AI Agent

Judgelight: Trajectory-Level Post-Optimization for Multi-Agent Path Finding via Closed-Subwalk Collapsing

Judgelight: 多智能体路径寻找中的轨迹级后优化 via 关闭子轨迹压缩

Yimin Tang, Sven Koenig, Erdem Bıyık

机构 * University of Southern California（南加州大学） ； University of California Irvine（加州大学尔湾分校） 纠错

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

AI总结 Judgelight通过压缩智能体轨迹中的闭合子轨迹，提高多智能体路径寻找的轨迹质量，减少20%的解决方案成本。

Unsupervised Anomaly Detection in Multi-Agent Trajectory Prediction via Transformer-Based Models

基于Transformer模型的多智能体轨迹预测中的无监督异常检测

Qing Lyu, Zhe Fu, Alexandre Bayen

机构 * Electrical Engineering and Computer Sciences（电气工程与计算机科学） 纠错

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

AI总结 本文提出基于Transformer的多智能体轨迹预测无监督异常检测框架，通过预测残差和双评估方案识别安全关键场景，有效捕捉多智能体风险并提供可解释的风险类型。

Multi-source Plume Tracing via Multi-Agent Reinforcement Learning

通过多智能体强化学习进行多源烟雾追踪

Pedro Antonio Alarcon Granadeno, Theodore Chambers, Jane Cleland-Huang

机构 * University of Notre Dame, Computer Science And Engineering（诺丁汉大学计算机科学与工程系） 纠错

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

AI总结 本文提出基于多智能体强化学习的多源烟雾追踪方法，利用LSTM-ADDRQN模型在复杂环境中高效定位污染源。

Comments 13 pages, 7 figures

Journal ref Machine Learning with Applications, 22 (2025), 100737

LLM Multi-Agent Systems: Challenges and Open Problems

大语言模型多智能体系统：挑战与开放问题

Shanshan Han, Qifan Zhang, Weizhao Jin, Zhaozhuo Xu

机构 * University of California, Irvine, CA, USA（加州大学尔湾分校） ； University of Southern California, Los Angeles, CA, USA（南加州大学） ； Stevens Institute of Technology, Hoboken, NJ, USA（史蒂文斯理工学院） 纠错

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

AI总结 本文研究了多智能体系统在任务分配、推理增强和内存管理方面的挑战，并探讨其在区块链中的应用潜力。

Visual Multi-Agent System: Mitigating Hallucination Snowballing via Visual Flow

视觉多智能体系统：通过视觉流缓解幻觉雪球效应

Xinlei Yu, Chengming Xu, Guibin Zhang, Yongbo He, Zhangquan Chen, Zhucun Xue, Jiangning Zhang, Yue Liao, Xiaobin Hu, Yu-Gang Jiang, Shuicheng Yan

机构 * National University of Singapore（国立新加坡大学） ； Tencent Youtu Lab（腾讯优图实验室） ； Zhejiang University（浙江大学） ； Tsinghua University（清华大学） ； Fudan University（复旦大学） 纠错

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

AI总结 本文提出ViF方法，通过视觉流和注意力重新分配缓解多智能体系统中的视觉幻觉雪球效应，提升性能。

Emergent Cooperative Strategies for Multi-Agent Shepherding via Reinforcement Learning

通过强化学习实现多智能体牧羊的涌现协作策略

Italo Napolitano, Andrea Lama, Francesco De Lellis, Mario di Bernardo

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

AI总结 本文提出了一种基于强化学习的多智能体牧羊方法，通过双层控制架构实现自然协作，适用于大规模系统。

Equilibrium Selection for Multi-agent Reinforcement Learning: A Unified Framework

多智能体强化学习中的均衡选择：一个统一的框架

Runyu Zhang, Gioele Zardini, Asuman Ozdaglar, Jeff Shamma, Na Li

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

AI总结 本文提出了一种统一的actor-critic框架，用于在多智能体强化学习中选择具有高社会福利的均衡。

"DIVE" into Hydrogen Storage Materials Discovery with AI Agents

深入探索氢储存材料发现的AI智能体

Di Zhang, Xue Jia, Tran Ba Hung, Seong Hoon Jang, Linda Zhang, Ryuhei Sato, Yusuke Hashimoto, Toyoto Sato, Kiyoe Konno, Shin-ichi Orimo, Hao Li

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

AI总结 DIVE通过多智能体工作流提升氢储存材料数据提取效率，实现快速逆向设计。

Comments 23 pages, 5 figures. The supplementary video is available at the GitHub link provided in the manuscript

Journal ref Chemical Science 2026

Playing Markov Games Without Observing Payoffs

在不观察收益的情况下玩马尔可夫游戏

Daniel Ablin, Alon Cohen

机构 * Department of Electrical Engineering, University of Tel Aviv, Tel Aviv, Israel（电信工程系，特拉维夫大学，特拉维夫，以色列） 纠错

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

AI总结 本文提出了一种在不观察收益情况下，通过在线学习与对手竞争的马尔可夫游戏方法，扩展了对称性概念并实现了多项式时间复杂度的算法。

Active-Absorbing Phase Transitions in the Parallel Minority Game

并行少数人游戏中的主动-吸收相变

Aryan Tyagi, Soumyajyoti Biswas, Anirban Chakraborti

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

AI总结 并行少数人游戏中的主动-吸收相变研究揭示了智能体层面的最小认知特征对复杂系统临界行为的影响。

Comments 6 pages, 3 figures

OnePiece: A Large-Scale Distributed Inference System with RDMA for Complex AI-Generated Content (AIGC) Workflows

OnePiece：一种基于RDMA的大型分布式推理系统，用于复杂AI生成内容（AIGC）工作流

June Chen, Neal Xu, Gragas Huang, Bok Zhou, Stephen Liu

专题命中 多智能体 ：workflow(abstract)

AI总结 OnePiece通过RDMA优化和微服务分解，提升AIGC工作流的吞吐量和资源利用率，减少GPU资源消耗16倍。

Comments 12 pages