AI Agent

Cognitively Diverse Multiple-Choice Question Generation: A Hybrid Multi-Agent Framework with Large Language Models

具有大语言模型的混合多智能体框架的认知多样性多项选择题生成

Yu Tian, Linh Huynh, Katerina Christhilf, Shubham Chakraborty, Micah Watanabe, Tracy Arner, Danielle McNamara

机构 * Arizona State University（亚利桑那州立大学） 纠错

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

AI总结 ReQUESTA通过混合多智能体框架生成认知多样化的多项选择题，提升生成的题目难度、区分度和语义一致性。

Comments This manuscript is under review at Electronics

IMAGINE: Intelligent Multi-Agent Godot-based Indoor Networked Exploration

IMAGINE: 基于 Godot 的智能多智能体室内网络探索

Tiago Leite, Maria Conceição, António Grilo

机构 * Institute for Systems and Robotics（系统研究所） 纠错

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

AI总结 本文提出基于Godot的多智能体强化学习方法，用于解决室内未知环境中的自主协作探索问题，通过高保真模拟和课程学习提升训练效率与鲁棒性。

Comments 12 pages, submitted to a journal

Game-Theoretic and Algorithmic Analyses of Multi-Agent Routing under Crossing Costs

在交叉成本下的多智能体路由的博弈论与算法分析

Tesshu Hanaka, Nikolaos Melissinos, Hirotaka Ono

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

AI总结 本文提出了一种基于交叉成本的多智能体路由模型，结合博弈论与算法分析，解决了去中心化协调中的拥堵和延迟问题。

Comments Accepted as extended abstract at AAMAS 2026

ME-IGM: Individual-Global-Max in Maximum Entropy Multi-Agent Reinforcement Learning

ME-IGM：最大熵多智能体强化学习中的个体-全局-最大

Wen-Tse Chen, Yuxuan Li, Shiyu Huang, Jiayu Chen, Jeff Schneider

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Zhejiang University（浙江大学） ； XPeng Inc.（XPeng公司） ； The University of Hong Kong（香港大学） ； INFIFORCE Intelligent Tech. Co., Ltd.（INFIFORCE智能科技有限公司） 纠错

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

AI总结 ME-IGM是一种结合最大熵探索与IGM条件的新型多智能体强化学习算法，通过解决局部策略与联合策略不一致问题，提升探索效率和性能。

Comments Published in the Proceedings of the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026)

Journal ref Proc. of the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026), Paphos, Cyprus, May 25 - 29, 2026, IFAAMAS, 19 pages

Understanding Agent Scaling in LLM-Based Multi-Agent Systems via Diversity

通过多样性理解基于大语言模型的多智能体系统中的智能体扩展

Yingxuan Yang, Chengrui Qu, Muning Wen, Laixi Shi, Ying Wen, Weinan Zhang, Adam Wierman, Shangding Gu

机构 * Shanghai Jiao Tong University（上海交通大学） ； California Institute of Technology（加州理工学院） ； Johns Hopkins University（约翰霍普金斯大学） 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 本文通过引入K*指标，揭示了基于大语言模型的多智能体系统中，异质性智能体配置比同质配置更有效，且性能受任务不确定性限制。

MAS-ProVe: Understanding the Process Verification of Multi-Agent Systems

MAS-ProVe: 理解多智能体系统的进程验证

Vishal Venkataramani, Haizhou Shi, Zixuan Ke, Austin Xu, Xiaoxiao He, Yingbo Zhou, Semih Yavuz, Hao Wang, Shafiq Joty

机构 * Rutgers University（罗杰斯大学） ； Salesforce AI Research（Salesforce人工智能研究） 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 MAS-ProVe研究多智能体系统进程验证的有效性，发现LLM作为法官表现优于奖励方法，但验证过程仍面临上下文长度与性能的权衡问题。

Comments Preprint; work in progress

WideSeek: Advancing Wide Research via Multi-Agent Scaling

WideSeek: 通过多智能体扩展推进宽研究

Ziyang Huang, Haolin Ren, Xiaowei Yuan, Jiawei Wang, Zhongtao Jiang, Kun Xu, Shizhu He, Jun Zhao, Kang Liu

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； University of Science and Technology of China（中国科学技术大学） 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 WideSeek通过多智能体扩展和统一训练框架，提升宽研究的效率与效果。

ContextEvolve: Multi-Agent Context Compression for Systems Code Optimization

ContextEvolve: 多智能体上下文压缩用于系统代码优化

Hongyuan Su, Yu Zheng, Yong Li

机构 * Tsinghua University, Beijing, China（清华大学） ； Zhongguancun Academy, Beijing, China（中关村学院） ； Massachusetts Institute of Technology, Cambridge MA, USA（麻省理工学院） 纠错

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

AI总结 ContextEvolve通过多智能体框架实现系统代码优化，利用上下文压缩提升搜索效率，实验表明其在ADRS基准测试中性能提升显著。

Experience-Driven Multi-Agent Systems Are Training-free Context-aware Earth Observers

基于经验的多智能体系统是无需训练的上下文感知地球观测者

Pengyu Dai, Weihao Xuan, Junjue Wang, Hongruixuan Chen, Jian Song, Yafei Ou, Naoto Yokoya

机构 * The University of Tokyo（东京大学） ； RIKEN AIP（日本理化学研究所AIP） ； Hokkaido University（北海道大学） 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 GeoEvolver通过结构化交互使LLM代理无需训练即可获得地球观测专业知识，提升复杂任务的成功率。

Comments 21 pages, 6 figures

Rank-and-Reason: Multi-Agent Collaboration Accelerates Zero-Shot Protein Mutation Prediction

Rank-and-Reason: 多智能体协作加速零样本蛋白质突变预测

Yang Tan, Yuanxi Yu, Can Wu, Bozitao Zhong, Mingchen Li, Guisheng Fan, Jiankang Zhu, Yafeng Liang, Nanqing Dong, Liang Hong

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； Southern University of Science（南方大学（科学）） ； East China University of Science and Technology（东中国科学与技术大学） 纠错

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

AI总结 Rank-and-Reason通过多智能体协作提升零样本蛋白质突变预测的准确性与效率，显著提高湿实验验证的成功率。

Comments 22 pages, 5 figures, 15 tables

Evolving Interpretable Constitutions for Multi-Agent Coordination

为多智能体协调演化可解释的宪法

Ujwal Kumar, Alice Saito, Hershraj Niranjani, Rayan Yessou, Phan Xuan Tan

机构 * College of Engineering Shibaura Institute of Technology（Shibaura Institute of Technology 工程学院） ； Faculty of Arts and Sciences The University of Tokyo（东京大学 文理学部） ； Department of EECS University of California, Berkeley（加州大学伯克利分校 电子工程与计算机科学系） ； Department of Informatics Università degli Studi di Milano-Bicocca（米兰-比科卡大学 信息学系） 纠错

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

AI总结 本文提出通过进化算法自动发现多智能体协调的可解释宪法，通过实验展示进化宪法在提升社会稳定性方面的有效性。

Comments 23 pages, 4 figures

One Model, All Roles: Multi-Turn, Multi-Agent Self-Play Reinforcement Learning for Conversational Social Intelligence

一个模型，所有角色：多轮、多智能体自我对战强化学习用于对话社交智能

Bowen Jiang, Taiwei Shi, Ryo Kamoi, Yuan Yuan, Camillo J. Taylor, Longqi Yang, Pei Zhou, Sihao Chen

机构 * Microsoft Corporation（微软公司） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学） ； Penn State University（宾夕法尼亚州立大学） 纠错

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

AI总结 OMAR通过多轮多智能体自我对战强化学习，使AI在无监督情况下发展出共情、说服等社交智能。

Visual Reasoning over Time Series via Multi-Agent System

通过多智能体系统进行时间序列的视觉推理

Weilin Ruan, Yuxuan Liang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

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

AI总结 MAS4TS通过多智能体系统实现时间序列的视觉推理，利用分析-推理-执行范式，结合视觉语言模型和工具链，提升时间序列任务的性能和泛化能力。

Co2PO: Coordinated Constrained Policy Optimization for Multi-Agent RL

Co2PO：多智能体强化学习中的协调约束策略优化

Shrenik Patel, Christine Truong

机构 * Rutgers University, New Brunswick, NJ（罗杰斯大学，新不伦瑞克，新泽西） ； Carnegie Mellon University, Pittsburgh, PA（卡内基梅隆大学，匹兹堡，宾夕法尼亚） 纠错

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

AI总结 Co2PO通过引入共享黑板架构和风险预测机制，实现多智能体强化学习中的协调安全优化，提升探索效率并减少保守性。

Human-Centric Traffic Signal Control for Equity: A Multi-Agent Action Branching Deep Reinforcement Learning Approach

以人为中心的交通信号控制以实现公平性：一种多智能体动作分支深度强化学习方法

Xiaocai Zhang, Neema Nassir, Lok Sang Chan, Milad Haghani

机构 * Department of Infrastructure Engineering, Faculty of Engineering and Information Technology, The University of Melbourne, VIC 3010, Australia（工程与信息技术学院基础设施工程系，墨尔本大学） 纠错

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

AI总结 本文提出了一种以人为中心的多智能体动作分支深度强化学习方法，通过分解交通走廊控制并优化旅行者公平性，有效减少受延迟旅行者数量，提升交通信号系统的公平性和可扩展性。

MAPGD: Multi-Agent Prompt Gradient Descent for Collaborative Prompt Optimization

MAPGD：多智能体提示梯度下降用于协作提示优化

Yichen Han, Yuhang Han, Siteng Huang, Guanyu Liu, Zhengpeng Zhou, Bojun Liu, Yujia Zhang, Isaac N Shi, Lewei He, Tianyu Shi

机构 * South China Normal University（华南师范大学） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； University of Macau（澳门大学） ； University of Sydney（悉尼大学） ； Silicon Sapiens LLC ； University of Alberta（阿尔伯塔大学） ； University of Toronto（多伦多大学） 纠错

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

AI总结 MAPGD通过多智能体协作机制提升提示优化的鲁棒性和效率，结合梯度融合与动态加权实现高效且可解释的优化方案。

PAMAS: Self-Adaptive Multi-Agent System with Perspective Aggregation for Misinformation Detection

PAMAS：基于视角聚合的自适应多智能体系统用于虚假信息检测

Zongwei Wang, Min Gao, Junliang Yu, Tong Chen, Chenghua Lin

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

AI总结 PAMAS通过自适应多智能体系统和视角聚合技术，有效解决虚假信息检测中的信息淹没问题，提升检测准确性和效率。

Comments 12 pages

MUSE: A Multi-agent Framework for Unconstrained Story Envisioning via Closed-Loop Cognitive Orchestration

MUSE：一种通过闭环认知协调的多智能体框架用于无约束故事构思

Wenzhang Sun, Zhenyu Wang, Zhangchi Hu, Chunfeng Wang, Hao Li, Wei Chen

机构 * Li Auto（利奥自动化） 纠错

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

AI总结 MUSE通过闭环认知协调的多智能体框架，提升长篇叙事的连贯性与多模态一致性。

DualMind: Towards Understanding Cognitive-Affective Cascades in Public Opinion Dissemination via Multi-Agent Simulation

DualMind: 通过多智能体模拟理解公共意见传播中的认知-情感 cascades

Enhao Huang, Tongtong Pan, Shuhuai Zhang, Qishu Jin, Liheng Zheng, Kaichun Hu, Yiming Li, Zhan Qin, Kui Ren

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

AI总结 DualMind通过多智能体模拟，建模公共意见传播中认知与情感的相互作用，提升危机管理的预测能力。

Comments Accepted as a demo paper at TheWebConf (WWW) 2026

LLMs as Orchestrators: Constraint-Compliant Multi-Agent Optimization for Recommendation Systems

LLMs作为协调者：用于推荐系统的约束合规多智能体优化

Guilin Zhang, Kai Zhao, Jeffrey Friedman, Xu Chu

机构 * Workday 纠错

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

AI总结 本文提出DualAgent-Rec框架，利用LLM协调多智能体优化，实现推荐系统中100%的约束满足和提升帕累托超体积。

Comments 8 pages, 5 figures

Spatiotemporal Decision Transformer for Traffic Coordination

时空决策变压器用于交通协调

Haoran Su, Yandong Sun, Hanxiao Deng

机构 * New York University（纽约大学） ； UC Berkeley（伯克利大学） 纠错

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

AI总结 MADT通过引入图注意力机制、时间变压器编码器和返回到去的条件，实现了多智能体交通信号控制的序列建模，有效提升了交通协调性能。

Multi-Level Testing of Conversational AI Systems

对话AI系统的多级测试

Elena Masserini

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

AI总结 本研究提出了一种多级测试方法，用于验证对话AI系统在不同粒度级别上的组成部分，包括语言与AI组件的集成、单个对话代理以及多代理实现。

Comments 3 pages, 1 figure, Accepted at IEEE/ACM International Conference on Software Engineering (ICSE) - Doctoral Symposium Track, 2026

Unified Inference Framework for Single and Multi-Player Performative Prediction: Method and Asymptotic Optimality

统一的单玩家和多玩家表演预测推断框架：方法与渐近最优性

Zhixian Zhang, Xiaotian Hou, Linjun Zhang

机构 * Rutgers University（罗杰斯大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

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

AI总结 本文提出统一的单玩家和多玩家表演预测推断框架，通过RRM和两步插值估计器实现渐近最优性，提供可靠估计与决策的系统工具。

A necessary and sufficient condition for discrete-time consensus on star boundaries

关于离散时间在星形边界上达成一致的必要且充分条件

Galina Sidorenko, Johan Thunberg

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

AI总结 本文提出了一种关于离散时间在星形边界上达成一致的必要且充分条件，并展示了其在强连通有向图中的应用及线性收敛特性。

Comments 14 pages, 8 figures

PrevizWhiz: Combining Rough 3D Scenes and 2D Video to Guide Generative Video Previsualization

PrevizWhiz: 结合粗糙3D场景和2D视频以指导生成视频预可视化

Erzhen Hu, Frederik Brudy, David Ledo, George Fitzmaurice, Fraser Anderson

机构 * Autodesk Research \& University of Virginia Toronto Ontario Canada ； Autodesk Research Toronto Ontario Canada ； Autodesk Research \& University of Virginia ； Autodesk Research 纠错

专题命中 多智能体 ：workflow(abstract)；分类 cs.AI

AI总结 PrevizWhiz通过结合粗糙3D场景和2D视频，为电影制作者提供高效的生成视频预可视化工具，降低技术门槛并提升创意迭代效率。

Comments 21 pages, 13 figures; accepted and to appear at CHI 2026

Individual Regret in Cooperative Stochastic Multi-Armed Bandits

合作随机多臂老虎机中的个体遗憾

Idan Barnea, Tal Lancewicki, Yishay Mansour

机构 * Blavatnik School of Computer Science and AI（巴尔-瓦特尼克计算机科学与人工智能学院） ； Tel Aviv University（特拉维夫大学） ； Google Research, Tel Aviv, Israel（谷歌研究，特拉维夫，以色列） 纠错

专题命中 多智能体 ：agent(abstract)；分类 cs.LG

AI总结 本文首次提出在合作随机多臂老虎机中不依赖图直径的个体遗憾界，并分析了通信效率对遗憾的影响。

Comments 55 pages, 1 figure

Mathematical Modeling of Common-Pool Resources: A Comprehensive Review of Bioeconomics, Strategic Interaction, and Complex Adaptive Systems

公共池资源的数学建模：生物经济学、战略互动与复杂适应系统的一次全面回顾

Zebiao Li, Rui Liu, Chengyi Tu

专题命中 多智能体 ：agent(abstract)

AI总结 本文综述了公共池资源的数学建模，涵盖生物经济学、战略互动和复杂适应系统，探讨了从经典博弈论到现代动态模型的发展与应用。

PROBE: Co-Balancing Computation and Communication in MoE Inference via Real-Time Predictive Prefetching

PROBE: 通过实时预测预取在MoE推理中协同平衡计算与通信

Qianchao Zhu, Xucheng Ye, Yuliang Liu, Haodong Ouyang, Chengru Song

专题命中 多智能体 ：planning(abstract)

AI总结 PROBE通过实时预测预取技术，在MoE推理中平衡计算与通信，减少预填延迟并提升解码吞吐量。