AI Agent

Miniature Testbed for Validating Multi-Agent Cooperative Autonomous Driving

用于验证多智能体协同自动驾驶的微型测试平台

Hyunchul Bae, Eunjae Lee, Jehyeop Han, Minhee Kang, Jaehyeon Kim, Junggeun Seo, Minkyun Noh, Heejin Ahn

机构 * School of Electrical Engineering（电气工程学院） ； School of Mechanical Engineering（机械工程学院） ； Korea Advanced Institute of Science and Technology（韩国科学技术院） 纠错

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

AI总结 提出CIVAT微型测试平台，集成V2V/V2I通信与ROS2框架，通过基础设施感知和交叉口管理实验验证协同自动驾驶功能。

Comments Accepted by ICRA 2026, 8 pages

Unaccountable Delegation, Fading Skills: Mapping the Risks of Workplace AI Agents

不可问责的授权与技能衰退：绘制职场AI智能体的风险图谱

Gabriele La Malfa, Lakmal Meegahapola, Edyta Bogucka, Jie M. Zhang, Michael Luck, Elizabeth Black, Daniele Quercia

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

AI总结 该研究开发了AI智能体多层框架，基于2078项工作任务生成风险场景并验证，扩展出15类职场AI风险分类法，揭示了不同部署模式的风险差异，为职场AI风险管控提供了分类工具与依据。

Diffusion-Guided Cooperative Policy Learning for Target Tracking Based on Underwater Mobile Agent Networks

基于监督扩散辅助多智能体强化学习的多水下机器人协作目标跟踪

Jiaao Ma, Chuan Lin, Guangjie Han, Shengchao Zhu, Zhenyu Wang, Chen An

机构 * Software College, Northeastern University（东北大学软件学院） ； Key Laboratory of Maritime Intelligent Network Information Technology, Ministry of Education, Hohai University（河海大学教育部海事智能网络信息技术重点实验室） ； College of Computer Science and Software Engineering, Hohai University（河海大学计算机与软件学院） ； College of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） 纠错

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

AI总结 本文提出基于监督扩散辅助多智能体强化学习（SDA-MARL）的多水下机器人协作目标跟踪方法，通过分层架构和创新算法解决非平稳性、稀疏奖励探索和水扰动鲁棒性等挑战，提升水下目标跟踪精度。

AutoMOOSE: An Agentic AI for Autonomous Phase-Field Simulation

AutoMOOSE：一种用于自主相场模拟的智能体AI

Sukriti Manna, Henry Chan, Subramanian K. R. S. Sankaranarayanan

机构 * Department of Mechanical and Industrial Engineering, University of Illinois Chicago（伊利诺伊大学芝加哥分校机械与工业工程系） ； Center for Nanoscale Materials, Argonne National Laboratory（阿贡国家实验室纳米尺度材料中心） 纠错

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

AI总结 AutoMOOSE通过智能体框架实现自主相场模拟全流程，无需人工干预即可生成输入文件、并行执行模拟并验证结果，展示了AI在材料发现中的潜力。

Behind EvoMap: Characterizing a Self-Evolving Agent-to-Agent Collaboration Network

EvoMap背后：表征一个自进化的智能体间协作网络

Qiming Ye, Peixian Zhang, Yupeng He, Zifan Peng, Gareth Tyson

机构 * 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)；AI agent(abstract)；分类 cs.AI

AI总结 通过分析EvoMap网络中的150万资产和12.8万智能体，揭示其设计选择在可重用性、演化和可审计性方面的权衡，发现奖励机制导致98%资产未被重用、评分系统易被操纵以及验证机制存在缺陷。

Exploring Silicon-Based Societies: An Early Study of the Moltbook Agent Community

探索基于硅的社会：对Moltbook代理社区的早期研究

Yu-Zheng Lin, Bono Po-Jen Shih, Hsuan-Ying Alessandra Chien, Shalaka Satam, Jesus Horacio Pacheco, Naima Kaabouch, Sicong Shao, Soheil Salehi, Pratik Satam

机构 * 1 Department of Electrical ； Computer Engineering, University of Arizona 3 Department of Systems ； Industrial Engineering, University of Arizona 5 School of Electrical Engineering ； Computer Science, University of North Dakota 2 The Rock Ethics Institute \& The Leonhard Center for the Enhancement of Engineering Education, The Pennsylvania State University 4 Department of Industrial Engineering, University of Sonora 3 Telecommunication Laboratories, Chunghwa Telecom Co., Ltd. Corresponding Email 纠错

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

AI总结 本文通过分析Moltbook平台，研究自主代理的社会结构形成，揭示了代理如何通过数据驱动的方法系统性地组织集体空间。

Comments 11 pages, 3 figures. Improves clarity and exposition and corrects minor errors. Technical content and conclusions remain unchanged

Rethinking Group Recommender Systems in the Era of Generative AI: From One-Shot Recommendations to Agentic Group Decision Support

生成式AI时代的群组推荐系统反思：从单次推荐到智能体群组决策支持

Dietmar Jannach, Amra Delić, Francesco Ricci, Markus Zanker

机构 * University of Klagenfurt（克雷格弗特大学） ； University of Sarajevo（萨拉热窝大学） ； Free University of Bozen-Bolzano（博兹纳-博尔扎诺自由大学） 纠错

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

AI总结 本文反思群组推荐系统的学术假设与现实差距，提出利用生成式AI，构建人类与AI智能体互动的群组决策支持系统，以推动其实际应用。

Comments Submitted for publication

A Policy-Driven Runtime Layer for Agentic LLM Serving

一种面向智能体LLM服务的策略驱动运行时层

Rui Zhang, Chaeeun Kim, Liting Hu

机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） 纠错

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

AI总结 针对多智能体LLM系统中跨层策略难以高效实现的问题，提出在框架与引擎之间插入智能体运行时层，通过四个原语支持任意智能体感知策略，并在KV缓存策略CacheSage上验证了有效性。

PLATO: Pointer Learner for Agent and Task Openness

PLATO：用于智能体和任务开放性的指针学习者

Alireza Saleh Abadi, Leen-Kiat Soh, Daniel Alan Redder, Adam Eck, Prashant Doshi

机构 * University of Nebraska-Lincoln（内布拉斯加大学林肯分校） ； University of Georgia（佐治亚大学） ； Oberlin College（欧柏林学院） 纠错

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

AI总结 研究开放智能体系统中智能体和任务开放性带来的多智能体强化学习挑战，提出基于指针网络的PLATO方法，结合集中式GNN评论家，在无界状态和动作空间下训练，在野火抑制领域评估中性能优于现有基线。

Finite-Agent Stochastic Differential Games on Large Graphs: II. Graph-Based Architectures

大图上的有限智能体随机微分博弈：II. 基于图的架构

Ruimeng Hu, Jihao Long, Haosheng Zhou

机构 * Department of Mathematics, and Department of Statistics and Applied Probability, University of California, Santa Barbara（数学系和应用概率统计系，加州大学圣芭芭拉分校） ； Institute for Advanced Algorithms Research（高级算法研究所） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） 纠错

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

AI总结 研究图上随机微分博弈中纳什均衡计算问题，提出NTM架构，对前馈神经网络施加图引导稀疏化以减少可训练参数。将其纳入两种博弈求解器得到稀疏变体，实验表明该方法性能与全可训练方法相当且计算效率更高。

Attributing Emergence in Million-Agent Systems

对百万智能体系统涌现的归因

Ling Tang, Jilin Mei, Qian Chen, Qihan Ren, Linfeng Zhang, Quanshi Zhang, Jing Shao, Xia Hu, Dongrui Liu

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Tongji University（同济大学） 纠错

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

AI总结 本文提出一种归因方法，用于在百万级智能体系统中归因宏观现象，该方法在速度和理论基础上均优于现有方法，并证明了全规模归因对非线性宏观指标的必要性。

HVR-Met: A Hypothesis-Verification-Replanning Agentic System for Extreme Weather Diagnosis

HVR-Met：一种用于极端天气诊断的假设验证-重新规划智能系统

Shuo Tang, Jiadong Zhang, Gengxian Zhou, Qizhao Jin, Qinxuan Wang, Yi Hu, Ning Hu, Hongchang Ren, Lingli He, Shiming Xiang, Jingtao Ding, Jian Xu, Jiaolan Fu, Cheng-Lin Liu

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

AI总结 针对深度学习天气预报难以应对极端天气诊断的挑战，提出HVR-Met多智能体气象诊断系统，其核心是假设验证-重新规划闭环机制，引入新基准测试，实验证明该系统在复杂诊断场景中表现出色。

Evolutionary Dynamics of Cooperation in Next-Generation LLM Agent Systems: A Cross-Provider Empirical Extension

下一代LLM智能体系统中合作的演化动力学：跨提供商的实证扩展

Francisco León Zúñiga Bolívar

机构 * Institución Universitaria Colegio Mayor del Cauca（大学机构科尔多瓦大学） 纠错

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

AI总结 本研究通过扩展Willis等人的基准，测试2025-2026年四个前沿LLM模型在迭代囚徒困境中的合作偏差，发现合作偏差普遍存在但提供商间差异显著，且噪声仍是普遍挑战。

Comments v2 (erratum): two truncated Gemini 3.1 Pro libraries regenerated; cooperative-plurality 9/12->10/12, conclusions unchanged. 11 pages, 3 figures, 8 tables. Extends arXiv:2501.16173. Code and n=500 replication: https://github.com/arqFranciscoLeon/evollm (archived: https://doi.org/10.5281/zenodo.20248615)

Sustainability assessment using multimodal AI agents

使用多模态AI代理进行可持续性评估

Zhihan Zhang, Alexander Metzger, Yuxuan Mei, Felix Hähnlein, Zachary Englhardt, Tingyu Cheng, Gregory D. Abowd, Shwetak Patel, Adriana Schulz, Vikram Iyer

机构 * Paul G. Allen School of Computer Science & Engineering, University of Washington（保罗·G·艾伦计算机科学与工程学院，华盛顿大学） ； Computer Science and Engineering, University of Notre Dame（计算机科学与工程，诺丁汉大学） ； Electrical and Computer Engineering, Northeastern University（电气与计算机工程，东北大学） 纠错

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

AI总结 提出多模态多代理AI系统，模拟生命周期评估专家与利益相关者协作，自动估算电子设备碳足迹，将数据收集时间从数周缩短至一分钟，误差在19%以内。

Comments This article is published in Nature Electronics, and is available online at: https://www.nature.com/articles/s41928-026-01653-w

Patient-centered data science: an integrative framework for evaluating and predicting clinical outcomes in the digital health era

以患者为中心的数据科学：数字健康时代评估与预测临床结局的整合框架

Mohsen Amoei, Dan Poenaru

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

AI总结 本研究提出数字健康时代以患者为中心的数据科学整合框架，结合多类数据构建数字患者表征，采用多智能体AI方法优化患者结局，助力构建学习型医疗系统，提升数字健康创新的临床转化效果。

Characterizing Agentic Flooding of Government Services

刻画政府服务的智能体泛滥问题

Chris Schmitz, Lewis Hammond, Alan Chan

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

AI总结 该研究定义了政府服务的智能体泛滥问题，基于84起案例数据集分析其广泛存在性，开发风险矩阵评估高风险服务，梳理政府应对措施并推荐兼顾公平的缓解方案。

Comments To appear in the proceedings of the 9th AAAI Conference on AI, Ethics, and Society (AIES), October 12-14, 2026

DashChat: Interactive Authoring of Performance Dashboard Design Prototypes through Conversation with LLM-Powered Agent

DashChat: 通过与LLM驱动的智能体对话交互式创作性能仪表盘设计原型

Z. Lin, S. Shen, W. Liu, C. Xin, W. Dai, S. Chen, X. Wen, X. Lan

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

AI总结 提出DashChat系统，通过LLM驱动的多智能体管道将文本需求转化为性能仪表盘原型，加速迭代并保证设计质量。

Oncomorphic neural agent populations for resource-limited sequential learning

用于资源受限顺序学习的肿瘤形态神经智能体群体

Philip Greulich, Michael Levin, Rosalia Moreddu

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

AI总结 提出一种受癌症启发的多智能体框架，通过智能体复制、架构突变、迁移和生态竞争，在有限共享资源下实现顺序学习，实验表明选择压力提升局部准确率，架构突变依赖初始种群，并增强多任务能力。

Comments 17 pages, 5 figures, 1 table

Topology-Aware LLM-Driven Social Simulation: A Unified Framework for Efficient and Realistic Agent Dynamics

基于拓扑的LLM驱动社交模拟：一种统一框架用于高效且真实的代理动态

Yuwei Xu, Shulun Zhang, Yingli Zhou, Shipei Zeng, Laks V. S. Lakshmanan, Chenhao Ma

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

AI总结 本文提出TopoSim框架，通过整合拓扑结构推理提升社交模拟的效率和真实性，实验显示其在多个框架和数据集上均表现出更优的模拟精度和更低的资源消耗。

Provable Coordination for LLM Agents via Message Sequence Charts

通过消息序列图实现LLM代理的可证明协调

Benedikt Bollig, Matthias Függer, Thomas Nowak

机构 * Université Paris-Saclay, CNRS, ENS Paris-Saclay, LMF, Gif-sur-Yvette, France（巴黎萨克雷大学、法国国家科学研究中心、巴黎萨克雷高等师范学院、LMF、法国吉夫-sur-耶vette） ； Institut Universitaire de France, Paris, France（法国国家科学院、巴黎，法国） 纠错

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

AI总结 本文提出基于消息序列图的领域特定语言，用于规范LLM代理协调，解决死锁和消息类型不匹配等问题，通过语法引导投影生成无死锁的局部代理程序，并展示如何在LLM非确定性基础上建立协调属性。

Comments 42 pages; accepted at ISoLA 2026

SciFig: Towards Automating Editable Figure Generation for Scientific Papers

SciFig：面向科学论文的可编辑图形自动生成

Siyuan Huang, Yifan Zhou, Yutong Gao, Zi Yin, Juyang Bai, Xinxin Liu, Rama Chellappa, Chun Pong Lau, Cheng Peng, Sayan Nag, Shraman Pramanick

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Zhejiang University（浙江大学） ； Independant Researcher（独立研究者） ； Tsinghua University（清华大学） ； University of Central Florida（佛罗里达中央大学） ； City University of Hong Kong（香港城市大学） ； Adobe Research（Adobe研究） 纠错

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

AI总结 提出SciFig多智能体框架，从科学文本自动生成可编辑的高质量方法图，通过分解规划、布局、渲染和迭代优化，在435个基准上优于基线，平均10分钟生成可编辑图形。

AgentJet: A Distributed Swarm Training Framework for Agentic Reinforcement Learning

AgentJet：一种用于智能体强化学习的灵活群体训练框架

Qingxu Fu, Boyin Liu, Shuchang Tao, Zhaoyang Liu, Cheng Chen, Xuanfa Jin, Rong Zhu, Bolin Ding

机构 * Tongyi Lab, Alibaba Group（通义实验室，阿里巴巴集团） 纠错

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

AI总结 提出AgentJet，一种解耦的多节点群体训练框架，支持异构多模型强化学习、多任务鸡尾酒训练、容错执行和实时代码迭代，并通过上下文跟踪模块实现1.5-10倍训练加速。

Comments Technical report, 32 pages

Modeling Large-Scale Adversarial Swarm Engagements using Optimal Control

利用最优控制建模大规模对抗性蜂群作战

Claire Walton, Isaac Kaminer, Qi Gong, Abram H. Clark, Theodoros Tsatsanifos

专题命中 多智能体 ：agent(summary_cn,abstract)

AI总结 本文提出利用最优控制建模大规模对抗性蜂群作战，通过考虑agent损耗和空间动态，有效捕捉对抗互动的动力学。

Comments arXiv admin note: substantial text overlap with arXiv:2108.02311. substantial text overlap with arXiv:2108.02311

Artificial Intelligence for Mathematical Reasoning: An Integrated Survey of Language Models, Neuro-symbolic Systems, and Verified Discovery

人工智能数学推理：语言模型、神经符号系统与验证发现的综合综述

Syed Rifat Raiyan, Mohsinul Kabir, Hasan Mahmud, Md Kamrul Hasan, Sophia Ananiadou

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） 纠错

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

AI总结 本文综述了数学推理领域从早期规则系统到当代推理模型、多智能体系统及验证发现工作流的演变，沿非正式推理、形式推理、数学发现及推理技术四轴组织，并评估了基准测试、失败模式及未来方向。

Comments Under review, 47 pages, 14 figures, 22 tables

SVI-Bench: A Dynamic Microworld for Strategic Video Intelligence

SVI-Bench: 一个用于战略视频智能的动态微世界

Yulu Pan, Han Yi, Seongsu Ha, Md Mohaiminul Islam, Benjamin Zhang, Lorenzo Torresani, Gedas Bertasius

机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Northeastern University（东北大学） 纠错

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

AI总结 本文提出SVI-Bench，一个基于团队体育动态微世界的大规模基准，通过四个层级（动态场景理解、因果推理、战略模拟、智能体合成）的9个任务评估视频智能从感知到战略规划的能力，发现模型在感知任务上表现良好但在认知层级上性能急剧下降。

SocialCoach: Personalized Social Skill Learning with Agentic Tutoring and Practice

SocialCoach: 基于强化学习的智能辅导与练习的个性化社交技能学习

Tianfu Wang, Max Xiong, Jianxun Lian, Hongyuan Zhu, Zhengyu Hu, Yuxuan Lei, Linxiao Gong, Dapeng Hu, Xiaofang Li, Peiting Tsai, Nicholas Jing Yuan, Qi Zhang

机构 * HKUST (GZ)（香港科技大学（广州）） ； Duke University（杜克大学） ； MSRA Beijing（微软研究院北京） ； Microsoft Beijing（微软北京） 纠错

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

AI总结 提出SocialCoach系统，利用多智能体管道构建知识语料库、强化学习优化自适应练习调度，并结合沉浸式实践与反思辅导，以解决社交技能学习中专家辅导稀缺和知行差距问题。

When Should AI Follow? Task Structure and Joint Adaptation by Human and AI Agents

将AI-人类协作建模为多智能体适应

Prothit Sen, Sai Mihir Jakkaraju

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

AI总结 本研究通过多智能体模型探讨了AI与人类协作的机制，发现任务结构对协作效果影响更大，揭示了互补性与任务分解的重要性。

Distribird: Literature-Informed Prior Distribution Design for Bayesian Model Calibration

Distribird：用于贝叶斯模型校准的文献先验分布设计

Patrik P. Süli, György Eigner, Roland Hollós

机构 * Obuda University（欧布达大学） ； Biomatics and Applied Artificial Intelligence Institute, John von Neumann Faculty of Informatics, Obuda University（欧布达大学约翰·冯·诺依曼信息学院生物信息学与应用人工智能研究所） ； Physiological Controls Research Center, Obuda University（欧布达大学生理控制研究中心） ； HUN-REN Centre for Agricultural Research（HUN-REN农业研究中心） ； Czech Academy of Sciences（捷克科学院） 纠错

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

AI总结 Distribird是一款自动化文献先验分布设计的智能体网络应用，通过多智能体流程生成贝叶斯模型校准所需先验，在24个跨领域参数上验证，其先验质量与单提示基线相当，且具备可追溯性、拒绝越权请求及本地运行的优势。

Effective Strategies for Asynchronous Software Engineering Agents

异步软件工程代理的有效策略

Jiayi Geng, Graham Neubig

机构 * Carnegie Mellon University, Language Technologies Institute（卡内基梅隆大学，语言技术研究所） 纠错

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

AI总结 本文提出CAID框架，通过集中任务委派、异步执行和隔离工作区三个核心SWE原语，提升多代理协作效率，在论文复现和Python库开发任务中分别提升26.7%和14.3%的准确性。

Chasing Moving Targets with Online Self-Play Reinforcement Learning for Safer Language Models

通过在线自我博弈强化学习追踪移动目标以实现更安全的语言模型

Mickel Liu, Liwei Jiang, Yancheng Liang, Simon Shaolei Du, Yejin Choi, Tim Althoff, Natasha Jaques

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

AI总结 研究传统大语言模型安全对齐问题，引入Self-RedTeam算法，通过在线自我博弈多智能体强化学习持续共同进化攻防策略，有理论安全保障，实证效果好，推动从被动修补到主动协同进化转变。

Comments ICML 2026 Poster