AI Agent

Safe and Interpretable Multimodal Path Planning for Multi-Agent Cooperation

安全且可解释的多模态路径规划用于多智能体协作

Haojun Shi, Suyu Ye, Katherine M. Guerrerio, Jianzhi Shen, Yifan Yin, Daniel Khashabi, Chien-Ming Huang, Tianmin Shu

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 CaPE通过多模态路径规划实现安全且可解释的多智能体协作，利用视觉-语言模型和模型基于规划器确保路径调整的安全性和可解释性。

HONEST-CAV: Hierarchical Optimization of Network Signals and Trajectories for Connected and Automated Vehicles with Multi-Agent Reinforcement Learning

HONEST-CAV: 连续和自动化车辆网络信号与轨迹的分层优化方法基于多智能体强化学习

Ziyan Zhang, Changxin Wan, Peng Hao, Kanok Boriboonsomsin, Matthew J. Barth, Yongkang Liu, Seyhan Ucar, Guoyuan Wu

机构 * College of Engineering, Center for Environmental Research and Technology, University of California at Riverside（加州大学河滨分校工程学院、环境研究与技术中心） ； InfoTech Labs, Toyota Motor North America（丰田北美信息科技实验室） 纠错

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

AI总结 HONEST-CAV通过多智能体强化学习和机器学习轨迹规划算法优化交通信号与车辆轨迹，提升交通效率和节能效果。

Comments 7 pages, 6 figures. Accepted at the 2026 IEEE Intelligent Vehicles Symposium. Final version to appear at IEEE Xplore

NutriOrion: A Hierarchical Multi-Agent Framework for Personalized Nutrition Intervention Grounded in Clinical Guidelines

NutriOrion：一种基于临床指南的个性化营养干预分层多智能体框架

Junwei Wu, Runze Yan, Hanqi Luo, Darren Liu, Minxiao Wang, Kimberly L. Townsend, Lydia S. Hartwig, Derek Milketinas, Xiao Hu, Carl Yang

机构 * Emory University（埃默里大学） ； Texas Woman's University（德克萨斯女子大学） 纠错

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

AI总结 NutriOrion通过分层多智能体框架实现个性化营养干预，结合多目标优先级算法和安全约束机制，有效解决多病共存患者的饮食需求冲突与临床有效性问题。

Toward AI Autonomous Navigation for Mechanical Thrombectomy using Hierarchical Modular Multi-agent Reinforcement Learning (HM-MARL)

迈向机械取栓的AI自主导航：基于分层模块多智能体强化学习（HM-MARL）

Harry Robertshaw, Nikola Fischer, Lennart Karstensen, Benjamin Jackson, Xingyu Chen, S. M. Hadi Sadati, Christos Bergeles, Alejandro Granados, Thomas C Booth

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

AI总结 本研究提出分层模块多智能体强化学习框架，实现机械取栓中双设备自主导航，展示体外导航能力及泛化挑战。

Comments Published in IEEE Robotics and Automation Letters

Journal ref IEEE Robotics and Automation Letters (2026)

Agent Banana: High-Fidelity Image Editing with Agentic Thinking and Tooling

Agent Banana: 基于代理思维与工具的高质量图像编辑

Ruijie Ye, Jiayi Zhang, Zhuoxin Liu, Zihao Zhu, Siyuan Yang, Li Li, Tianfu Fu, Franck Dernoncourt, Yue Zhao, Jiacheng Zhu, Ryan Rossi, Wenhao Chai, Zhengzhong Tu

机构 * TAMU（德克萨斯大学） ； Brown University（布朗大学） ； UW-Madison（威斯康星大学麦迪逊分校） ； UCSD（加州大学圣地亚哥分校） ； USC（南加州大学） ； xAI（xAI公司） ； Adobe Research（Adobe研究院） ； Meta AI ； Princeton University（普林斯顿大学） 纠错

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

AI总结 Agent Banana通过分层代理规划-执行框架实现高质量图像编辑，解决多轮次编辑一致性与背景忠实度问题，同时保持指令遵循能力。

Comments Project Website: agent-banana.github.io

Ostrom-Weighted Bootstrap: A Theoretically Optimal and Provably Complete Framework for Hierarchical Imputation in Multi-Agent Systems

奥斯特罗姆加权Bootstrap：一种理论上最优且可证明完整的多智能体系统分层填补框架

Hirofumi Wakimoto

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

AI总结 OWB是一种基于重采样的方法，能够实现精确最优性、贝叶斯后验均值解释、经验贝叶斯收缩、渐近效率和零NaN保证，适用于多智能体系统的分层填补。

Comments 7 pages, initial submission

VideoMind: A Chain-of-LoRA Agent for Temporal-Grounded Video Reasoning

VideoMind: 一种用于时序 grounded 视频推理的链式 LoRA 代理

Ye Liu, Kevin Qinghong Lin, Chang Wen Chen, Mike Zheng Shou

机构 * The Hong Kong Polytechnic University（香港理工大学） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 VideoMind 提出了一种基于角色的链式 LoRA 机制，用于提升视频时序 grounded 推理的效率与灵活性。

Comments ICLR 2026 Camera Ready

Capable but Unreliable: Canonical Path Deviation as a Causal Mechanism of Agent Failure in Long-Horizon Tasks

有能力但不可靠：作为长周期任务中智能体失败的因果机制的规范路径偏移

Wilson Y. Lee

机构 * Independent Researcher（独立研究者） 纠错

专题命中 规划决策 ：agent(title,abstract)；tool-use(abstract)；分类 cs.CL、cs.LG

AI总结 该研究发现智能体在长周期任务中失败的原因是规范路径偏移的可靠性问题，提出通过监控重启运行提高成功率。

ML-Tool-Bench: Tool-Augmented Planning for ML Tasks

ML-Tool-Bench: 为机器学习任务增强的工具辅助规划

Yaswanth Chittepu, Raghavendra Addanki, Tung Mai, Anup Rao, Branislav Kveton

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Adobe Research（Adobe研究） 纠错

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

AI总结 本文提出ML-Tool-Bench，通过引入内存中的命名对象管理，评估工具增强的ML代理，改进了ReAct方法，提升了16.52个百分点。

TAPE: Tool-Guided Adaptive Planning and Constrained Execution in Language Model Agents

TAPE: 语言模型代理中的工具引导自适应规划与约束执行

Jongwon Jeong, Jungtaek Kim, Kangwook Lee

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

AI总结 TAPE通过工具引导的自适应规划与约束执行方法，提升语言模型代理在复杂任务中的成功率，特别是在困难设置中表现显著优于现有框架。

Comments Preprint

Beyond Description: A Multimodal Agent Framework for Insightful Chart Summarization

超越描述：一种多模态代理框架用于深入的图表摘要

Yuhang Bai, Yujuan Ding, Shanru Lin, Wenqi Fan

机构 * The Hong Kong Polytechnic University（香港理工大学） ； City University of Hong Kong（香港城市大学） 纠错

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

AI总结 本文提出多模态代理框架Chart Insight Agent Flow，通过结合MLLMs的感知与推理能力，提升图表摘要的深度和多样性，并引入新数据集ChartSummInsights以支持研究。

Comments 5 pages, 5 figures

Synergising Human-like Responses and Machine Intelligence for Planning in Disaster Response

融合人类样响应与机器智能以应对灾害响应中的规划

Savvas Papaioannou, Panayiotis Kolios, Christos G. Panayiotou, Marios M. Polycarpou

机构 * KIOS Research and Innovation Center of Excellence（KIOS研究与创新卓越中心） ； Department of Electrical and Computer Engineering（电气与计算机工程系） 纠错

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

AI总结 本文提出融合人类样响应与机器智能的框架，以提升灾害响应中复杂任务的规划效率。

Comments 2024 IEEE World Congress on Computational Intelligence (IEEE WCCI), 2024 International Joint Conference on Neural Networks (IJCNN)

Hierarchical Reward Design from Language: Enhancing Alignment of Agent Behavior with Human Specifications

基于语言的层次奖励设计：通过人类规范增强智能体行为对齐

Zhiqin Qian, Ryan Diaz, Sangwon Seo, Vaibhav Unhelkar

机构 * Rice University（里士大学） 纠错

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

AI总结 本文提出基于语言的层次奖励设计（HRDL）和语言到层次奖励（L2HR）方法，用于通过人类规范增强智能体行为对齐，提升AI任务完成效果和规范遵守程度。

Comments Extended version of an identically-titled paper accepted at AAMAS 2026

SAGE: Scalable Agentic 3D Scene Generation for Embodied AI

SAGE: 适用于具身人工智能的可扩展代理3D场景生成

Hongchi Xia, Xuan Li, Zhaoshuo Li, Qianli Ma, Jiashu Xu, Ming-Yu Liu, Yin Cui, Tsung-Yi Lin, Wei-Chiu Ma, Shenlong Wang, Shuran Song, Fangyin Wei

机构 * NVIDIA ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） 纠错

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

AI总结 SAGE通过代理框架生成可扩展的3D环境，用于具身人工智能的策略训练和泛化能力提升。

Comments Project Page: https://research.nvidia.com/labs/dir/sage/

Compositional Planning with Jumpy World Models

基于跳跃世界模型的组合规划

Jesse Farebrother, Matteo Pirotta, Andrea Tirinzoni, Marc G. Bellemare, Alessandro Lazaric, Ahmed Touati

机构 * FAIR at Meta ； Mila -- Qu\'ebec AI Institute ； McGill University 纠错

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

AI总结 本文提出基于跳跃世界模型的组合规划方法，通过学习多步动态预测模型提升长时间任务的规划性能，实现复杂任务的解决。

AI Agents as Universal Task Solvers

AI代理作为通用任务求解器

Alessandro Achille, Stefano Soatto

机构 * AWS Agentic AI（AWS 代理人工智能） 纠错

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

AI总结 本文提出将AI代理视为随机动态系统，通过归纳推理框架，探讨学习推理的算法结构，揭示任务解决时间与算法信息的关系，并指出在无限制模型规模下，奖励信号可能导致暴力求解而非可转移策略。

In-Context Planning with Latent Temporal Abstractions

基于潜在时间抽象的上下文规划

Baiting Luo, Yunuo Zhang, Nathaniel S. Keplinger, Samir Gupta, Abhishek Dubey, Ayan Mukhopadhyay

机构 * Vanderbilt University（范德比大学） ； William & Mary（威廉与玛丽学院） 纠错

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

AI总结 I-TAP通过学习离散时间抽象空间，实现高效且鲁棒的上下文规划，在部分可观测和随机动态环境中表现优异。

Robust Time Series Causal Discovery for Agent-Based Model Validation

面向智能体模型验证的鲁棒时间序列因果发现

Gene Yu, Ce Guo, Wayne Luk

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

AI总结 本研究提出鲁棒交叉验证方法，用于提升智能体模型验证中因果结构学习的鲁棒性和准确性。

Comments A peer-reviewed version titled "VCDF: A Validated Consensus-Driven Framework for Time Series Causal Discovery" is accepted to Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD) 2026. Please cite the PAKDD version

NovaPlan: Zero-Shot Long-Horizon Manipulation via Closed-Loop Video Language Planning

NovaPlan: 通过闭环视频语言规划实现零样本长周期操控

Jiahui Fu, Junyu Nan, Lingfeng Sun, Hongyu Li, Jianing Qian, Jennifer L. Barry, Kris Kitani, George Konidaris

机构 * Robotics and AI Institute（机器人与人工智能研究所） ； Carnegie Mellon University（卡内基梅隆大学） ； Brown University（布朗大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

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

AI总结 NovaPlan通过闭环视频语言规划实现零样本长周期操控，结合高层任务分解与底层物理执行，无需先验演示即可完成复杂装配任务。

Comments 25 pages, 15 figures. Project webpage: https://nova-plan.github.io/

Discrete Diffusion Models Exploit Asymmetry to Solve Lookahead Planning Tasks

离散扩散模型利用不对称性解决前瞻规划任务

Itamar Trainin, Shauli Ravfogel, Omri Abend, Amir Feder

机构 * Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； New York University（纽约大学） 纠错

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

AI总结 离散扩散模型通过反向生成机制在无需复杂遍历机制的情况下解决前瞻规划任务，相比自回归模型更高效。

Lifted Forward Planning in Relational Factored Markov Decision Processes with Concurrent Actions

关系因式马尔可夫决策过程中的提升前向规划

Florian Andreas Marwitz, Tanya Braun, Ralf Möller, Marcel Gehrke

机构 * University of Hamburg（汉堡大学） ； University of Münster（穆尔斯特大学） 纠错

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

AI总结 本文提出Foreplan，一种高效的关联前向规划器，通过一阶表示方法解决大规模对象下的策略计算问题，并提供近似版本以保证误差可控。

Comments Accepted at AAMAS 2026

VariBASed: Variational Bayes-Adaptive Sequential Monte-Carlo Planning for Deep Reinforcement Learning

VariBASed: 变分贝叶斯自适应序列蒙特卡洛规划用于深度强化学习

Joery A. de Vries, Jinke He, Yaniv Oren, Pascal R. van der Vaart, Mathijs M. de Weerdt, Matthijs T. J. Spaan

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

AI总结 本文提出VariBASeD方法，通过融合变分信念学习、序列蒙特卡洛规划和元强化学习，提升深度强化学习中探索与利用的效率。

LAMMI-Pathology: A Tool-Centric Bottom-Up LVLM-Agent Framework for Molecularly Informed Medical Intelligence in Pathology

LAMMI-Pathology: 一种以工具为中心的自下而上LVLM-智能体框架用于分子信息引导的病理学智能

Haoyang Su, Shaoting Zhang, Xiaosong Wang

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 LAMMI-Pathology提出了一种以工具为中心的自下而上智能体框架，通过分子信息引导的病理学智能提升病理图像分析的证据驱动能力。

Watermarking LLM Agent Trajectories

对LLM代理轨迹进行水印标记

Wenlong Meng, Chen Gong, Terry Yue Zhuo, Fan Zhang, Kecen Li, Zheng Liu, Zhou Yang, Chengkun Wei, Wenzhi Chen

机构 * Zhejiang University, China（浙江大学） ； University of Virginia, USA（弗吉尼亚大学） ； Alibaba Qwen, China（阿里巴巴通义实验室） ； University of Alberta, Canada（阿尔伯塔大学） 纠错

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

AI总结 本文提出ActHook，一种针对LLM代理轨迹数据集的水印方法，通过在决策点插入钩子动作实现可靠的黑盒检测，实验显示其在数学推理等任务中具有高检测精度且性能影响小。

Comments 20 pages, 9 figures

The Doctor Will (Still) See You Now: On the Structural Limits of Agentic AI in Healthcare

医生还会见你：论代理AI在医疗领域的结构性限制

Gabriela Aránguiz Dias, Kiana Jafari, Allie Griffith, Carolina Aránguiz Dias, Grace Ra Kim, Lana Saadeddin, Mykel J. Kochenderfer

机构 * Stanford University（斯坦福大学） ； University of Florida（佛罗里达大学） ； Montclair State University（蒙特克莱尔州立大学） 纠错

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

AI总结 本文探讨了代理AI在医疗领域应用中的结构性限制，指出技术期望、商业激励和临床约束的交汇对患者安全和责任归属产生实质性影响。

Comments 17 pages, 3 pages of appendix, 4 tables

SafeFlowMatcher: Safe and Fast Planning using Flow Matching with Control Barrier Functions

SafeFlowMatcher: 基于流匹配与控制屏障函数的安全且快速规划

Jeongyong Yang, Seunghwan Jang, SooJean Han

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） 纠错

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

AI总结 SafeFlowMatcher通过结合流匹配与控制屏障函数，实现安全且高效的路径规划，在多个机器人任务中表现出更快、更平滑和更安全的性能。

Comments ICLR 2026(poster)

Step 3.5 Flash: Open Frontier-Level Intelligence with 11B Active Parameters

步骤3.5 Flash：通过11B活跃参数实现前沿级智能

Ailin Huang, Ang Li, Aobo Kong, Bin Wang, Binxing Jiao, Bo Dong, Bojun Wang, Boyu Chen, Brian Li, Buyun Ma, Chang Su, Changxin Miao, Changyi Wan, Chao Lou, Chen Hu, Chen Xu, Chenfeng Yu, Chengting Feng, Chengyuan Yao, Chunrui Han, Dan Ma, Dapeng Shi, Daxin Jiang, Dehua Ma, Deshan Sun, Di Qi, Enle Liu, Fajie Zhang, Fanqi Wan, Guanzhe Huang, Gulin Yan, Guoliang Cao, Guopeng Li, Han Cheng, Hangyu Guo, Hanshan Zhang, Hao Nie, Haonan Jia, Haoran Lv, Hebin Zhou, Hekun Lv, Heng Wang, Heung-Yeung Shum, Hongbo Huang, Hongbo Peng, Hongyu Zhou, Hongyuan Wang, Houyong Chen, Huangxi Zhu, Huimin Wu, Huiyong Guo, Jia Wang, Jian Zhou, Jianjian Sun, Jiaoren Wu, Jiaran Zhang, Jiashu Lv, Jiashuo Liu, Jiayi Fu, Jiayu Liu, Jie Cheng, Jie Luo, Jie Yang, Jie Zhou, Jieyi Hou, Jing Bai, Jingcheng Hu, Jingjing Xie, Jingwei Wu, Jingyang Zhang, Jishi Zhou, Junfeng Liu, Junzhe Lin, Ka Man Lo, Kai Liang, Kaibo Liu, Kaijun Tan, Kaiwen Yan, Kaixiang Li, Kang An, Kangheng Lin, Lei Yang, Liang Lv, Liang Zhao, Liangyu Chen, Lieyu Shi, Liguo Tan, Lin Lin, Lina Chen, Luck Ma, Mengqiang Ren, Michael Li, Ming Li, Mingliang Li, Mingming Zhang, Mingrui Chen, Mitt Huang, Na Wang, Peng Liu, Qi Han, Qian Zhao, Qinglin He, Qinxin Du, Qiuping Wu, Quan Sun, Rongqiu Yang, Ruihang Miao, Ruixin Han, Ruosi Wan, Ruyan Guo, Shan Wang, Shaoliang Pang, Shaowen Yang, Shengjie Fan, Shijie Shang, Shiliang Yang, Shiwei Li, Shuangshuang Tian, Siqi Liu, Siye Wu, Siyu Chen, Song Yuan, Tiancheng Cao, Tianchi Yue, Tianhao Cheng, Tianning Li, Tingdan Luo, Wang You, Wei Ji, Wei Yuan, Wei Zhang, Weibo Wu, Weihao Xie, Wen Sun, Wenjin Deng, Wenzhen Zheng, Wuxun Xie, Xiangfeng Wang, Xiangwen Kong, Xiangyu Liu, Xiangyu Zhang, Xiaobo Yang, Xiaojia Liu, Xiaolan Yuan, Xiaoran Jiao, Xiaoxiao Ren, Xiaoyun Zhang, Xin Li, Xin Liu, Xin Wu, Xing Chen, Xingping Yang, Xinran Wang, Xu Zhao, Xuan He, Xuanti Feng, Xuedan Cai, Xuqiang Zhou, Yanbo Yu, Yang Li, Yang Xu, Yanlin Lai, Yanming Xu, Yaoyu Wang, Yeqing Shen, Yibo Zhu, Yichen Lv, Yicheng Cao, Yifeng Gong, Yijing Yang, Yikun Yang, Yin Zhao, Yingxiu Zhao, Yinmin Zhang, Yitong Zhang, Yixuan Zhang, Yiyang Chen, Yongchi Zhao, Yongshen Long, Yongyao Wang, Yousong Guan, Yu Zhou, Yuang Peng, Yuanhao Ding, Yuantao Fan, Yuanwei Lu, Yuanzhen Yang, Yuchu Luo, Yudi Zhao, Yue Peng, Yueqiang Lin, Yufan Lu, Yuling Zhao, Yunzhou Ju, Yurong Zhang, Yusheng Li, Yuxiang Yang, Yuyang Chen, Yuzhu Cai, Zejia Weng, Zetao Hong, Zexi Li, Zhe Xie, Zheng Ge, Zheng Gong, Zheng Zeng, Zhenyi Lu, Zhewei Huang, Zhichao Chang, Zhiguo Huang, Zhiheng Hu, Zidong Yang, Zili Wang, Ziqi Ren, Zixin Zhang, Zixuan Wang

机构 * StepFun Team（StepFun团队） 纠错

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

AI总结 Step 3.5 Flash通过11B活跃参数实现前沿级智能，结合高效推理与多任务表现，提升代理在数学、代码等领域的性能。

Comments Technical report for Step 3.5 Flash

SelfAI: A self-directed framework for long-horizon scientific discovery

SelfAI: 一种用于长周期科学发现的自导向框架

Xiao Wu, Ting-Zhu Huang, Liang-Jian Deng, Xiaobing Yu, Yu Zhong, Shangqi Deng, Ufaq Khan, Jianghao Wu, Xiaofeng Liu, Imran Razzak, Xiaojun Chang, Yutong Xie

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Xian Jiaotong University（西安交通大学） ； Yale University（耶鲁大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Monash University（莫纳什大学） 纠错

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

AI总结 SelfAI是一种自导向的多智能体系统，通过自动化科学探索的策略性轨迹决策，实现高效、可重复的长周期科学发现。

From Medical Records to Diagnostic Dialogues: A Clinical-Grounded Approach and Dataset for Psychiatric Comorbidity

从医疗记录到诊断对话：一种基于临床的途径和数据集用于精神疾病共病

Tianxi Wan, Jiaming Luo, Siyuan Chen, Kunyao Lan, Jianhua Chen, Haiyang Geng, Mengyue Wu

机构 * X - LANCE Lab, Shanghai Jiao Tong University, China（上海交通大学X-LANCE实验室） ； Shanghai Mental Health Center, SJTU School of Medicine, China（上海精神卫生中心，上海交通大学医学院） ； Chen Frontier Lab for AI and Mental Health, Tianqiao and Chrissy Chen Institute, Shanghai, China（陈前沿人工智能与心理健康实验室，田青和克里斯蒂娜·陈研究所） 纠错

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

AI总结 本文提出了一种基于临床的途径和数据集，用于生成支持精神疾病共病的多轮诊断对话，通过合成患者电子医疗记录和多智能体对话生成技术，构建了首个大规模对话数据集PsyCoTalk，提升了诊断准确性和治疗计划能力。

Anticipate, Adapt, Act: A Hybrid Framework for Task Planning

预见、适应、行动：一项任务规划的混合框架

Nabanita Dash, Ayush Kaura, Shivam Singh, Ramandeep Singh, Snehasis Banerjee, Mohan Sridharan, K. Madhava Krishna

机构 * Robotics Research Center, IIIT Hyderabad, India（IIIT海得拉巴机器人研究中心） ； TCS Research, Tata Consultancy Services, India（塔塔咨询公司研究部） ； School of Informatics, University of Edinburgh, UK（爱丁堡大学信息学院） 纠错

专题命中 规划决策 ：planning(title,abstract)

AI总结 本文提出一种混合框架，结合LLM的预测能力和关系动态影响图语言的决策能力，用于任务规划中的失败预测与应对。

Comments Accepted at IEEE European Conference on Mobile Robots (ECMR)