AI Agent

Opinion Consensus Formation Among Networked Large Language Models

网络化大语言模型中的意见共识形成

Iris Yazici, Mert Kayaalp, Stefan Taga, Ali H. Sayed

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

AI总结 研究通过DeGroot模型分析网络化大语言模型的意见共识形成，发现共识依赖于讨论主题和内在偏见，而非初始条件，且收敛速度与图的特征值相关。

Comments Accepted at ICASSP 2026

Shortlisting: a Principled Approach

短名单：一种原则性方法

Edith Elkind, Qishen Han, Lirong Xia

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

AI总结 本文提出了一种原则性的短名单方法，旨在提高决策效率和公平性，减少认知负担并促进民主制度的信任

AI-Augmented Density-Driven Optimal Control (D2OC) for Decentralized Environmental Mapping

AI增强的密度驱动最优控制（D2OC）用于去中心化环境映射

Kooktae Lee, Julian Martinez

机构 * Department of Mechanical Engineering, New Mexico Institute of Mining and Technology（机械工程系，新墨西哥矿业与技术研究院） 纠错

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

AI总结 本文提出AI增强的密度驱动最优控制方法，用于在传感和通信受限条件下实现多智能体环境映射，通过自适应机制提升密度估计精度和鲁棒性。

Adaptive Swarm Mesh Refinement using Deep Reinforcement Learning with Local Rewards

基于深度强化学习的自适应群体网格细化

Niklas Freymuth, Philipp Dahlinger, Tobias Würth, Simon Reisch, Luise Kärger, Gerhard Neumann

专题命中 多智能体 ：agent(abstract)；分类 cs.LG

AI总结 本文提出基于深度强化学习的自适应群体网格细化方法，通过智能体协作实现高效优化，生成高适应性网格，提升复杂模拟的效率和精度。

Comments Submitted to Journal of Machine Learning Research (JMLR)

Delegation Without Living Governance

无生命治理的委托

Wolfgang Rohde

机构 * AiSuNe Foundation（AiSuNe基金会） 纠错

专题命中 多智能体 ：agentic(abstract)；分类 cs.AI

AI总结 本文探讨了在代理AI系统决策成为运行时决策的情况下，如何通过运行时治理（治理双胞胎）维持人类在社会、经济和政治结果塑造中的相关性。

Deep Reinforcement Learning for Fault-Adaptive Routing in Eisenstein-Jacobi Interconnection Topologies

深度强化学习用于Eisenstein-Jacobi互连拓扑中的故障自适应路由

Mohammad Walid Charrwi, Zaid Hussain

机构 * High Performance Computing Lab, Computer Science Department, Kuwait University（科威特大学计算机科学系高性能计算实验室） 纠错

专题命中 多智能体 ：agent(abstract)；分类 cs.AI

AI总结 本文提出基于强化学习的自适应路由方法，在故障EJ网络中实现94%的有效可达性和91%的包交付率，优于Dijkstra算法并具备高吞吐量。

Decentralized Learning with Dynamically Refined Edge Weights: A Data-Dependent Framework

动态细化边缘权重的去中心化学习：一种数据依赖型框架

Rongxing Du, Hoi-To Wai

专题命中 多智能体 ：agent(abstract)

AI总结 本文提出了一种基于数据依赖性的去中心化学习框架D3GD，通过动态细化边权重加速收敛并适应数据相似性。

Comments 4 pages(without appendix)

Free-Space Optical Communication-Driven NMPC Framework for Multi-Rotor Aerial Vehicles in Structured Inspection Scenarios

基于自由空间光通信的多旋翼无人机在结构化检查场景中的NMPC框架

Giuseppe Silano, Daniel Bonilla Licea, Hajar El Hammouti, Martin Saska

专题命中 多智能体 ：planning(abstract)

AI总结 本文提出了一种基于自由空间光通信的NMPC框架，用于多旋翼无人机在结构化场景中的通信感知运动规划，支持平面和倾斜配置，并通过仿真验证其有效性。

Comments Accepted for presentation to the 2025 IEEE International Conference on Systems, Man, and Cybernetics (SMC), Vienna, Austria

Empowering Scientific Workflows with Federated Agents

通过联邦代理赋能科学工作流

Alok Kamatar, J. Gregory Pauloski, Yadu Babuji, Ryan Chard, Mansi Sakarvadia, Daniel Babnigg, Kyle Chard, Ian Foster

专题命中 工作流自动化 ：agent(abstract)；autonomous agent(abstract)；workflow(abstract)；agentic(abstract)

AI总结 Academy通过模块化中间件实现联邦研究生态系统中自主代理的部署，支持异构资源和高吞吐量数据流，提升科学计算的性能和可扩展性。

Comments To appear at the IEEE International Parallel & Distributed Processing Symposium (IPDPS '26)

$π_\texttt{RL}$: Online RL Fine-tuning for Flow-based Vision-Language-Action Models

$π_\ exttt{RL}$: 流基于视觉-语言-动作模型的在线强化学习微调

Kang Chen, Zhihao Liu, Tonghe Zhang, Zhen Guo, Si Xu, Hao Lin, Hongzhi Zang, Xiang Li, Quanlu Zhang, Zhaofei Yu, Guoliang Fan, Tiejun Huang, Yu Wang, Chao Yu

机构 * Tsinghua University（清华大学） ； Peking University（北京大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Carnegie Mellon University（卡内基梅隆大学） ； Infinigence AI ； Zhongguancun Academy（中关村学院） 纠错

专题命中 工作流自动化 ：agent(abstract)；分类 cs.LG

AI总结 本文提出$π_\ exttt{RL}$方法，通过流噪声和流SDE技术，解决大规模流基于VLA模型中强化学习微调的挑战，提升模型在分布内和分布外任务中的性能。

AIRPET: Virtual Positron Emission Tomography

AIRPET：虚拟正电子发射计算机断层扫描

J. Renner, J. J. Gómez-Cadenas, R. Soleti

专题命中 工作流自动化 ：workflow(abstract)

AI总结 AIRPET是一种基于网络的平台，利用人工智能辅助设计和重建PET扫描仪，整合了PET设计的三大阶段，以简化医疗影像技术的开发流程。

Comments 6 pages, 3 figures

OREHAS: A fully automated deep-learning pipeline for volumetric endolymphatic hydrops quantification in MRI

OREHAS：一种用于MRI中体积性内淋巴液积聚定量的全自动深度学习流程

Caterina Fuster-Barceló, Claudia Castrillón, Laura Rodrigo-Muñoz, Victor Manuel Suárez-Vega, Nicolás Pérez-Fernández, Gorka Bastarrika, Arrate Muñoz-Barrutia

机构 * Bioengineering Department, Universidad Carlos III de Madrid（卡洛斯三世大学生物工程系） ； Radiology Department, Clínica Universidad de Navarra（纳瓦拉大学医院放射科） ； Otorhinolaryngology Department, Clínica Universidad de Navarra（纳瓦拉大学医院耳鼻喉科） 纠错

专题命中 工作流自动化 ：workflow(abstract)

AI总结 OREHAS是一种基于深度学习的全自动MRI流程，用于准确量化内淋巴液积聚，其通过高效分割和临床对齐的工作流实现了高精度和可重复性。

Unifying Perception and Action: A Hybrid-Modality Pipeline with Implicit Visual Chain-of-Thought for Robotic Action Generation

统一感知与行动：一种融合模态的管道，具有隐式视觉推理链的机器人行动生成

Xiangkai Ma, Lekai Xing, Han Zhang, Wenzhong Li, Sanglu Lu

机构 * State Key Laboratory for Novel Software Technology, Nanjing University（新型软件技术国家重点实验室，南京大学） 纠错

专题命中 工作流自动化 ：planning(abstract)

AI总结 VITA通过融合视觉和动作的共享潜在空间，实现机器人行动生成的统一感知与行动，提升了多个任务的成功率和性能。

DevOps-Gym: Benchmarking AI Agents in Software DevOps Cycle

DevOps-Gym: 在软件DevOps周期中评估AI代理的基准测试

Yuheng Tang, Kaijie Zhu, Bonan Ruan, Chuqi Zhang, Michael Yang, Hongwei Li, Suyue Guo, Tianneng Shi, Zekun Li, Christopher Kruegel, Giovanni Vigna, Dawn Song, William Yang Wang, Lun Wang, Yangruibo Ding, Zhenkai Liang, Wenbo Guo

机构 * UC Santa Barbara（加州大学圣巴巴拉分校） ； National University of Singapore（新加坡国立大学） ； UC Berkeley（加州大学伯克利分校） ； Google（谷歌） ； UC Los Angeles（加州大学洛杉矶分校） 纠错

专题命中 软件智能体 ：AI agent(title,abstract)；分类 cs.AI、cs.SE

AI总结 DevOps-Gym通过700+真实任务评估AI代理在完整DevOps周期中的能力，揭示其在问题解决和测试生成方面的局限性。

Abstain and Validate: A Dual-LLM Policy for Reducing Noise in Agentic Program Repair

回避与验证：一种双LLM策略用于减少代理程序修复中的噪声

José Cambronero, Michele Tufano, Sherry Shi, Renyao Wei, Grant Uy, Runxiang Cheng, Chin-Jung Liu, Shiying Pan, Satish Chandra, Pat Rondon

机构 * Google, USA（谷歌公司） ； Meta, USA（Meta公司） 纠错

专题命中 软件智能体 ：agentic(title,abstract)；分类 cs.AI、cs.SE

AI总结 本文提出双LLM策略，通过bug回避和补丁验证减少代理程序修复中的噪声，提升修复成功率和可靠性。

Comments Accepted to the 2026 IEEE/ACM 48th International Conference on Software Engineering: Software Engineering in Practice (ICSE-SEIP '26)

Journal ref 2026 IEEE/ACM 48th International Conference on Software Engineering (ICSE-SEIP '26)

Human-Agent versus Human Pull Requests: A Testing-Focused Characterization and Comparison

人类-智能体 vs 人类拉请：以测试为中心的特征分析与比较

Roberto Milanese, Francesco Salzano, Angelica Spina, Antonio Vitale, Remo Pareschi, Fausto Fasano, Mattia Fazzini

专题命中 软件智能体 ：agent(title,abstract)；分类 cs.SE

AI总结 本文研究了人类与智能体协作在软件测试中的影响，发现智能体协作能显著增加测试范围和新测试添加，但对测试质量无明显影响。

Unit-Based Agent for Semi-Cascaded Full-Duplex Dialogue Systems

基于单元的代理用于半级联全双工对话系统

Haoyuan Yu, Yuxuan Chen, Minjie Cai

机构 * Hunan University（湖南大学） ； Gongdao Technology（公道科技） ； Jilin University（吉林大学） 纠错

专题命中 软件智能体 ：agent(title)；分类 cs.CL

AI总结 本文提出基于单元的半级联全双工对话系统，利用多模态大语言模型和辅助模块实现高效对话处理，实验显示其在挑战赛中表现优异。

Comments ICASSP 2026 (Grant Challenge). https://github.com/yu-haoyuan/fd-badcat

Multi-task Code LLMs: Data Mix or Model Merge?

多任务代码LLM：数据混合还是模型合并？

Mingzhi Zhu, Boris Sobolev, Rahul Krishna, Raju Pavuluri, Stacy Patterson, Michele Merler

机构 * Rensselaer Polytechnic Institute（拉特格斯理工学院） ； IBM Research（IBM研究院） 纠错

专题命中 软件智能体 ：agentic(abstract)；分类 cs.AI、cs.CL

AI总结 本研究比较了数据混合与模型合并在多任务代码LLM中的效果，发现模型合并在大模型规模下表现更优，而数据混合在小规模更有效，为资源受限场景提供了高效解决方案。

The Quiet Contributions: Insights into AI-Generated Silent Pull Requests

静默贡献：对AI生成的静默拉取请求的洞察

S M Mahedy Hasan, Md Fazle Rabbi, Minhaz Zibran

专题命中 软件智能体 ：AI agent(abstract)；分类 cs.SE

AI总结 研究首次分析了AI生成的静默拉取请求对代码质量和安全的影响，揭示其接受或拒绝的潜在原因。

Comments 5 pages, 4 figures, accepted at MSR Mining Challenge 2026

Heterogeneous Computing: The Key to Powering the Future of AI Agent Inference

异构计算：AI代理推理未来的关键

Yiren Zhao, Junyi Liu

机构 * Imperial College London（伦敦帝国理工学院） ； Microsoft Research（微软研究院） 纠错

专题命中 GUI与网页智能体 ：agent(title,abstract)；AI agent(title,abstract)；agentic(abstract)；分类 cs.AI

AI总结 本文提出运算强度和容量足迹指标，揭示AI代理推理中内存瓶颈问题，并提出异构计算和硬件协同设计以提升大规模AI推理效率。

CovAgent: Overcoming the 30% Curse of Mobile Application Coverage with Agentic AI and Dynamic Instrumentation

CovAgent: 通过代理AI和动态仪器化克服移动应用覆盖的30%诅咒

Wei Minn, Biniam Fisseha Demissie, Yan Naing Tun, Jiakun Liu, Mariano Ceccato, Lwin Khin Shar, David Lo

专题命中 GUI与网页智能体 ：agentic(title,abstract)；agent(abstract)；AI agent(abstract)；分类 cs.SE

AI总结 CovAgent通过代理AI和动态仪器化技术，显著提升Android应用UI测试的覆盖效率，超越现有方法的30%覆盖限制。

Comments Under Review; We open-source CovAgent at https://osf.io/vxgwm/?view_only=3edf2abe5a12419fa6413933da851847

Dynamic Topology Awareness: Breaking the Granularity Rigidity in Vision-Language Navigation

动态拓扑感知：突破视觉语言导航中的粒度刚性

Jiankun Peng, Jianyuan Guo, Ying Xu, Yue Liu, Jiashuang Yan, Xuanwei Ye, Houhua Li, Xiaoming Wang

机构 * Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院航空航天信息研究所） ； School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences（中国科学院大学电子电气与通信工程学院） ； Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） 纠错

专题命中 GUI与网页智能体 ：agent(abstract)；planning(abstract)

AI总结 DGNav通过动态拓扑导航框架，解决视觉语言导航中的粒度刚性问题，提升导航效率与安全性。

SIA: Symbolic Interpretability for Anticipatory Deep Reinforcement Learning in Network Control

SIA：符号可解释性用于网络控制中的前瞻性深度强化学习

MohammadErfan Jabbari, Abhishek Duttagupta, Claudio Fiandrino, Leonardo Bonati, Salvatore D'Oro, Michele Polese, Marco Fiore, Tommaso Melodia

机构 * IMDEA Networks Institute（IMDEA网络研究所） ； Northeastern University（东北大学） ； Universidad Carlos III de Madrid（马德里卡洛斯三世大学） 纠错

专题命中 GUI与网页智能体 ：agent(abstract)；分类 cs.AI

AI总结 SIA通过融合符号AI与知识图谱，实现前瞻性深度强化学习的实时可解释性，提升网络控制的透明度和效率。

Comments 10 pages, 12 figures, accepted at IEEE INFOCOM 2026

SymbXRL: Symbolic Explainable Deep Reinforcement Learning for Mobile Networks

SymbXRL：符号可解释深度强化学习用于移动网络

Abhishek Duttagupta, MohammadErfan Jabbari, Claudio Fiandrino, Marco Fiore, Joerg Widmer

专题命中 GUI与网页智能体 ：agent(abstract)；分类 cs.AI

AI总结 SymbXRL通过符号AI生成可解释的DRL解释，提升网络决策的透明度和可控性。

Comments 10 pages, 9 figures, published in IEEE INFOCOM 2025

Journal ref IEEE INFOCOM 2025 - IEEE Conference on Computer Communications, London, United Kingdom, 19-22 May 2025, pp. 1-10

Industrial Internet Robot Collaboration System and Edge Computing Optimization

工业互联网机器人协作系统与边缘计算优化

Haopeng Zhao, Dajun Tao, Tian Qi, Jingyuan Xu, Zijie Zhou, Lipeng Liu

专题命中 GUI与网页智能体 ：planning(abstract)；分类 cs.AI

AI总结 本文提出一种基于边缘计算的工业机器人协作系统，通过三层神经网络和模拟退火算法优化全局路径规划，提升机器人在随机环境下的导航鲁棒性。

ShardMemo: Masked MoE Routing for Sharded Agentic LLM Memory

ShardMemo: 用于分片代理LLM内存的遮蔽MoE路由

Yang Zhao, Chengxiao Dai, Yue Xiu, Mengying Kou, Yuliang Zheng, Dusit Niyato

机构 * Department of XXX, University of YYY, Location, Country（XXX系，YYY大学，地点，国家） ； School of ZZZ, Institute of WWW, Location, Country（ZZZ学院，WWW研究所，地点，国家） 纠错

专题命中 记忆与上下文管理 ：agentic(title,abstract)；agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.CL

AI总结 ShardMemo通过遮蔽MoE路由优化分片代理LLM内存，提升F1分数并减少检索工作和延迟

Enhancing Conversational Agents via Task-Oriented Adversarial Memory Adaptation

通过任务导向的对抗性记忆适应增强对话代理

Yimin Deng, Yuqing Fu, Derong Xu, Yejing Wang, Wei Ni, Jingtong Gao, Xiaopeng Li, Chengxu Liu, Xiao Han, Guoshuai Zhao, Xiangyu Zhao, Li Zhu, Xueming Qian

机构 * Xi’an Jiaotong University（西安交通大学） ； City University of Hong Kong（香港城市大学） ； University of Science and Technology of China（中国科学技术大学） ； Zhejiang University（浙江大学） ； Zhejiang University of Technology（浙江工业大学） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；workflow(abstract)；分类 cs.CL

AI总结 本文提出对抗性记忆适应机制，通过模拟任务执行提升对话代理对长对话的处理能力。

Comments 11 pages, 4 figures

Memento 2: Learning by Stateful Reflective Memory

Memento 2: 通过状态化反思记忆进行学习

Jun Wang

机构 * UCL Centre for Artificial Intelligence（伦敦大学学院人工智能中心） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 Memento 2通过状态化反思记忆机制，实现无需参数更新的持续学习，提升代理在开放任务中的泛化能力。

Comments 35 pages, four figures

From Particles to Agents: Hallucination as a Metric for Cognitive Friction in Spatial Simulation

从粒子到代理：幻觉作为空间模拟中认知摩擦的度量

Javier Argota Sánchez-Vaquerizo, Luis Borunda Monsivais

机构 * Computational Social Science. ETH Zürich（ETH Zurich计算社会科学） ； Virginia Tech School of Architecture（弗吉尼亚理工大学建筑学院） 纠错

专题命中 记忆与上下文管理 ：agentic(abstract,comments)；分类 cs.AI

AI总结 本文提出代理环境模拟，通过认知摩擦度量揭示建筑空间的象征性模糊，挑战传统HCI范式，提出人类中心的认知编排框架。

Comments Paper selected for the workshop Human Cognition, AI, and the Future of HCI: Navigating the Disruptive and Wild Landscape of Large Language Models and Agentic AI as part of the Human-Computer Interaction (HCI) conference of the Alpine region (AlpCHI 2026) hosted at the Congressi Stefano Franscini, March 1st to March 5th, 2026 on Monte Verità in Ascona, Switzerland

SimpleMem: Efficient Lifelong Memory for LLM Agents

SimpleMem: 为LLM代理高效终身记忆

Jiaqi Liu, Yaofeng Su, Peng Xia, Siwei Han, Zeyu Zheng, Cihang Xie, Mingyu Ding, Huaxiu Yao

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of California, Santa Cruz（加州大学圣克ruz分校） 纠错

专题命中 记忆与上下文管理 ：planning(abstract)；分类 cs.AI

AI总结 SimpleMem通过语义无损压缩和三阶段流程，提升LLM代理在复杂环境中的记忆效率与检索性能。