AI Agent

The Oversight Game: Learning to Cooperatively Balance an AI Agent's Safety and Autonomy

视角游戏：学习协作平衡AI代理的安全性与自主性

William Overman, Mohsen Bayati

机构 * Graduate School of Business（商学院） ； Stanford University（斯坦福大学） 纠错

专题命中 工具调用 ：agent(title,abstract)；AI agent(title)；tool-use(abstract)；agentic(abstract)

AI总结 本文提出了一种视角游戏框架，通过马尔可夫游戏模型平衡AI代理的安全性与自主性，减少开放环境中的安全违规。

Mind the Boundary: Stabilizing Gemini Enterprise A2A via a Cloud Run Hub Across Projects and Accounts

注意边界：通过跨项目和账户的云运行枢纽稳定Gemini Enterprise A2A

Takao Morita

机构 * Independent Researcher（独立研究者） 纠错

专题命中 工具调用 ：agent(abstract,comments)；分类 cs.AI

AI总结 通过跨项目和账户的云运行枢纽稳定Gemini Enterprise A2A，解决边界依赖认证和UI兼容性问题，实现可靠路由和稳定响应。

Comments 7 pages. Implementation and evaluation study of cross-boundary agent orchestration for Gemini Enterprise UI

RVR: Retrieve-Verify-Retrieve for Comprehensive Question Answering

RVR：用于综合问答的检索-验证-检索

Deniz Qian, Hung-Ting Chen, Eunsol Choi

机构 * Courant Institute School of Mathematics, Computing, and Data Science, New York University（纽约大学Courant研究所数学、计算与数据科学学院） ； Courant Institute School of Mathematics, Computing（纽约大学Courant研究所数学、计算与数据科学学院） ； Data Science, New York University（纽约大学数据科学学院） 纠错

专题命中 工具调用 ：agentic(abstract)；分类 cs.CL

AI总结 RVR提出了一种多轮检索框架，通过验证器和检索器优化，提升多答案检索的召回率和覆盖范围。

Comments 18 pages, 12 figures, 12 tables

Multi-agent path-planning in a moving medium via Wasserstein Hamiltonian Flow

通过Wasserstein哈密顿流实现移动介质中的多智能体路径规划

Christina Frederick, Haomin Zhou

专题命中 规划决策 ：agent(title,abstract)；planning(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出了一种基于Wasserstein哈密顿流的有限维变分模型，用于在移动介质中实现多智能体路径规划，通过优化运行成本和初始速度来解决智能体位置与目标分布的不匹配问题。

Alignment in Time: Peak-Aware Orchestration for Long-Horizon Agentic Systems

时间对齐：面向长时间 horizon 代理系统的峰值感知 orchestration

Hanjing Shi, Dominic DiFranzo

机构 * Lehigh University（莱维大学） 纠错

专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)；autonomous agent(abstract)；multi-agent(abstract)

AI总结 APEMO通过时间-情感信号优化计算分配，提升长horizon代理系统轨迹质量和重用概率。

Role-Adaptive Collaborative Formation Planning for Team of Quadruped Robots in Cluttered Environments

面向 cluttered 环境的四足机器人团队角色自适应协作形成规划

Magnus Norén, Marios-Nektarios Stamatopoulos, Avijit Banerjee, George Nikolakopoulos

机构 * Robotics and Artificial Intelligence Group, Department of Computer, Electrical and Space Engineering, Lulea University of Technology（机器人与人工智能小组，计算机、电气与航天工程系，卢莱亚理工大学） 纠错

专题命中 规划决策 ：planning(title,abstract)；agent(abstract)

AI总结 本文提出了一种适用于 cluttered 环境的四足机器人团队角色自适应协作形成规划方法，通过动态角色分配和 FM2 算法实现灵活导航与稳定形成。

Visual Planning: Let's Think Only with Images

视觉规划：只用图像来思考

Yi Xu, Chengzu Li, Han Zhou, Xingchen Wan, Caiqi Zhang, Anna Korhonen, Ivan Vulić

机构 * Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室） ； Google（谷歌公司） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 本文提出视觉规划范式，通过图像进行推理，优于纯文本推理，在视觉导航任务中表现更优。

Comments ICLR 2026 (Oral)

Two Constraint Compilation Methods for Lifted Planning

用于提升规划的两种约束编译方法

Periklis Mantenoglou, Luigi Bonassi, Enrico Scala, Pedro Zuidberg Dos Martires

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI

AI总结 本文提出两种无需地面化的约束编译方法，用于提升大规模规划问题的效率和规范简洁性。

Aurora: Neuro-Symbolic AI Driven Advising Agent

Aurora：神经符号AI驱动的建议代理

Lorena Amanda Quincoso Lugones, Christopher Kverne, Nityam Sharadkumar Bhimani, Ana Carolina Oliveira, Agoritsa Polyzou, Christine Lisetti, Janki Bhimani

机构 * Florida International University（佛罗里达国际大学） ； Northeastern University（东北大学） 纠错

专题命中 规划决策 ：agent(title,abstract)；分类 cs.AI

AI总结 Aurora通过神经符号AI结合检索增强生成、符号推理和课程数据库，实现大规模、可验证的学术建议，提升推荐准确性和效率。

Comments Accepted to 41st ACM/SIGAPP Symposium On Applied Computing. 8 Pages, 3 Figures

Optimal Multi-Debris Mission Planning in LEO: A Deep Reinforcement Learning Approach with Co-Elliptic Transfers and Refueling

近地轨道多碎片任务规划的最优方法：结合共椭圆转移与补给的深度强化学习方法

Agni Bandyopadhyay, Gunther Waxenegger-Wilfing

机构 * Department of Computer Science, Julius-Maximilians-Universität Würzburg, Germany（计算机科学系，乌尔姆-马克西米利安大学，德国） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.LG

AI总结 本文提出一种结合共椭圆转移与补给的深度强化学习方法，用于近地轨道多碎片任务规划，实验显示其在任务效率和计算性能上优于传统方法。

Comments Presented at Conference: IFAC Workshop on Control Aspects of Multi-Satellite Systems (CAMSAT) 2025 At: Wuerzburg

Five Fatal Assumptions: Why T-Shirt Sizing Systematically Fails for AI Projects

五项致命假设：为何T恤 sizing 系统性地失败于AI项目

Raja Soundaramourty, Ozkan Kilic, Ramu Chenchaiah

机构 * Cisco Systems, Inc.（思科系统公司） 纠错

专题命中 规划决策 ：agent(abstract)；planning(abstract)；multi-agent(abstract)；分类 cs.AI、cs.SE

AI总结 本文指出T恤 sizing在AI项目中失效的五项致命假设，并提出Checkpoint Sizing作为更人性化的方法。

Safe Planning in Unknown Environments Using Conformalized Semantic Maps

在未知环境中使用符合化语义地图进行安全规划

David Smith Sundarsingh, Yifei Li, Tianji Tang, George J. Pappas, Nikolay Atanasov, Yiannis Kantaros

机构 * Department of Electrical and Systems Engineering, Washington University in St. Louis（华盛顿大学圣路易斯分校电气与系统工程系） ； Department of Electrical and Computer Engineering, University of California, San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； Department of Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系） 纠错

专题命中 规划决策 ：planning(title,abstract)

AI总结 本文提出了一种在未知环境中使用符合化语义地图进行安全规划的方法，能够实现用户指定的任务完成率，无需依赖传感器模型或噪声知识。

Comments 8 pages, 5 figures, 2 algorithms, 1 table

Agentic Adversarial QA for Improving Domain-Specific LLMs

代理对抗问答：提升领域特定大语言模型

Vincent Grari, Ciprian Tomoiaga, Sylvain Lamprier, Tatsunori Hashimoto, Marcin Detyniecki

机构 * Stanford University（斯坦福大学） ； Polish Academy of Science, IBS PAN, Warsaw, Poland（波兰科学院、IBS PAN、华沙、波兰） 纠错

专题命中 规划决策 ：agentic(title)；分类 cs.AI、cs.CL、cs.LG

AI总结 本研究提出了一种对抗性问题生成框架，通过生成语义具有挑战性的问题来提升领域特定大语言模型的适应能力。

Comments 9 pages, 1 Figure

Efficient Filtered-ANN via Learning-based Query Planning

高效基于学习的查询规划的过滤-ANN

Zhuocheng Gan, Yifan Wang

专题命中 规划决策 ：planning(title,abstract)

AI总结 本文提出基于学习的查询规划框架，通过动态选择执行计划提升过滤-ANN搜索效率，实验证明在保持高召回率的同时实现最高4倍的加速。

Mean-Field Reinforcement Learning without Synchrony

无同步的均场强化学习

Shan Yang

机构 * Department of Industrial Systems Engineering and Management（工业系统工程与管理系） 纠错

专题命中 规划决策 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出时间均场框架，通过群体分布解决异步问题，证明均衡存在性并展示算法收敛性。

Comments 21 pages, 5 figures, 1 algorithm

Decoupling Strategy and Execution in Task-Focused Dialogue via Goal-Oriented Preference Optimization

通过目标导向的偏好优化实现任务导向对话中的解耦策略与执行

Jingyi Xu, Xingyu Ren, Zhoupeng Shou, Yumeng Zhang, Zhiqiang You

机构 * School of Information Engineering, China Jiliang University, Hangzhou, China（信息工程学院，中国浙江大学，杭州，中国） ； College of Chemical and Biological Engineering, Zhejiang University, Hangzhou, China（化学与生物工程学院，浙江大学，杭州，中国） 纠错

专题命中 规划决策 ：agent(abstract)；planning(abstract)；分类 cs.AI、cs.CL

AI总结 本文提出GOPO框架，通过解耦策略规划与响应生成，提升任务导向对话系统的长周期任务成功率。

UniReason 1.0: A Unified Reasoning Framework for World Knowledge Aligned Image Generation and Editing

UniReason 1.0: 一个统一的推理框架，用于世界知识对齐的图像生成与编辑

Dianyi Wang, Chaofan Ma, Feng Han, Size Wu, Wei Song, Yibin Wang, Zhixiong Zhang, Tianhang Wang, Siyuan Wang, Zhongyu Wei, Jiaqi Wang

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； Zhejiang University（浙江大学） ； University of Southern California（美国南加州大学） 纠错

专题命中 规划决策 ：agent(abstract)；planning(abstract)；分类 cs.AI

AI总结 UniReason 1.0通过统一推理框架整合图像生成与编辑，利用世界知识增强文本推理和视觉优化，提升复杂合成任务的性能。

Promptable segmentation with region exploration enables minimal-effort expert-level prostate cancer delineation

可提示分割与区域探索实现最小努力的专家级前列腺癌勾勒

Junqing Yang, Natasha Thorley, Ahmed Nadeem Abbasi, Shonit Punwani, Zion Tse, Yipeng Hu, Shaheer U. Saeed

机构 * UCL Hawkes Institute（UCL Hawkes Institute；医学物理与生物医学工程系） ； Department of Medical Physics and Biomedical Engineering（大学学院伦敦） ； University College London（医学成像中心） ； Centre of Medical Imaging（肿瘤学系） ； Department of Oncology（阿迦·柯尔大学医院） ； Aga Khan University Hospital（生物工程中心；工程与材料科学学院） ； Centre for Bioengineering ； School of Engineering and Materials Science 纠错

专题命中 规划决策 ：agent(abstract)；planning(abstract)

AI总结 本研究提出基于用户提示和强化学习的框架，实现最小标注努力的专家级前列腺癌分割，优于现有自动化方法并减少标注时间。

Comments Accepted at IPCAI 2026 (IJCARS - IPCAI 2026 Special Issue)

PRISM: Parallel Reward Integration with Symmetry for MORL

PRISM: 基于对称性的并行奖励整合用于多目标强化学习

Finn van der Knaap, Kejiang Qian, Zheng Xu, Fengxiang He

机构 * University of Edinburgh（爱丁堡大学） ； Meta Superintelligence Labs（Meta超智能实验室） 纠错

专题命中 规划决策 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 PRISM通过引入基于对称性的并行奖励整合算法，解决多目标强化学习中稀疏奖励与密集奖励之间的样本效率问题，提升Pareto覆盖和分布平衡。

Scientific Knowledge-Guided Machine Learning for Vessel Power Prediction: A Comparative Study

科学知识引导的机器学习用于船舶功率预测：一项比较研究

Orfeas Bourchas, George Papalambrou

专题命中 规划决策 ：planning(abstract)；分类 cs.LG

AI总结 本研究提出一种结合物理知识与数据驱动的混合模型，用于提高船舶功率预测的准确性，通过残差学习方法在稀疏数据区域表现更优。

Comments Accepted to the KGML Bridge at AAAI 2026 (non-archival)

Eigenvalue Preferential Attachment Networks A Dandelion Structure

基于特征值中心性的偏好附加网络：蒲公英结构

Vadood Adami, Zahra Ebadi, Morteza Nattagh-Najafi

专题命中 规划决策 ：agent(abstract)

AI总结 本文提出了一种基于特征值中心性的偏好附加网络，即蒲公英结构，展示了其与传统无标度网络的区别及独特属性。

Comments 15 pages, 16 figures

Inclusive Ranking of Indian States via Bayesian Bradley-Terry Model

通过贝叶斯布拉德利-蒂尔模型实现印度各州的包容性排名

Arshi Rizvi, Rahul Singh

专题命中 规划决策 ：planning(abstract)

AI总结 本文通过贝叶斯布拉德利-蒂尔模型对印度各州进行包容性排名，结合人类发展和经济背景因素，提供全面的排名系统以支持政策制定。

Comments 24 pages, 15 figures

Homotopic information gain for sparse active target tracking

同伦信息增益用于稀疏主动目标跟踪

Jennifer Wakulicz, Ki Myung Brian Lee, Teresa Vidal-Calleja, Robert Fitch

机构 * Australian Centre for Robotics, School of Aerospace, Mechanical and Mechatronic Engineering, University of Sydney（澳大利亚机器人中心，航空航天、机械与机电工程学院，悉尼大学） ； Department of Electrical and Computer Engineering, UC San Diego（电气与计算机工程系，UC圣地亚哥大学） ； School of Mechanical and Mechatronics Engineering, University of Technology Sydney（机械与机电工程学院，技术大学悉尼） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出同伦信息增益方法，通过最大化目标高层运动信息实现更高效的稀疏主动目标跟踪。

Comments 12 pages, 12 figures, accepted to Transactions on Robotics

Perception-to-Pursuit: Track-Centric Temporal Reasoning for Open-World Drone Detection and Autonomous Chasing

感知到追捕：面向开放世界的无人机检测与自主追捕的以轨迹为中心的时序推理

Venkatakrishna Reddy Oruganti

机构 * Sithara Inc.（Sithara公司） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 P2P通过轨迹为中心的时序推理框架，提升了无人机轨迹预测精度和追捕可行性，实现了准确的预测与可操作的追捕规划。

Comments 7 pages, 2 figures, 3 tables, 15 references. Intended for submission to ICCV 2027

TasVisAn and InsPy -- Python Packages for Triple-Axis Spectrometer Data Visualization, Analysis, Instrument Resolution Calculation, and Convolution

TasVisAn 和 InsPy —— 用于三轴谱仪数据可视化、分析、仪器分辨率计算和卷积的 Python 包

Guochu Deng, Garry J. McIntyre

专题命中 规划决策 ：planning(abstract)

AI总结 TasVisAn和InsPy是用于三轴谱仪数据可视化、分析、仪器分辨率计算和卷积的Python工具，支持多种TAS仪器的数据处理和实验设计。

Comments 20 pages, 16 figures

Journal ref J. Appl. Crystallogr. Volume 58, Page 2149-2162, 2025

Wombat, the high intensity diffractometer in operation at the Australian Centre for Neutron Scattering

Wombat，澳大利亚中子散射中心正在运行的高强度衍射仪

Helen E. Maynard-Casely, Siobhan M. Tobin, Chin-Wei Wang, Vanessa K. Peterson, James R. Hester, Andrew J. Studer

专题命中 规划决策 ：planning(abstract)

AI总结 Wombat是一款用于研究材料原位和原态特性的高强度中子衍射仪，支持多种材料的表征与测量。

Comments Accepted by the Journal of Applied Crystallography 19th November 2025

CoAct-1: Computer-using Multi-Agent System with Coding Actions

CoAct-1: 基于计算机操作的多智能体系统与编码动作

Linxin Song, Yutong Dai, Viraj Prabhu, Jieyu Zhang, Taiwei Shi, Li Li, Junnan Li, Silvio Savarese, Zeyuan Chen, Jieyu Zhao, Ran Xu, Caiming Xiong

机构 * University of Southern California（南加州大学） ； Salesforce（Salesforce公司） ； University of Washington（华盛顿大学） 纠错

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

AI总结 CoAct-1通过结合GUI操作与编程执行，提升复杂任务的自动化效率和可靠性，实现60.76%的新状态-of-the-art成功率。

VILLAIN at AVerImaTeC: Verifying Image-Text Claims via Multi-Agent Collaboration

VILLAIN 在 AVerImaTeC 上：通过多智能体协作验证图像-文本声明

Jaeyoon Jung, Yejun Yoon, Kunwoo Park

机构 * School of AI Convergence, Soongsil University（人工智能融合学院，顺世大学） ； MAUM AI Inc.（MAUM人工智能公司） ； Department of Intelligent Semiconductors, Soongsil University（智能半导体系，顺世大学） 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 VILLAIN 通过多智能体协作验证图像-文本声明，实现事实核查系统的高效准确验证。

Comments A system description paper for the AVerImaTeC shared task at the Ninth FEVER Workshop (co-located with EACL 2026)

MultiVer: Zero-Shot Multi-Agent Vulnerability Detection

MultiVer：零样本多智能体漏洞检测

Shreshth Rajan

机构 * Harvard College（哈佛学院） 纠错

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

AI总结 MultiVer通过零样本多智能体系统实现漏洞检测的高召回率，超越微调模型性能，但精度有所下降。

ChoiceMates: Supporting Unfamiliar Online Decision-Making with Multi-Agent Conversational Interactions

ChoiceMates: 通过多智能体对话交互支持陌生在线决策

Jeongeon Park, Bryan Min, Kihoon Son, Jean Y. Song, Xiaojuan Ma, Juho Kim

机构 * University of California, San Diego（加州大学圣迭戈分校） ； School of Computing, KAIST（韩国科学技术院计算机学院） ； Information and Interaction Design, Yonsei University（延世大学信息与交互设计） ； 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

AI总结 ChoiceMates通过多智能体对话交互帮助用户更高效地进行陌生在线决策。

Comments Accepted to IUI 2026