AI Agent

SCMAPR: Self-Correcting Multi-Agent Prompt Refinement for Complex-Scenario Text-to-Video Generation

SCMAPR: 自校正多智能体提示精修用于复杂场景文本到视频生成

Chengyi Yang, Pengzhen Li, Jiayin Qi, Aimin Zhou, Ji Wu, Ji Liu

机构 * HiThink Research（HiThink研究院） ； East China Normal University（华东师范大学） ； Guangzhou University（广州大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 本文提出SCMAPR框架，通过多智能体分阶段精修提升复杂场景下的文本到视频生成质量，实验表明在VBench和EvalCrafter等基准上平均得分提升显著。

Inter-Agent Relative Representations for Multi-Agent Option Discovery

多智能体选项发现的智能体相对表示

Raul D. Steleac, Mohan Sridharan, David Abel

机构 * School of Informatics University of Edinburgh（信息学院爱丁堡大学） 纠错

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

AI总结 本文提出一种多智能体选项发现方法，通过压缩状态空间并保留协调信息，提升多智能体协作能力。

Towards Self-Improving Error Diagnosis in Multi-Agent Systems

迈向多智能体系统中的自改进错误诊断

Jiazheng Li, Emine Yilmaz, Bei Chen, Dieu-Thu Le

机构 * King’s College London（伦敦国王学院） ； Amazon Alexa AI（亚马逊Alexa AI） ； University College London（伦敦大学学院） 纠错

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

AI总结 本文提出ErrorProbe框架，通过三阶段流程实现多智能体系统的语义故障归因，利用验证记忆提升跨领域迁移能力，在TracerTraj和Who&When基准测试中表现优异。

Comments 15 pages, 3 figures; accepted at ACL 2026 Findings

Phase-Scheduled Multi-Agent Systems for Token-Efficient Coordination

相调度多智能体系统用于令牌高效协调

Mohit Dubey

机构 * Open Gigantic（开放巨量） 纠错

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

AI总结 本文提出相调度多智能体系统，通过连续控制共享注意力空间实现高效协调，显著降低令牌消耗并保持任务性能。

Comments 8 pages, pre print, 3 figures

Signal or Noise in Multi-Agent LLM-based Stock Recommendations?

多智能体基于LLM的股票推荐中信号还是噪声？

George Fatouros, Kostas Metaxas

机构 * MarketSenseAI 纠错

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

AI总结 本文验证了MarketSenseAI多智能体LLM股票系统在投资组合层面的表现，发现其买入推荐在被动基准和随机选择上具有超额收益，揭示了智能体结构对alpha来源的适应性整合机制。

Comments 22 pages, 10 figures

Safe and Policy-Compliant Multi-Agent Orchestration for Enterprise AI

企业AI中的安全且符合政策的多智能体编排

Vinil Pasupuleti, Shyalendar Reddy Allala, Siva Rama Krishna Varma Bayyavarapu, Shrey Tyagi

机构 * International Business Machines (IBM)（国际商业机器公司（IBM）） ； Global Atlantic Financial（全球大西洋金融） ； Salesforce Inc（Salesforce公司） 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CAMCO框架，通过约束投影引擎、适应性风险加权拉格朗日效用塑造和迭代谈判协议，实现企业AI中多智能体的约束优化编排，有效保障政策合规性与风险控制。

Comments 6 pages, 3 figures, 3 tables, IEEE conference format

A Multi-Agent Approach for Claim Verification from Tabular Data Documents

从表格数据文档中验证声明的多智能体方法

Rudra Ranajee Saha, Laks V. S. Lakshmanan, Raymond T. Ng

机构 * University of British Columbia（不列颠哥伦比亚大学） 纠错

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

AI总结 本文提出多智能体框架MACE，通过规划器、执行器和验证器三个智能体，实现可解释的表格数据验证，实验显示其在多个数据集上达到SOTA性能，且在参数较少时仍表现优异。

Do LLM-derived graph priors improve multi-agent coordination?

基于大语言模型的图先验是否能提升多智能体协调？

Nikunj Gupta, Rajgopal Kannan, Viktor Prasanna

机构 * University of Southern California（南加州大学） ； DEVCOM ARL Army Research Office（美国陆军研究办公室） 纠错

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

AI总结 本文探讨大语言模型能否通过少量自然语言描述推断出多智能体协调的图先验，以提升动态环境中的协调与适应能力。

Graph-of-Agents: A Graph-based Framework for Multi-Agent LLM Collaboration

图-智能体：一种基于图的多智能体LLM协作框架

Sukwon Yun, Jie Peng, Pingzhi Li, Wendong Fan, Jie Chen, James Zou, Guohao Li, Tianlong Chen

机构 * UNC Chapel Hill（UNC夏洛茨维尔分校） ； Eigent AI（Eigent人工智能） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； Stanford University（斯坦福大学） 纠错

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

AI总结 本文提出Graph-of-Agents框架，通过节点采样、边构建和消息传递提升多智能体协作效率，仅用3个智能体在多个基准测试中优于使用全部6个智能体的基线方法。

Comments ICLR 2026

Conjunctive Prompt Attacks in Multi-Agent LLM Systems

多智能体大语言模型中的联合提示攻击

Nokimul Hasan Arif, Qian Lou, Mengxin Zheng

机构 * University of Central Florida（中央佛罗里达大学） 纠错

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

AI总结 研究多智能体系统中联合提示攻击的机制与防御，通过路由优化提升攻击成功率并降低误触发率，揭示了智能体流水线的结构性漏洞。

Comments ACL 2026 Main Conference

Semantic Channel Theory: Deductive Compression and Structural Fidelity for Multi-Agent Communication

语义通道理论：多智能体通信的演绎压缩与结构保真

Jianfeng Xu

机构 * Koguan School of Law, China Institute for Smart Justice, School of Computer Science, Shanghai Jiao Tong University（柯关法学院，中国智能正义研究院，计算机科学学院，上海交通大学） 纠错

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

AI总结 本文提出语义通信的严谨框架，结合形式证明系统与香农理论工具，定义语义通道及四种递增语义深度的失真度量，通过显式Datalog实例验证了演绎压缩增益和语义瓶颈现象。

Comments arXiv admin note: text overlap with arXiv:2604.11204

LLM-Based Multi-Agent Systems for Code Generation: A Multi-Vocal Literature Review

基于大语言模型的多智能体系统用于代码生成：多声调文献综述

Zeeshan Rasheeda, Muhammad Waseema, Kai-Kristian Kemella, Mika Saari, Pekka Abrahamsson

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

AI总结 本文通过多声调文献综述分析了大语言模型多智能体系统在代码生成中的应用，总结了其动机、模型、挑战及未来方向。

Comments 34 pages, 2 Figures, Table 11

Scaling External Knowledge Input Beyond Context Windows of LLMs via Multi-Agent Collaboration

通过多智能体协作扩展LLM上下文窗口之外的知识输入

Zijun Liu, Zhennan Wan, Peng Li, Ming Yan, Fei Huang, Yang Liu

机构 * Dept. of Comp. Sci. & Tech., Institute for AI, Tsinghua University, Beijing, China（计算机科学与技术系，人工智能研究院，清华大学，北京，中国） ； Institute for AI Industry Research (AIR), Tsinghua University, Beijing, China（人工智能产业研究院（AIR），清华大学，北京，中国） ； Institute of Intelligent Computing, Alibaba Group（智能计算研究院，阿里巴巴集团） 纠错

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

AI总结 本文提出ExtAgents框架，通过多智能体协作提升LLM在不延长上下文窗口的情况下整合外部知识的能力，实验证明其在多跳问答和长文本生成任务中优于现有方法。

Comments Accepted to ACL 2026. 31 pages, 10 figures. Code and data are available at https://github.com/THUNLP-MT/ExtAgents

Neural Orchestration for Multi-Agent Systems: A Deep Learning Framework for Optimal Agent Selection in Multi-Domain Task Environments

多智能体系统的神经编排：一种用于多领域任务环境的深度学习框架用于最优智能体选择

Kushagra Agrawal, Nisharg Nargund

机构 * School of Computer Engineering, KIIT Deemed to be University（KIIT大学计算机工程学院） 纠错

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

AI总结 本文提出MetaOrch框架，通过深度学习实现多领域任务环境中的最优智能体选择，采用监督学习方法结合模糊评估模块，实验显示其在模拟环境中达到86.3%的准确率，优于随机选择和轮询调度等基线方法。

Comments Accepted for Publication at PReMI 2025 - 11th International Conference on Pattern Recognition and Machine Intelligence

Journal ref In: Proceedings of the International Conference on Pattern Recognition and Machine Intelligence (PReMI), Springer-LNCS, 2025

MARCH: Multi-Agent Radiology Clinical Hierarchy for CT Report Generation

MARCH：多智能体放射科临床层级用于CT报告生成

Yi Lin, Yihao Ding, Yonghui Wu, Yifan Peng

机构 * Weill Cornell Medicine（韦尔·科恩医学中心） ； University of Western Australia（西澳大学） ； University of Florida（佛罗里达大学） 纠错

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

AI总结 MARCH通过模拟放射科专业层级，采用多智能体框架提升CT报告生成的临床准确性和语言准确性。

Comments Accepted by ACL 2026 main conference

Where are the Humans? A Scoping Review of Fairness in Multi-agent AI Systems

人类在哪里？多智能体人工智能系统中公平性的综述

Simeon Allmendinger, Luca Deck, Lucas Mueller

机构 * University of Bayreuth（巴耶鲁斯大学） ； Fraunhofer FIT（弗劳恩霍夫 FIT 研究所） 纠错

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

AI总结 本文通过综述23项研究，揭示多智能体人工智能系统中公平性研究的五个典型方法，指出其缺乏规范基础和对智能体自主性和系统交互动态的忽视，并提出公平性应贯穿开发全过程。

Comments In proceedings of European Conference on Information Systems (ECIS) 2026

One Step is Enough: Multi-Agent Reinforcement Learning based on One-Step Policy Optimization for Order Dispatch on Ride-Sharing Platforms

一步即可：基于一步策略优化的多智能体强化学习用于网约车平台订单调度

Zijian Zhao, Sen Li

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（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 本文提出基于一步策略优化的多智能体强化学习方法，通过消除价值函数估计误差，提升网约车平台订单调度效率，实验表明其在简化网络结构下表现优异。

Beyond Conservative Automated Driving in Multi-Agent Scenarios via Coupled Model Predictive Control and Deep Reinforcement Learning

通过耦合模型预测控制和深度强化学习实现多智能体场景下的非保守自动驾驶

Saeed Rahmani, Gözde Körpe, Zhenlin, Xu, Bruno Brito, Simeon Craig Calvert, Bart van Arem

机构 * TU Delft, Faculty of Civil Engineering and Geosciences, Department of Transport and Planning（代尔夫特理工大学，土木工程与地质科学学院，交通与规划系） ； NVIDIA 纠错

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

AI总结 本文提出结合MPC与RL的框架，提升多智能体场景下的导航性能，实验表明MPC-RL在碰撞率和成功率上优于传统方法，且在零样本迁移中表现更优，展示了MPC对跨场景鲁棒性的贡献。

Comments This work has been submitted to the IEEE for possible publication

WebMAC: A Multi-Agent Collaborative Framework for Scenario Testing of Web Systems

WebMAC: 一种用于Web系统场景测试的多智能体协作框架

Zhenyu Wan, Gong Chen, Qing Huang, Xiaoyuan Xie

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

AI总结 本文提出WebMAC框架，通过多智能体协作完成测试场景描述和转换，提升测试脚本执行成功率和效率，减少token消耗，并有效发现更多Web系统错误。

Debate to Align: Reliable Entity Alignment through Two-Stage Multi-Agent Debate

辩论以对齐：通过双阶段多智能体辩论实现可靠的实体对齐

Cunda Wang, Ziying Ma, Po Hu, Weihua Wang, Feilong Bao

机构 * Hubei Provincial Key Laboratory of Artificial Intelligence and Smart Learning, Central China Normal University, Wuhan, China（湖北人工智能与智能学习省级重点实验室，中央财经大学，武汉，中国） ； School of Computer Science, Central China Normal University, Wuhan, China（中央财经大学计算机科学学院，武汉，中国） ； National Language Resources Monitoring and Research Center for Network Media, Central China Normal University, Wuhan, China（网络媒体语言资源监测与研究中心，中央财经大学，武汉，中国） ； College of Computer Science, Inner Mongolia University, Hohhot, China（内蒙古大学计算机学院，呼和浩特，中国） ； National and Local Joint Engineering Research Center of Intelligent Information Processing Technology for Mongolian, Inner Mongolia University, Hohhot, China（蒙古语智能信息处理技术国家与地方联合工程研究中心，内蒙古大学，呼和浩特，中国） ； Inner Mongolia Key Laboratory of Multilingual Artificial Intelligence Technology, Inner Mongolia University, Hohhot, China（内蒙古多语言人工智能技术重点实验室，内蒙古大学，呼和浩特，中国） 纠错

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

AI总结 本文提出AgentEA框架，通过双阶段多角色辩论机制提升实体对齐的可靠性，实验表明其在跨语言、稀疏、大规模和异构场景下均有效。

Learning Probabilistic Responsibility Allocations for Multi-Agent Interactions

多智能体交互中的概率责任分配学习

Isaac Remy, Caleb Chang, Karen Leung

机构 * University of Washington, Department of Aeronautics and Astronautics（华盛顿大学航空航天系） ； NVIDIA 纠错

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

AI总结 本文提出一种学习多智能体交互中概率责任分配模型的方法，通过条件变分自动编码器的潜在空间和多智能体轨迹预测技术，实现基于场景和智能体上下文的责任分配分布学习，展示了在INTERACTION驾驶数据集上的强预测性能和可解释性。

Fairness in Multi-Agent Systems for Software Engineering: An SDLC-Oriented Rapid Review

多代理系统在软件工程中的公平性：面向软件开发生命周期的快速综述

Corey Yang-Smith, Ronnie de Souza Santos, Ahmad Abdellatif

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

AI总结 本文综述了多代理系统在软件工程中的公平性研究，分析了LLM赋能环境下的公平性框架，指出当前研究在评估实践、泛化能力及缓解机制方面存在三大不足。

Comments 8 pages, 4 figures. Accepted to the LLMTrust workshop at FSE Companion 2026

CIA: Inferring the Communication Topology from LLM-based Multi-Agent Systems

CIA：从基于大语言模型的多智能体系统推断通信拓扑

Yongxuan Wu, Xixun Lin, He Zhang, Nan Sun, Kun Wang, Chuan Zhou, Shirui Pan, Yanan Cao

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； Griffith University（格里菲斯大学） ； Nanyang Technological University（南洋理工大学） ； Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院） 纠错

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

AI总结 研究探讨了基于大语言模型的多智能体系统通信拓扑在黑盒环境下被推断的隐私风险，提出CIA攻击方法，通过构建对抗性查询和全局偏差解耦技术，验证了攻击的有效性。

Comments ACL 2026, Main

TRUST Agents: A Collaborative Multi-Agent Framework for Fake News Detection, Explainable Verification, and Logic-Aware Claim Reasoning

TRUST代理：一种用于虚假新闻检测、可解释验证和逻辑感知声明推理的协作多智能体框架

Gautama Shastry Bulusu Venkata, Santhosh Kakarla, Maheedhar Omtri Mohan, Aishwarya Gaddam

机构 * George Mason University（乔治·马歇尔大学） 纠错

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

AI总结 TRUST代理通过协作多智能体框架提升虚假新闻检测的可解释性和逻辑推理能力，引入分解器、陪审团和逻辑聚合器提升复杂声明的验证效果。

Comments 12 pages, 2 figures

Aethon: A Reference-Based Replication Primitive for Constant-Time Instantiation of Stateful AI Agents

Aethon：一种基于引用的复制原语，用于常数时间实例化状态性AI代理

Swanand Rao, Kiran Kashalkar, Parvathi Somashekar, Priya Krishnan

机构 * Next Moca Global, Inc.（Next Moca全球公司） 纠错

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

AI总结 本文提出Aethon，一种基于引用的复制原语，用于常数时间实例化状态性AI代理，通过改变实例化方式，降低创建成本并提升多代理协作效率。

Comments 12 pages. Systems paper introducing a novel agent instantiation primitive for scalable multi-agent infrastructure

Hear Both Sides: Efficient Multi-Agent Debate via Diversity-Aware Message Retention

倾听双方观点：通过多样性意识的消息保留实现高效的多智能体辩论

Manh Nguyen, Anh Nguyen, Dung Nguyen, Svetha Venkatesh, Hung Le

机构 * Applied Artificial Intelligence Initiative（应用人工智能倡议） 纠错

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

AI总结 本文提出DAR框架，通过选择最不一致的消息子集提升多智能体辩论性能，尤其在智能体数量增加时表现更优。

Silo-Bench: A Scalable Environment for Evaluating Distributed Coordination in Multi-Agent LLM Systems

Silo-Bench：一种用于评估多智能体大语言模型分布式协调的可扩展环境

Yuzhe Zhang, Feiran Liu, Yi Shan, Xinyi Huang, Xin Yang, Yueqi Zhu, Xuxin Cheng, Cao Liu, Ke Zeng, Terry Jingchen Zhang, Wenyuan Jiang

机构 * Beijing University of Technology（北京理工大学） ； Zhejiang University（浙江大学） ； ETH Zürich（苏黎世联邦理工学院） ； Meituan LongCat Interaction Team（美团LongCat交互团队） ； Vector Institute for Artificial Intelligence（人工智能向量研究所） 纠错

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

AI总结 Silo-Bench通过30种算法任务和三个通信复杂度级别评估多智能体系统分布式协调，揭示了通信与推理之间的差距，证明单纯增加智能体数量无法克服上下文限制。

Comments 20 pages, 7 figures, Accepted at ACL 2026 Main Conference

Dialectic-Med: Mitigating Diagnostic Hallucinations via Counterfactual Adversarial Multi-Agent Debate

辩证-调解：通过反事实对抗多智能体辩论缓解诊断幻觉

Zhixiang Lu, Jionglong Su

机构 * Xi’an Jiaotong-Liverpool University（西交利物浦大学） 纠错

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

AI总结 本文提出Dialectic-Med框架，通过多智能体对抗辩论机制缓解医疗多模态大语言模型的诊断幻觉问题，提升推理可信度和解释忠实度。

Comments Accepted by ACL 2026

VS-Bench: Evaluating VLMs for Strategic Abilities in Multi-Agent Environments

VS-Bench：评估多智能体环境中视觉语言模型的战略能力

Zelai Xu, Zhexuan Xu, Xiangmin Yi, Huining Yuan, Mo Guang, Kaiwen Long, Xinlei Chen, Yi Wu, Chao Yu, Yu Wang

机构 * EE, Tsinghua University（清华大学电子工程系） ； SIGS, Tsinghua University（清华大学深圳国际研究生院） ； Li Auto Inc.（理想汽车） ； IIIS, Tsinghua University（清华大学交叉信息研究院） 纠错

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

AI总结 VS-Bench是首个评估多智能体环境中视觉语言模型战略能力的多模态基准，涵盖合作、竞争和混合动机交互，通过感知、推理和决策三个维度评估15种领先模型，揭示当前模型在推理和决策上的显著差距。

Comments Published at CVPR 2026 (Oral)

MAFIG: Multi-agent Driven Formal Instruction Generation Framework

MAFIG：多智能体驱动的正式指令生成框架

Shixing Zhao, Zheng Si, Pengpeng Ouyang, Zhengqing Hu, Wanqi Zhu, Dong Chen, Yibo Guo, Mingliang Xu

机构 * School of Computer and Artificial Intelligence, Zhengzhou University（郑州大学计算机与人工智能学院） ； Engineering Research Center of Intelligent Swarm Systems, Ministry of Education（教育部智能集群系统工程研究中心） ； National Supercomputing Center in Zhengzhou（国家超级计算郑州中心） ； Henan Research Center for Large Model Technology and New Quality Software Engineering（河南省大模型技术与新质软件工程研究中心） 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MAFIG框架，通过多智能体生成局部正式指令以应对调度系统紧急情况，采用span-focused loss-driven local distillation机制提升决策效率，实验结果显示在港口、仓储和甲板调度数据集上成功率高且处理速度快。