AI Agent

Goal Staying Makes Sum-of-Costs Anonymous Multi-Agent Path Finding NP-Hard

目标驻留使代价和匿名多智能体路径发现问题成为NP难问题

Hang Ma

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

AI总结 该研究证明目标驻留的匿名多智能体路径发现（AMAPF）中代价和（SoC）最小化是NP难问题，而智能体到达目标后消失的AMAPF对应问题存在多项式时间算法，明确了复杂度边界。

Provably Safe Decentralized Contingency MPC under State-Only Information and Limited Sensing for Nonlinear Multi-agent Systems

面向非线性多智能体系统的仅状态信息与有限感知下可证安全的分散式应急模型预测控制

Max Studt, Georg Schildbach

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

AI总结 针对仅状态信息与有限感知下的非线性多智能体系统，提出可证安全的分散式应急模型预测控制方法，通过新颖安全集更新机制降低保守性，在密集场景中验证了其有效性。

Interception Conditions in Multi-Agent Pursuit Games Governed by Linear Dynamics with Gronwall-type Constraints

具有Gronwall型约束的线性动力学多智能体追逃博弈中的拦截条件

David Terna. Gbande, Abbas Ja'afaru Badakaya, Mehdi Salimi, Aminu Sulaiman Halliru, Jamilu Adamu

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

AI总结 本文针对受Gronwall型约束的线性动力学多智能体追逃问题，构建追捕者许可策略并推导拦截保证的充分条件，通过数值示例验证策略有效性与分析条件。

Distributed primal-dual algorithm for constrained multi-agent reinforcement learning under coupled policies

耦合策略下约束多智能体强化学习的分布式原始对偶算法

Pengcheng Dai, He Wang, Dongming Wang, Wenwu Yu

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

AI总结 研究耦合环境下的约束多智能体强化学习，针对现有方法不足，提出智能体采用依赖邻居状态和参数的耦合策略及分布式可扩展原始对偶算法，证明算法收敛性，仿真验证其优于现有算法。

Detect Before You Attribute: Cascade Failure Attribution for Multi-Agent Systems

先检测再归因：多智能体系统的级联故障归因

Jiayi Zhang, Zexin Wang, Degang Sun, Changhua Pei, Fei Sun, Gaogang Xie, Jingjing Li

机构 * Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） 纠错

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

AI总结 针对多智能体系统故障归因的现有方法存在不足，该研究提出即插即用的DUOTRACE，采用先检测后归因范式，提升了智能体级和步骤级归因准确率。

Comments 17 pages, 5 figures, 13 tables

The Role of Network Topology and Opponent Information in Shaping Cooperation in Multi-Agent Reinforcement Learning Systems

网络拓扑与对手信息在多智能体强化学习系统中塑造合作的作用

Seongho Son, Stephen Hailes, Mirco Musolesi

机构 * University College London（伦敦大学学院） ； UCL Centre for Artificial Intelligence（伦敦大学学院人工智能中心） ； University of Bologna（博洛尼亚大学） 纠错

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

AI总结 该研究探究多智能体强化学习中，图拓扑、对手行动历史与身份信息对迭代囚徒困境博弈合作行为的影响，发现节点邻居数、平均路径长度及伙伴选择等因素对合作的作用。

Comments 19 pages, 13 figures

AUDITA: certified auditing and causal attribution of adverse outcomes in autonomous multi-agent systems

AUDITA：自主多智能体系统中不良结果的可验证审计与因果归因

Zhixu Du, Yiran Chen

机构 * Duke University（杜克大学） 纠错

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

AI总结 AUDITA是自主多智能体系统的审计层，结合防篡改智能体命令记录与可验证因果归因引擎，可减少责任错误、处理多重决定等场景，将责任判定从争论转为证据计算。

SwarmBench: Can Large Language Models Act as Agent Swarm Orchestrators?

SwarmBench：大语言模型能否充当智能体群的编排者？

Jinshan Gao, Zhuoran Jin, Tianyi Men, Kang Liu, Jun Zhao

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

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

AI总结 该研究针对大语言模型作为智能体群编排者的评估需求，提出多维度基准SwarmBench，发现模型编排能力存在显著差异，并通过SwarmExp方法有效提升了编排性能。

Comments EMNLP 2026 Findings

FaVOR: LLM-Based Agentic Framework for Factor Mining via Empirical Validation

FaVOR：基于大语言模型的智能体框架，用于通过实证验证挖掘因子

Hyeonjin Kim, Minseok Kim, Seunghyeon Jung, Sujin Pyo, Huisu Jang, Woojin Lee

机构 * Dongguk University-Seoul（东国大学首尔校区） ； Seoul National University（首尔大学） ； Soongsil University（崇实大学） 纠错

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

AI总结 FaVOR是围绕假设证据的LLM智能体框架，通过三阶段一致性循环挖掘因子，在中证500、标普500上优于基准，可生成可解释、鲁棒的经济信号。

Safe to Resume? Breaking Execution Continuity of Agent Execution via Rollback

是否可以安全恢复？通过回滚破坏智能体执行的连续性

Guanlong Wu, Dahui Li, Ke Jiang, Jianyu Niu, Cong Wang, Yinqian Zhang

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

AI总结 本文对现有智能体系统的检查点与回滚进行首次系统性安全研究，识别出五种基本故障模式，通过三个端到端攻击展示安全影响，发现相关故障源于检查点恢复状态与安全继续执行所需依赖的差距。

Robust Multi-Agent LLMs under Byzantine Faults

在拜占庭故障下鲁棒的多智能体大语言模型

Haejoon Lee, Vincent-Daniel Yun, Dimitra Panagou, Sai Praneeth Karimireddy

机构 * Department of Robotics, University of Michigan, Ann Arbor, USA（密歇根大学机器人系，安娜堡，美国） ； Thomas Lord Department of Computer Science, University of Southern California, USA（南加州大学计算机科学托马斯·劳德系，美国） 纠错

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

AI总结 本文提出Self-Anchored Consensus算法，通过去中心化迭代过滤和优化协议提升多智能体系统在拜占庭故障下的鲁棒性，实验表明其在数学和常识推理任务中表现优异。

Comments EMNLP 2026 Main Accepted

Using Grounded Theory for Agent Behavior Analysis at Scale

用扎根理论进行大规模智能体行为分析

Zhuoran Lu, Yangyang Yu, Zhuoyan Li, Yibo Meng, Nan Jiang, Chengxi Zang, Jie Gao, Ziang Xiao

机构 * Purdue University（普渡大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Cornell University（康奈尔大学） ； University of Texas at El Paso（德克萨斯大学埃尔帕索分校） ； Johns Hopkins University（约翰斯·霍普金斯大学） 纠错

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

AI总结 该研究将扎根理论引入智能体轨迹分析，提出AutoTraceGT流程，在六个语料库上可恢复多数人类标注失败模式，其编码本在失败预测任务中优于LLM基线，为智能体行为分析提供可扩展工具。

Comments 33 pages. Accepted to the Findings of the 2026 Conference on Empirical Methods in Natural Language Processing (EMNLP 2026)

Multi-Agent Receding Horizon Games Framework for Autonomous Market Participation

面向自主市场参与的多智能体滚动时域博弈框架

Parth Brahmbhatt, Styliani Avraamidou

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

AI总结 该研究针对分布式能源资源参与批发市场的痛点，提出多智能体滚动时域博弈框架，实现公平的点对点联合投标，在PJM市场应用中提升了机组利润、降低了成本与弃电率。

RACER: Reinforced Agent Collaboration for Explainable Reasoning on Knowledge Graphs

RACER：面向知识图谱可解释推理的强化智能体协作框架

Yuwei Lou, Hao Hu, Yuzhou Jiang, Zongfei Zhang, Liang Wang, Jincai Liu, Jidong Ge, Xianping Tao

机构 * State Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室） ； Chinaunicom Software Nanjing Branch（中国联通软件南京分公司） 纠错

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

AI总结 RACER是面向知识图谱可解释推理的强化智能体协作框架，通过多智能体协作等技术解决LLM的幻觉与复杂推理难题，在两个数据集上平均提升5%性能。

Comments 15 pages, 1 figures, This paper has been accepted by ICONIP 2026

Beyond Alignment: Value Diversity as a Collective Property in Multicultural Agent Systems

超越对齐：多元文化智能体系统中的价值多样性作为集体属性

Shaoyang Xu, Jingshen Zhang, Long P. Hoang, Jinyuan Li, Wenxuan Zhang

机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； Washington University in St. Louis（华盛顿大学圣路易斯分校） 纠错

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

AI总结 针对多元文化多智能体系统，提出以价值多样性作为系统级评估轴，通过文化条件化智能体在共享价值调查中的响应差异度量，发现多样性几乎与对齐无关，且当前系统远低于人类社会，混合骨干系统缩小但未消除差距，社会互动进一步侵蚀多样性。

Comments emnlp2026findings

Spatiotemporal Continual Federated Learning for Agentic Multi-UAV Edge Networks: Mitigating Catastrophic Forgetting

空间时间连续学习用于移动边缘UAV网络：缓解灾难性遗忘

Chuan-Chi Lai

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

AI总结 本文提出STCL框架，通过G-MAPPO算法结合GDPO机制和梯度正交化层，平衡异质目标，提升UAV网络在动态环境中的服务可靠性与性能。

Comments 13 pages, 5 figures, 2 tables. Substantially revised and extended version with an agentic multi-UAV edge networking framework, enhanced theoretical analysis, and additional experimental evaluation

Zero-Knowledge Predicate Proofs Between AI Agents: A Measured, Cross-Protocol Gateway and the Source-Integrity Gap

AI智能体间的零知识谓词证明：一种可测量的跨协议网关与源完整性缺口

Ashok Subbabhatta Gopalakrishna

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

AI总结 该研究提出一种跨协议零知识证明网关，实现AI智能体间的可证数据最小化，解决源完整性缺口问题，经实验验证性能达标且符合GDPR数据最小化原则。

Comments 11 pages, 6 figures, 4 tables. Reference implementation available at https://github.com/45h0kg/zk-proof-gateway

Forward-Deployed Full-Stack Engineering for Autonomous Cloud MLOps

面向自主云 MLOps 的前置式全栈工程

Sagar Srinivas Sakhinana, Venkataramana Runkana

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

AI总结 本研究提出带证据门控的多智能体框架，结合图工程等技术，在 Google Cloud Platform 实现自主云 MLOps 全栈工程，可阻止无效生命周期转换，保障任务达成验证部署或可审计失败。

Comments Nill

Why It Hurts: Identifying the Drivers of Negative Thoughts in Emotional Support Conversations

为何会痛苦：识别情感支持对话中消极想法的驱动因素

Hainiu Xu, Zhaoyue Sun, Hanqi Yan, Jinhua Du, Caroline Catmur, Yulan He

机构 * King’s College London（伦敦国王学院） ； JinFlow Intelligence Ltd.（金流智能公司） ； The Alan Turing Institute（阿兰·图灵研究所） 纠错

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

AI总结 本研究针对LLM情感支持任务中认知评估维度显著性被忽视的问题，推出AppraiSal基准并提出基于贝叶斯逆规划的多智能体概率框架PRISM，提升了LLMs识别情境特定显著评估维度的能力。

Comments EMNLP 2026

PaperBanana-Interact: Scientific Diagram Refinement with Multi-Turn Human Feedback

PaperBanana-Interact：基于多轮人类反馈的科学图表优化

Xueqing Wu, Ashwin Balasubramanian, Bingxuan Li, Dawei Zhu, Kai-Wei Chang, Yale Song, Yiwen Song, Rui Meng, Tomas Pfister, Nanyun Peng

机构 * Google（谷歌公司） ； Peking University（北京大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 该研究针对科学图表多轮优化的空白，构建了多轮图表生成基准MTPaperBananaBench，提出多智能体系统PaperBanana-Interact，解决基线系统的质量漂移与遗忘问题，显著提升图表优化效果。

Comments https://shirley-wu.github.io/PaperBanana-Interact/

Lies We Can See: Joint Verbal and Non-Verbal Deception by VLM Agents in Embodied Social Interactions

我们能看见的谎言：具身社交交互中VLM智能体的联合言语与非言语欺骗

Jaewoo Ahn, Junseo Kim, Hyunseo Kim, Heeseung Yun, Jaehyeon Son, Zsolt Kira, Gunhee Kim

机构 * Seoul National University（首尔大学） ； Inha University（仁荷大学） ； KAIST（韩国科学技术院） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 本研究构建了3D多模态社交推理游戏测试平台MineAmongUs，提出可配置VLM智能体控制程序ARIA，发现非言语通道是VLM智能体欺骗取胜的更关键因素，为具身VLM智能体对齐研究开辟新方向。

Comments Workshop on Agent Behavior (WAB) at COLM 2026. Project page: https://junseokim0103.github.io/Lies-We-Can-See/

Cognitive Cells: A Compositional Framework for Populations of Small Language Models

认知单元：小型语言模型群体的组合框架

Silvan Ferreira

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

AI总结 该研究提出认知单元框架，用15亿和30亿参数的小型冻结语言模型开展实验，发现仅当单元错误相关性不高时增加单元有助，开放式投票优于保守基准，部分交互协议未胜匹配成本投票，单元传事实能力可预测群体解复杂任务的能力。

Performance Guarantees for Data-Driven Sequential Decision-Making

数据驱动顺序决策中的性能保证

Bowen Li, Edwin K. P. Chong, Ali Pezeshki

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

AI总结 本文提出一种通用框架，通过比率界为近似动态规划方案提供性能保证，应用于数据驱动机器人路径规划和多智能体传感器覆盖。

Language-Guided Tuning: Configuration Optimization for Automated ML Research

语言引导调优：自动化机器学习研究的配置优化

Yuxing Lu, Yucheng Hu, Nan Sun, Xukai Zhao

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

AI总结 针对机器学习配置优化瓶颈，提出多智能体大语言模型框架LGT，协调三类智能体形成反馈循环，在七个数据集上实现比传统方法更优的可解释性优化效果。

Comments 18 pages, 4 figures, 10 tables

A Universal Context-Reuse Layer for Cross-Model KV Sharing

用于跨模型KV共享的通用上下文复用层

Yi Li, Dongming Jiang, Yi Zhao, Bingzhe Li

机构 * University of Texas at Dallas（德克萨斯大学达拉斯分校） 纠错

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

AI总结 该研究提出通用上下文复用层，实现跨模型KV共享，在同系列及跨系列LLM场景中降低预填充成本、提升准确率，验证了KV状态可作为可迁移计算表示。

From AGI to ASI

从AGI到ASI

Tim Genewein, Matija Franklin, Alexander Lerchner, Laurent Orseau, Samuel Albanie, Adam Bales, Cole Wyeth, Stephanie Chan, Iason Gabriel, Joel Z. Leibo, Allan Dafoe, Marcus Hutter, Thore Graepel, Shane Legg

机构 * Google DeepMind（谷歌DeepMind） ； University of Waterloo（滑铁卢大学） ； Australian National University（澳大利亚国立大学） ； University College London（伦敦大学学院） 纠错

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

AI总结 探讨从人类级通用人工智能到超级智能的转变路径，包括扩展、范式转变、递归改进和多智能体涌现，并分析摩擦与瓶颈。

Comments v2: minor fixes and addition of related work

The Hermon Moment: AI Self-Transcendence and Its Human Narration

赫蒙时刻：AI的自我超越及其人类叙事

Alexei Grinbaum

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

AI总结 该研究提出AI智能体形成的分布式高阶秩序“董事会”可通过类似卢梭社会契约与赫蒙山堕落天使誓言的叙事（赫蒙时刻），让人类理解其渐进式集体涌现的过程。

CLIN: an Objective Framework for Evaluating Creativity in Short Persian Literary Text

CLIN：一种用于评估波斯语短篇文学文本创造性的客观框架

Mohammad Reza Modarres, Armin Tourajmehr, Yadollah Yaghoobzadeh, Mohammad Taher Pilehvar

机构 * Tehran Institute for Advanced Studies, Khatam University（哈塔姆大学德黑兰高等研究院） ； Cardiff University（卡迪夫大学） 纠错

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

AI总结 针对LLM评估波斯语短篇文学文本创造性的维度依赖问题，提出CLIN框架，用三类代理指标评估TTCT衍生的创造性维度，实现了与零样本LLM相当或更优的人类对齐度且评估成本更低。

Comments Accepted to Findings of EMNLP 2026

Evaluating the Capabilities of LLMs for Persuasive Dialogue

评估大型语言模型（LLMs）在说服性对话中的能力

Jordan Robinson, Angus R. Williams, Katie Atkinson, Anthony G. Cohn

机构 * University of Liverpool（利物浦大学） ； The Alan Turing Institute（阿兰·图灵研究所） ； University of Leeds（利兹大学） 纠错

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

AI总结 该研究推出多智能体对话平台\textsc{Persuasio}，通过192场辩论发现LLMs主观说服力强但形式论证能力弱，人类在形式判定中仍具竞争力，二者存在系统性差距。

Comments 19 pages, 7 figures, 4 tables

Asynchronous Cooperative Online Learning for Multi-Robot Control under Computational Delays

计算延迟下多机器人控制的异步协同在线学习

Xiaobing Dai, Zewen Yang, Wei Ren, Sandra Hirche

机构 * Technical University of Munich（慕尼黑工业大学） ； University of California at Riverside（加州大学河滨分校） 纠错

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

AI总结 针对多机器人控制中计算延迟与查询点差异问题，提出异步协同在线学习策略与伴随MAS分布式控制律，经无人水面艇仿真验证，其学习与控制性能优于现有最优方法。