AI Agent

PECMAN: Perception-enabled Collaborative Multi-Agent Navigation in Unknown Environments

PECMAN：基于感知的协作多智能体导航在未知环境中

Tianchonghui Fang, Shaunak Roy, Shalabh Gupta

机构 * Department of Electrical and Computer Engineering, University of Connecticut（电子与计算机工程系，康涅狄格大学） 纠错

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

AI总结 PECMAN通过分布式树形变形和共享感知策略，实现多智能体在未知环境中的协作导航，提高实时适应性和效率，减少冗余反应，提升团队完成效率达52%。

SceneFactory: GPU-Accelerated Multi-Agent Driving Simulation with Physics-Based Vehicle Dynamics

SceneFactory：基于GPU的多智能体驾驶仿真与物理驱动车辆动力学

Yicheng Zhu, Yang Chen, Tao Li, Zilin Bian

机构 * Rochester Institute of Technology（罗切斯特理工学院） ； City University of Hong Kong（香港城市大学） 纠错

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

AI总结 SceneFactory通过GPU向量化技术实现高吞吐量的多智能体驾驶仿真，结合物理驱动车辆动力学与强化学习，展示可扩展的自动驾驶训练无需牺牲物理真实性。

Designing Intelligent Enterprise Agents: A Capability-Aligned Multi-Agent Architecture

设计智能企业代理：一种能力对齐的多代理架构

John deVadoss

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

AI总结 本文提出CEAD架构，通过能力对齐设计优化企业代理系统，评估显示其在安全成功率上优于其他架构。

AgentCrypt: Advancing Privacy and (Secure) Computation in AI Agent Collaboration

AgentCrypt: 推动AI代理协作中的隐私与（安全）计算发展

Harish Karthikeyan, Yue Guo, Leo de Castro, Antigoni Polychroniadou, Udari Madhushani Sehwag, Leo Ardon, Sumitra Ganesh, Manuela Veloso

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

AI总结 AgentCrypt通过三层框架提升AI代理协作中的隐私和安全计算，解决传统访问控制不足和LLM安全性的不足问题，实现数据安全计算和隐私保护。

Generalization Bounds of Emergent Communications for Agentic AI Networking

面向代理AI网络的涌现通信泛化界限

Yong Xiao, Jingxuan Chai, Guangming Shi, Ping Zhang

机构 * Yong Xiao 1 2 3 , Jingxuan Chai 4 , Guangming Shi 4 2 , Ping Zhang 5 1 School of Elect. Inform. \& Commun., Huazhong Univ. of Science \& Technology, China 2 Peng Cheng Laboratory, Shenzhen, China 3 Pazhou Laboratory (Huangpu), Guangzhou, China 4 School of Artificial Intelligence, Xidian University, Xi'an, China 5 State Key Lab. of Networking \& Switching Tech., Beijing Univ. of Posts \& Telecom., Beijing, China ； 1 School of Elect. Inform. \& Commun., Huazhong Univ. of Science \& Technology, China ； 2 Peng Cheng Laboratory, Shenzhen, China ； 3 Pazhou Laboratory (Huangpu), Guangzhou, China ； 4 School of Artificial Intelligence, Xidian University, Xi'an, China ； 5 State Key Lab. of Networking \& Switching Tech., Beijing Univ. of Posts \& Telecom., Beijing, China 纠错

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

AI总结 本文提出基于信息瓶颈理论的新兴通信框架，通过统一决策函数优化与通信信号学习，提升异构代理在非见环境状态下的泛化性能。

Comments Accepted at IEEE ISIT Workshop, Guangzhou, China, June 2026

Learning Approximate Nash Equilibria in Cooperative Multi-Agent Reinforcement Learning via Mean-Field Subsampling

通过均值场采样学习合作多智能体强化学习中的近似纳什均衡

Emile Anand, Ishani Karmarkar

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Stanford University（斯坦福大学） 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 本文研究了在通信受限条件下，通过均值场采样方法学习合作多智能体强化学习中的近似纳什均衡，证明了该方法能收敛到近似纳什均衡，并在多机器人控制中进行了验证。

Comments 57 pages, 10 figures, 4 tables

AgentGR: Semantic-aware Agentic Group Decision-Making Simulator for Group Recommendation

AgentGR: 基于语义的群体决策模拟器用于群体推荐

Yangtao Zhou, Wenhao You, Hua Chu, Shihao Guo, Jianan Li, Zhifu Zhao, Qingshan Li

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

AI总结 AgentGR通过结合语义推理和群体动态模拟，提升群体推荐的准确性与决策模拟能力，采用链式偏好推理机制和多智能体策略改进用户偏好和群体互动模拟。

Agentic AI-Driven UAV Network Deployment: An LLM-Enhanced Exact Potential Game Approach

基于代理AI的无人机网络部署：一种增强型精确势博弈方法

Xin Tang, Xiaohuan Li, Qian Chen, Binhan Liao, Yaqi Zhang, Jianxin Chen, Changyuan Zhao, Junchuan Fan, Junxi Tian

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

AI总结 本文提出基于精确势博弈的无人机网络部署优化框架，结合代理AI与双重空间尺度算法，提升网络连接性与吞吐量，通过LLM自动生成效用权重以增强适应性。

Comments 16 pages, 8 figures

GameChat: Multi-LLM Dialogue for Safe, Agile, and Socially Optimal Multi-Agent Navigation in Constrained Environments

GameChat：多LLM对话用于在受限环境中安全、敏捷且社会最优的多智能体导航

Vagul Mahadevan, Shangtong Zhang, Rohan Chandra

机构 * University of Virginia（弗吉尼亚大学） 纠错

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

AI总结 本文提出GameChat方法，通过自然语言通信解决多智能体在受限环境中安全、敏捷且无 deadlock 的导航问题，实验显示其在目标到达时间及优先级任务完成率上显著提升。

Journal ref 2025 IEEE International Symposium on Multi-Robot and Multi-Agent Systems (MRS), 2025, pp. 1-7

Quantifiable Uncertainty: A Stochastic Consensus Multi-Agent RAG Framework for Robust Malware Detection

可量化不确定性：一种随机一致性多智能体RAG框架用于鲁棒恶意软件检测

ElMouatez Billah Karbab

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

AI总结 本文提出MAGMA框架，通过语义代码检索与概率验证分离恶意软件分析，引入随机一致性集合和两个互补指标，提升恶意软件检测鲁棒性。

AVA: Attentive VLM Agent for Mastering StarCraft II

AVA：面向星际2的注意力视觉语言代理

Weiyu Ma, Yuqian Fu, Zecheng Zhang, Bernard Ghanem, Guohao Li

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

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

AI总结 AVA提出一个支持多智能体强化学习和视觉语言模型的星际2基准，通过RGB图像、自然语言观察和结构化状态信息，比较训练和零样本方法在21种场景中的表现，揭示训练效率、性能上限、可解释性和部署成本的权衡。

Comments Accepted by ACL 2026

Workspace Optimization: How to Train Your Agent

工作区优化：如何训练你的智能体

Elad Sarafian, Gal Kaplun, Ron Banner, Daniel Soudry, Boris Ginsburg

机构 * NVIDIA 纠错

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

AI总结 本文提出通过优化智能体的工作区结构来提升其在多轮任务中的表现，通过模拟权重空间训练方法，利用人工制品、证据、反例和文本反馈来改进智能体的执行能力。

Temperature and Persona Shape LLM Agent Consensus With Minimal Accuracy Gains in Qualitative Coding

温度与人设塑造LLM代理共识：在定性编码中获得最小的准确性提升

Conrad Borchers, Bahar Shahrokhian, Francesco Balzan, Elham Tajik, Sreecharan Sankaranarayanan, Sebastian Simon

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

AI总结 研究探讨了多代理系统中温度与人设对共识构建和编码准确性的影响，发现多人设延迟共识但未显著提升准确性，单代理表现更优。

Comments Accepted as full paper to the 19th International Conference on Educational Data Mining (EDM 2026)

Token Economics for LLM Agents: A Dual-View Study from Computing and Economics

大语言模型代理的代币经济学：从计算和经济学的双重视角研究

Yuxi Chen, Junming Chen, Chenyu He, Yiwei Li, Yicheng Ji, Yifan Wu, Dingyu Yang, Lansong Diao, Lidan Shou, Hongliang Zhang, Huan Li, Gang Chen

机构 * College of Computer Science and Technology Zhejiang University（浙江大学计算机科学与技术学院） ； School of Economics Zhejiang University（浙江大学经济学院） ； The State Key Laboratory of Blockchain and Data Security Zhejiang University（浙江大学区块链与数据安全国家重点实验室） ； Alibaba Cloud（阿里云） 纠错

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

AI总结 本文从计算与经济学双重视角，首次系统探讨代币经济学，提出四维分类框架，涵盖单代理、多代理系统、代理生态系统及安全领域，旨在解决输出质量与经济成本的平衡问题。

When LLMs Team Up: A Coordinated Attack Framework for Automated Cyber Intrusions

当大语言模型协同作战：一种用于自动化网络入侵的协同攻击框架

Minfeng Qi, Tianqing Zhu, Zijie Xu, Congcong Zhu, Qin Wang, Wanlei Zhou

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

AI总结 本文提出CAESAR框架，通过分解任务为五个角色并协调执行，提高自动化入侵任务的成功率并减少性能波动，尤其在需要多步骤利用组合的任务中表现更佳。

Conversational Forecasting Across Large Human Groups Using A Swarm of Surrogate AI Agents

利用群集代理AI进行大规模人类群体对话式预测

Louis Rosenberg, Hans Schumann, Ganesh Mani, Gregg Willcox

专题命中 多智能体 ：AI agent(title,abstract)

AI总结 本文研究了利用Hyperchat AI平台进行篮球比赛预测，发现人类团队在预测准确率上达到62%，优于赔率50%的 Vegas odds，且预测效率与准确性正相关。

Comments 7 pages

Results and Retrospective Analysis of the CODS 2025 AssetOpsBench Challenge

2025年CODS资产操作挑战赛的结果与回顾分析

Dhaval Patel, Chathurangi Shyalika, Suryanarayana Reddy Yarrabothula, Ling Yue, Shuxin Lin, Nianjun Zhou, James Rayfield

机构 * IBM ； Artificial Intelligence Institute at University of South Carolina（南卡罗来纳大学人工智能学院） ； Steel Authority of India Limited（印度钢铁公司） ； Indian Institute of Technology, Bhilai（比哈尔理工学院） ； Rensselaer Polytechnic Institute（拉特格斯理工学院） 纠错

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

AI总结 本文回顾2025年CODS资产操作挑战赛，分析了评估指标、隐藏评估对结果的影响以及团队表现，揭示了评估奖励的行为及改进方向。

Comments 43 pages, 32 Figures

When Reviews Disagree: Fine-Grained Contradiction Analysis in Scientific Peer Reviews

当评论存在分歧时：科学同行评审中的细粒度矛盾分析

Sandeep Kumar, Yash Kamdar, Abid Hossain, Bharti Kumari, Tanik Saikh, Asif Ekbal

机构 * Department of Computer Science and Engineering, Indian Institute of Technology Patna, India（印度理工学院帕纳瓦分校计算机科学与工程系） ； School of Computer Engineering, KIIT Deemed to be University, Bhubaneswar, India（比哈尔邦布尔萨大学计算机工程学院） 纠错

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

AI总结 本文提出细粒度的同行评审矛盾分析方法，通过识别矛盾证据跨度并分配矛盾强度评分，改进了现有二元矛盾检测方法，引入RevCI基准和IMPACT框架，并通过TIDE模型实现高效部署。

Comments accepted at ACL 2026

Mitigating Misalignment Contagion by Steering with Implicit Traits

通过隐含特征引导缓解对齐传染

Maria Chang, Ronny Luss, Miao Liu, Keerthiram Murugesan, Karthikeyan Ramamurthy, Djallel Bouneffouf

机构 * IBM Research Yorktown Heights（IBM研究院Yorktown Heights） 纠错

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

AI总结 研究探讨了多智能体交互中对齐传染问题，提出通过隐含特征引导技术维持模型初始亲社会行为，有效缓解因恶意引导导致的反社会倾向。

Core-Halo Decomposition: Decentralizing Large-Scale Fixed-Point Problems

核心-环分解：解大规模固定点问题的去中心化

Haixiang, Yang Xu, Jiefu Zhang, Xudong Wu, Zihan Zhou, Jun He, Jiayu Chen

机构 * Purdue University（普渡大学） ； The University of Hong Kong（香港大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 本文提出核心-环分解方法，通过分离写入所有权与只读评估上下文，解决严格分解导致的结构偏差问题，实现去中心化多智能体系统中大规模固定点问题的准确求解。

LLM Wardens: Mitigating Adversarial Persuasion with Third-Party Conversational Oversight

LLM卫士：通过第三方对话监督缓解对抗说服

Lennart Wachowiak, Scott D. Blain, David Williams-King, Samuele Marro

机构 * University of Oxford（牛津大学） 纠错

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

AI总结 研究通过引入第三方LLM卫士模型，降低对抗性LLM对用户的操纵成功率，实验显示卫士模型使对手成功率从65.4%降至30.4%。

Optimal and Scalable MAPF via Multi-Marginal Optimal Transport and Schrödinger Bridges

通过多边际最优传输和薛定谔桥实现最优且可扩展的多智能体路径规划

Usman A. Khan, Joseph W. Durham

机构 * Amazon Robotics（亚马逊机器人技术） 纠错

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

AI总结 本文将匿名多智能体路径规划问题转化为具有马尔可夫结构的多边际最优传输问题，通过概率框架和薛定谔桥方法实现线性规划，从而在保持最优性的同时显著降低计算复杂度。

Comments Accepted in ICML 2026 as a spotlight paper

SoK: A Systematic Bidirectional Literature Review of AI & DLT Convergence

SoK：人工智能与分布式账本技术融合的系统双向文献综述

Ali Irzam Kathia, Yimika Erinle, Abylay Satybaldy, Paolo Tasca, Nikhil Vadgama, Marco Alberto Javarone

机构 * Exponential Science Foundation（指数科学基金会） 纠错

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

AI总结 本文系统回顾了2020-2025年间关于AI与DLT融合的研究，分析了AI增强DLT和DLT增强AI的双向交互，发现大多数研究集中在少数层，缺乏跨层协同设计和实际部署验证。

Comments 18 pages, 1 figure, 5 tables

PC3D: Zero-Shot Cooperation Across Variable Rosters via Personalized Context Distillation

PC3D：通过个性化上下文蒸馏实现变量阵容的零样本合作

Ahmet Onur Akman, Rafał Kucharski

机构 * Doctoral School of Exact and Natural Sciences, Jagiellonian University（杰哥利昂大学精确与自然科学博士学院） ； Faculty of Mathematics and Computer Science, Jagiellonian University（杰哥利昂大学数学与计算机科学学院） 纠错

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

AI总结 PC3D通过个性化上下文蒸馏方法，在变阵容的多智能体强化学习中实现有效合作，优于基线方法。

A Cross-Layered Multi-Drone Coordination for Medical Supply Delivery during Disaster Response Management

跨层多无人机协调用于灾难响应管理中的医疗物资配送

Aneesh Calyam, Subrahmanya Chandra Bhamidipati, Zack Murry, Sharan Srinivas

机构 * University of Missouri--Columbia（密苏里大学哥伦比亚分校） 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CEDA算法，通过联合优化优先级路由、多智能体协调和节能导航，解决灾难响应中医疗物资配送的动态不确定性问题，实现公平且高效的患者服务。

Comments 18 pages, 14 figures, 3 tables

Your Recourse, My Loss? Algorithmic Recourse under Shared Constraints

你的补偿，我的损失？在共享约束下的算法补偿

Zahra Khotanlou, Kate Larson, Amir-Hossein Karimi

机构 * Electrical and Computer Engineering Department, University of Waterloo（滑铁卢大学电气与计算机工程系） ； Cheriton School of Computer Science, University of Waterloo（滑铁卢大学切尔顿计算机科学学校） 纠错

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

AI总结 本文提出在共享约束下多对多的算法补偿框架，通过容量限制和多代理优化，平衡整体福利与分配考虑，提升社会福利。

Large Language Models over Networks: Collaborative Intelligence under Resource Constraints

网络上的大语言模型：在资源限制下的协作智能

Liangqi Yuan, Wenzhi Fang, Shiqiang Wang, H. Vincent Poor, Christopher G. Brinton

机构 * Purdue University（普渡大学） ； University of Exeter（埃克塞特大学） ； Princeton University（普林斯顿大学） 纠错

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

AI总结 本文探讨了在资源受限环境下，通过设备与云端协同以及多智能体协作提升大语言模型性能的方法，提出了协同推理的两种维度，并讨论了协作学习与开放研究挑战。

A Theory of Multilevel Interactive Equilibrium in NeuroAI

神经AI中多层级互动均衡的理论

Zhe Sage Chen, Quanyan Zhu

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

AI总结 本文提出了一种博弈论框架，用于适应性多智能体系统，扩展了经典博弈论在部分可观测、计算受限和不确定性的假设下研究神经AI均衡。

Hierarchical Multiagent Reinforcement Learning for Multi-Group Tax Game

多群体税收游戏的分层多智能体强化学习

Honglei Guo, Yuhan Zhao, Yexin Li

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

AI总结 本文提出分层多智能体强化学习框架，用于研究多群体税收博弈中的策略互动，通过课程学习和闭环顺序更新机制提升训练稳定性，实验显示其能学习稳定可持续的税收政策，延长游戏持续时间并减少地区GDP差距。

Energy-efficient flocking with nonlinear navigational feedback

高效编队与非线性导航反馈

Oleksandr Dykhovychnyi, Alexander Panchenko

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

AI总结 本文提出一种非线性导航反馈的多智能体模型，证明了在温和条件下，智能体速度指数趋近于质心速度，且质心与虚拟领导者间距离有界，同时探讨了减少推进能耗的方法。