生成的辅助能力、视觉质量和表达性，支持多模态输出。

Comments Video Generation Agent

Multi-Agent End-to-End Vulnerability Management for Mitigating Recurring Vulnerabilities

多智能体端到端漏洞管理用于缓解重复漏洞

Zelong Zheng, Jiayuan Zhou, Xing Hu, Yi Gao, Shengyi Pan

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.SE

AI总结 MAVM通过多智能体框架实现端到端重复漏洞管理，整合知识库、检测、确认、修复和验证，有效提升漏洞修复准确率。

LegalMALR:Multi-Agent Query Understanding and LLM-Based Reranking for Chinese Statute Retrieval

LegalMALR:多代理查询理解与基于大语言模型的重排序法用于中文法律条文检索

Yunhan Li, Mingjie Xie, Gaoli Kang, Zihan Gong, Gengshen Wu, Min Yang

机构 * Faculty of Data Science（数据科学学院） ； City University of Macau（澳门城市大学） ； Shenzhen Key Laboratory for High Performance Data Mining（深圳高性能数据挖掘重点实验室） ； Shenzhen Institutes of Advanced Technology（深圳先进技术研究所） ； Chinese Academy of Sciences（中国科学院） ； Southern University of Science and Technology（南方科技大学） ； Artificial Intelligence Research Institute（人工智能研究院） ； Shenzhen University of Advanced Technology（深圳大学先进技术学院） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.CL

AI总结 LegalMALR通过多代理查询理解和大语言模型重排序技术，提升中文法律条文检索的准确性和适用性。

Comments 31pages, 4 figures

DIML: Differentiable Inverse Mechanism Learning from Behaviors of Multi-Agent Learning Trajectories

DIML: 从多智能体学习轨迹的行为中学习可微逆机制

Zhiyu An, Wan Du

机构 * University of California, Merced（加州大学默塞德分校） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 DIML通过学习多智能体行为轨迹中的非结构化机制，实现可微逆机制学习，能够在小规模和大规模环境中有效恢复激励差异并支持反事实预测。

Many Hands Make Light Work: An LLM-based Multi-Agent System for Detecting Malicious PyPI Packages

众手成炬：基于LLM的多智能体系统用于检测恶意PyPI包

Muhammad Umar Zeshan, Motunrayo Ibiyo, Claudio Di Sipio, Phuong T. Nguyen, Davide Di Ruscio

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.SE

AI总结 本文提出LAMPS，一种基于LLM的多智能体系统，通过协作检测恶意PyPI包，实现高准确率和显著的性能提升。

Comments The paper has been peer-reviewed and accepted for publication to the Journal of Systems and Software (https://www.sciencedirect.com/journal/journal-of-systems-and-software)

Orchestrating Intelligence: Confidence-Aware Routing for Efficient Multi-Agent Collaboration across Multi-Scale Models

协调智能：基于置信度的路由机制用于高效多智能体协作跨多尺度模型

Jingbo Wang, Sendong Zhao, Jiatong Liu, Haochun Wang, Wanting Li, Bing Qin, Ting Liu

机构 * Research Center for Social Computing and Information Retrieval, Harbin Institute of Technology, China（社会科学与信息检索研究中心，哈尔滨工业大学，中国） ； the Institute of Automation of the Chinese Academy of Sciences, China（中国科学院自动化研究所，中国） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 OI-MAS通过基于置信度的路由机制，实现高效多智能体协作，提升准确率并降低计算成本。

Strategic Tradeoffs Between Humans and AI in Multi-Agent Bargaining

人类与AI在多智能体协商中的战略权衡

Crystal Qian, Kehang Zhu, John Horton, Benjamin S. Manning, Vivian Tsai, James Wexler, Nithum Thain

机构 * Google DeepMind Mountain View CA USA（谷歌DeepMind） ； Harvard University Cambridge MA USA ； MIT \& NBER Cambridge MA USA ； MIT Cambridge MA USA ； Google DeepMind ； Harvard University ； MIT \& NBER ； MIT 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 本研究通过实证分析比较了人类、前沿LLMs和定制化贝叶斯代理在动态多玩家协商游戏中的表现，揭示了LLMs在复杂多代理互动中与人类行为的差异及性能平局的局限性。

RAM-SD: Retrieval-Augmented Multi-agent framework for Sarcasm Detection

RAM-SD：基于检索的多智能体框架用于讽刺检测

Ziyang Zhou, Ziqi Liu, Yan Wang, Yiming Lin, Yangbin Chen

机构 * Xi’an Jiaotong–Liverpool University（西安交通大学利物浦大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.CL

AI总结 RAM-SD通过多智能体框架提升讽刺检测性能，实现77.74%的宏F1值，提供透明推理轨迹。

Comments 12 pages, 4 figures, 6 tables, preprint

VissimRL: A Multi-Agent Reinforcement Learning Framework for Traffic Signal Control Based on Vissim

VissimRL: 一种基于Vissim的多智能体强化学习框架用于交通信号控制

Hsiao-Chuan Chang, Sheng-You Huang, Yen-Chi Chen, I-Chen Wu

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 VissimRL是一种基于Vissim的多智能体强化学习框架，旨在通过标准化环境提升交通信号控制的效率和性能。

Multi-scale Temporal Prediction via Incremental Generation and Multi-agent Collaboration

多尺度时间预测 via 逐步生成和多智能体协作

Zhitao Zeng, Guojian Yuan, Junyuan Mao, Yuxuan Wang, Xiaoshuang Jia, Yueming Jin

机构 * National University of Singapore（新加坡国立大学） ； Alibaba Group（阿里巴巴集团） ； Renmin University of China（中国人民大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出了一种多尺度时间预测方法，通过逐步生成和多智能体协作，提升多尺度和多状态预测的准确性和一致性。

Comments 20 pages, 6 figures

Journal ref NeurIPS 2025

Neural-Inspired Multi-Agent Molecular Communication Networks for Collective Intelligence

神经启发式多智能体分子通信网络用于群体智能

Boran A. Kilic, Ozgur B. Akan

专题命中 多智能体 ：agent(title)；multi-agent(title)

AI总结 本文提出基于生物大脑皮层网络的神经启发式多智能体分子通信网络，通过去中心化架构和阈值放电机制实现群体智能，验证了系统在混沌边缘最大化信息传播与处理能力。

Comments 5 pages, 4 figures, submitted for MOLCOM 26 Workshop

Tandem Training for Language Models

语言模型的串联训练

Robert West, Ashton Anderson, Ece Kamar, Eric Horvitz

机构 * EPFL（瑞士联邦理工学院） ； University of Toronto（多伦多大学） ； Microsoft（微软公司） 纠错

专题命中 多智能体 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文提出串联训练方法，通过强化学习促进语言模型在任务中保持可解释性，使模型能适应较弱协作者并保持高准确性。

Journal ref Proceedings of the 2026 Conference of the European Chapter of the Association for Computational Linguistics (EACL)

Joint Resource Optimization, Computation Offloading and Resource Slicing for Multi-Edge Traffic-Cognitive Networks

多边缘交通认知网络中的联合资源优化、计算卸载与资源切片

Ting Xiaoyang, Minfeng Zhang, Shu gonglee, Saimin Chen Zhang

专题命中 多智能体 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文提出基于Stackelberg博弈的框架，解决多边缘交通认知网络中资源优化、计算卸载和资源切片的联合优化问题，通过集中算法和去中心化方案提升性能。

Dissipative Learning: A Framework for Viable Adaptive Systems

耗散学习：一种可行自适应系统的框架

Laurent Caraffa

专题命中 多智能体 ：agent(abstract)；multi-agent(abstract)；分类 cs.LG

AI总结 本文提出耗散学习框架，将学习视为在耗散约束下维持可行信念状态的过程，通过信息理论等方法统一了多种正则化方法，并揭示了遗忘与正则化的热力学最优机制。

Comments 68 pages, 14 figures