AI Agent

What Do Agents Communicate? Characterizing Information Exchange in Multi-Agent Systems

智能体通信什么？多智能体系统中信息交换的特征化

Yong Jin Chun, Iftekhar Ahmed

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

AI总结 本文研究了多智能体系统中信息交换的核心问题，发现缺乏推理和验证的信息会显著降低性能，并提出了一种增强技术来恢复通信中的关键信息，从而提高了系统性能。

FACET: Teacher-Centred LLM-Based Multi-Agent Systems-Towards Personalized Educational Worksheets

FACET：以教师为中心的基于大语言模型的多智能体系统——向个性化教育工作表迈进

Jana Gonnermann-Müller, Jennifer Haase, Konstantin Fackeldey, Sebastian Pokutta

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

AI总结 本文提出FACET框架，一种面向教师的基于大语言模型的多智能体系统，旨在生成整合学习者认知和动机维度的个性化课堂材料，通过三个专门智能体实现，展示了多智能体LLM架构在异质课堂环境中的规模化、情境感知个性化潜力。

Robust synchronization for multi-agent systems governed by PDEs with observable and unobservable disturbances

由PDEs支配的多智能体系统中观测与不可观测扰动的鲁棒同步

Yongchun Bi, Jun Zheng, Guchuan Zhu, Jiye Zhang

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

AI总结 本文研究了由抛物型偏微分方程支配的多智能体系统在存在可观测和不可观测扰动下的鲁棒同步问题，设计了仅使用边界输出测量的扰动观测器以估计可观测的Dirichlet边界扰动并确保在不可观测扰动存在时观测器误差系统的鲁棒性，然后利用参考信号和局部输出信息构建分布式同步控制器，使所有智能体跟踪参考轨迹，特别在无不可观测扰动时实现指数跟踪，同时在控制器实施过程中保留鲁棒性。进一步分析了不可观测的Dirichlet-Robin边界扰动对同步性能的影响，并通过证明同步误差系统的解的有界性来证明这一点。此外，为表征所有扰动的影响，建立了闭环系统的输入到状态稳定性（ISS）。对于涉及的系统，广义Lyapunov方法和递归技术被广泛应用于稳定性分析，而提升技术和半群理论被用于证明系统的适定性。仿真结果验证了所提出的控制方案，展示了有效的扰动估计和抑制、鲁棒同步以及在各种场景下的ISS性质。

CASPIAN: Online Detection and Attribution of Cascade Attacks in LLM Multi-Agent Systems via Cross-Channel Causal Monitoring

CASPIAN: 通过跨通道因果监控在线检测和归因LLM多智能体系统中的级联攻击

Kavana Venkatesh, Jafar Isbarov, Saad Amin, Murat Kantarcioglu, Jiaming Cui

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

AI总结 本文提出CASPIAN框架，通过跨通道因果监控在线检测和归因LLM多智能体系统中的级联攻击，其核心方法是利用动态因果影响矩阵和晚交互条件转移熵公式，实现对级联行为的统一分析，并在检测准确性和早期级联识别方面优于现有方法。

Comments https://github.com/caspian-detector/caspian

The distance-based formation controller design for multi-agent systems in port-Hamiltonian form

基于距离的多智能体系统在端哈密顿形式中的编队控制器设计

Jingyi Zhao, Yongxin Wu, Héctor García de Marina, Yuhu Wu, Yann Le Gorrec

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

AI总结 本文研究了在多智能体系统端哈密顿动力学下，基于距离的编队控制与碰撞避免的集成问题，提出了一种利用仅吸引力势场和安全屏障的新型设计，通过LaSalle不变性原理保证系统稳定性，并通过数值模拟验证了控制策略的有效性。

Journal ref The 23rd IFAC World Congress, IFAC, Aug 2026, Busan, South Korea

AgentSteerTTS: A Multi-Agent Closed-Loop Framework for Composite-Instruction Text-to-Speech

AgentSteerTTS: 一个用于复合指令文本到语音的多智能体闭环框架

Bin Kang, Shaoguo Wen, Yang Fan, Shunlong Wu, Junjie Wang, Yulin Li, Junzhi Zhao, Junle Wang, Zhuotao Tian

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； Tencent Turinglab（腾讯人工智能实验室） ； Tsinghua University（清华大学） ； Southwest Jiaotong University（西南交通大学） 纠错

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

AI总结 本文提出AgentSteerTTS，一个多智能体闭环框架，通过引入对抗解耦代理、双流锚定控制器和快速-慢反馈代理，实现了对复合指令的意图忠实表达控制，实验表明其在复合指令基准和公开测试集上显著提升了性能。

Comments Project page: https://kane2kang.github.io/AgentSteerTTS/

Soap2Soap: Long Cinematic Video Remaking via Multi-Agent Collaboration

Soap2Soap：通过多智能体协作实现长 cinematic 视频重制

Yiren Song, Huilin Zhong, Kevin Qinghong Lin, Haofan Wang, Mike Zheng Shou

机构 * Show Lab, National University of Singapore（新加坡国立大学Show实验室） ； University of Oxford（牛津大学） ； Lovart AI（Lovart人工智能） 纠错

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

AI总结 本研究提出 Soap2Soap 框架，通过多智能体协作实现长 cinematic 视频重制，解决视频到视频生成中长期一致性与叙事保真度的问题。

ORION: Option-Regularized Deep Reinforcement Learning for Cooperative Multi-Agent Online Navigation

ORION：用于合作多智能体在线导航的选项正则化深度强化学习

Shizhe Zhang, Jingsong Liang, Zhitao Zhou, Shuhan Ye, Yizhuo Wang, Ming Siang Derek Tan, Jimmy Chiun, Yuhong Cao, Guillaume Sartoretti

机构 * Department of Mechanical Engineering, College of Design and Engineering, National University of Singapore（机械工程系，设计与工程学院，新加坡国立大学） 纠错

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

AI总结 该研究提出ORION框架，通过选项批评方法和双阶段合作策略，解决部分已知环境中多智能体导航的路径最优与环境信息收集之间的平衡问题，实现高效实时协作。

On Equivalence Between Decentralized Policy-Profile Mixtures and Behavioral Coordination Policies in Multi-Agent Systems

关于去中心化策略-配置混合与行为协调策略在多智能体系统中等价性的研究

Nouman Khan, Vijay G. Subramanian

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

AI总结 本文研究了去中心化策略-配置混合与行为协调策略在多智能体系统中的等价性，证明了不同随机化策略诱导相同的 occupation measures，并扩展了以往关于纯策略与纯协调策略等价性的研究。

Journal ref Proc. 2025 IEEE 64th Conference on Decision and Control (CDC), Rio de Janeiro, Brazil, 2025, pp. 1292-1298

MAxLM: Multi-Agent Language Model-Based Scheduling and Resource Allocation in MU-MIMO-OFDMA-Enabled Wireless Networks

MAxLM：基于多智能体语言模型的MU-MIMO-OFDMA无线网络调度与资源分配

Adnan Quadri, Hongxiang Li

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

AI总结 本文提出MAxLM框架，利用预训练语言模型优化无线网络的上行调度接入，通过WiSER平台实现自主调度与资源分配，实验表明其在不同STA数量和天线设置下均优于基准方法。

Helix: A Dual-Helix Co-Evolutionary Multi-Agent System for Prompt Optimization and Question Reformulation

Helix：一种双螺旋协同进化多智能体系统用于提示优化和问题重述

Kewen Zhu, Liping Yi, Zhiming Zhao, Xiang Li, Qinghua Hu

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

AI总结 Helix通过三阶段协同进化框架联合优化问题重述与提示指令，解决现有方法在提示模板固定、搜索空间有限及单向优化上的不足，实验表明其在12个基准上提升了3.95%的性能。

Distributed Zeroth-Order Policy Gradient for Networked Multi-agent Reinforcement Learning from Human Feedback

分布式零阶策略梯度用于人类反馈的网络多智能体强化学习

Pengcheng Dai, He Wang, Dongming Wang, Jian Qin, Wenwu Yu

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

AI总结 本文提出一种分布式零阶策略梯度算法，利用人类反馈在无限时间 horizon 下实现多智能体协作优化，通过局部状态依赖网络实现高效 scalable 的多智能体强化学习。

Coordinated Diffusion: Generating Multi-Agent Behavior Without Multi-Agent Demonstrations

协同扩散：无需多智能体演示生成多智能体行为

Lasse Peters, Laura Ferranti, Andrea Bajcsy, Javier Alonso-Mora

机构 * University of California, Berkeley（加州大学伯克利分校） ； Delft University of Technology（代尔夫特理工大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本文提出Coordinated Diffusion框架，通过用户定义的多智能体成本函数将独立训练的单智能体扩散策略耦合，无需多智能体演示数据，实现多智能体行为协调。

PI-SONet: A Physics-Informed Symplectic Operator Network for Real-Time Optimal Control of Multi-Agent Systems

PI-SONet：一种物理信息保结构算子网络，用于多智能体系统实时最优控制

Alan John Varghese, Shanqing Liu, Paula Chen, Yaochen Zhu, Jérôme Darbon, George Em Karniadakis

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

AI总结 PI-SONet通过结合隐式右空间求解器与条件辛算子，高效生成可计算的哈密顿轨迹并转换回物理空间，实现高维非凸非线性最优控制问题的快速求解与泛化。

An Encoded Corrective Double Deep Q-Networks for Multi-Agent Control Systems

一种编码纠正的双深度Q网络用于多智能体控制系统

Mohammadreza Barzegaran, Kemeng Han, Hamid Jafarkhani

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

AI总结 本文研究了异构和互联多智能体系统协作控制策略的合成，提出了一种分布式编码纠正双演员-评论家框架，通过消息传递机制改进全局状态信息，减少集体成本。

Receding Horizon Multi-Agent Deceptive Path Planner

滚动时域多智能体欺骗路径规划

Xubin Fang, Brian M. Sadler, Rick S. Blum

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

AI总结 本文提出基于玻尔兹曼分布的多智能体欺骗路径规划框架，通过短时域轨迹计算实现动态欺骗与约束适应，支持在线调整以应对环境变化。

MIMIC-D: Multi-modal Imitation for MultI-agent Coordination with Decentralized Diffusion Policies

MIMIC-D: 多模态模仿用于多智能体协调的去中心化扩散策略

Dayi Dong, Maulik Bhatt, Seoyeon Choi, Negar Mehr

机构 * Department of Mechanical Engineering, University of California Berkeley（加州大学伯克利分校机械工程系） 纠错

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

AI总结 本文提出MIMIC-D，通过去中心化扩散策略实现多智能体多模态模仿学习，解决了传统方法在多模态任务中协调效率低的问题。

Comments 8 pages, 4 figures, 5 tables

Submodular Multi-Agent Policy Learning for Online Distributed Task Allocation in Open Multi-Agent Systems

用于开放多智能体系统在线分布式任务分配的子模多智能体策略学习

Jing Liu, Yangyang Yang, Luca Ballotta, Fangfei Li, Yang Tang, Ruggero Carli

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

AI总结 本文研究了具有子模团队效用的多智能体强化学习，针对分布式任务分配问题，提出子模多智能体策略梯度框架SubMAPG，通过子模差奖励训练信号实现高效任务分配。

Safe Multi-Agent Navigation via Constrained HJB-Informed Learning

通过约束HJB引导学习实现安全多智能体导航

Fenglan Wang, Xinguo Shu, Lei He, Lin Zhao

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

AI总结 本文提出HJB-GNN框架，通过联合学习控制屏障函数、分布式导航策略和价值函数，实现多智能体导航中的安全约束与目标达成的平衡，验证了其在复杂环境中的优越性能和可扩展性。

Comments Accepted by Robotics: Science and Systems (RSS 2026)

Robust and Safe Multi-Agent Reinforcement Learning with Communication for Autonomous Vehicles: From Simulation to Hardware

具备通信的鲁棒且安全的多智能体强化学习：从仿真到硬件

Keshawn Smith, Zhili Zhang, H M Sabbir Ahmad, Ehsan Sabouni, Mainak Mondal, Song Han, Wenchao Li, Fei Miao

机构 * Department of ECE University of Connecticut（电子工程系，康涅狄格大学） ； School of Computing University of Connecticut（计算学院，康涅狄格大学） ； Department of ECE Boston University（电子工程系，波士顿大学） 纠错

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

AI总结 本文提出RSR-RSMARL框架，通过鲁棒强化学习算法和安全模块实现多智能体系统在仿真与硬件间的零 shot 转移，提升自动驾驶安全性和协调性。

Comments 15 pages, 5 Figures

A linear-quadratic partially observed Stackelberg stochastic differential game with multiple followers and its application to multi-agent formation control

一个线性二次部分观测Stackelberg随机微分博弈及其在多智能体编队控制中的应用

Yichun Li, Yaozhong Hu, Jingtao Shi, Yueyang Zheng

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

AI总结 本文研究了涉及单领导者和多个跟随者的线性二次部分观测Stackelberg随机微分博弈问题，采用新的状态分解和正交分解方法解决部分观测带来的困难，扩展了多智能体系统的确定性编队控制框架到随机情形。

Comments 6 figures

DelAC: A Multi-agent Reinforcement Learning of Team-Symmetric Stochastic Games

DelAC：团队对称随机博弈的多智能体强化学习

Duan-Shin Lee, Yu-Hsiu Hung

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

AI总结 本文研究了具有m≥2个团队的团队对称博弈，证明了团队对称博弈总是存在团队对称纳什均衡，并提出了一种基于actor-critic的多智能体强化学习算法，通过模拟展示其优于现有算法。

JACoP: Joint Alignment for Compliant Multi-Agent Prediction

JACoP：联合对齐的合规多智能体预测

Qingze Liu, Alen Mrdovic, Danrui Li, Mathew Schwartz, Sejong Yoon, Mubbasir Kapadia

机构 * Rutgers University, New Brunswick（新泽西州罗格斯大学） ； The College of New Jersey（新泽西州学院） 纠错

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

AI总结 JACoP通过多阶段框架确保场景级合理性，结合锚点基于的智能体中心分析器和马尔可夫随机场对齐器，有效减少环境和社交冲突，提升多智能体轨迹预测的合规性与实用性。

Comments Accepted by CVPRF 2026

The explicit game-theoretic linear quadratic regulator for constrained multi-agent systems

具有约束的多智能体系统的显式博弈论线性二次调节器

Emilio Benenati, Giuseppe Belgioioso

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

AI总结 本文提出一种高效算法，用于计算有限和无限时间尺度动态博弈的显式开环解，扩展了传统约束LQR和MPC框架到非合作多智能体系统。

RFAmpDesigner: A Self-Evolving Multi-Agent LLM Framework for Automated Radio Frequency Amplifier Design

RFAmpDesigner: 一种自演化多智能体大语言模型框架用于自动射频放大器设计

Hang Lu, Guochang Li, Qianyu Chen, Huiyan Gao, Shaogang Wang, Xuanyu He, Yiwei Liu, Gaopeng Chen, Nayu Li, Xiaokang Qi, Chunyi Song, Zhiwei Xu

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

AI总结 本文提出RFAmpDesigner，通过多智能体框架自动化射频放大器设计，利用资源分配中间件将高维参数调优转化为低维资源分配问题，结合检索增强生成技术，解决射频放大器设计中的数据效率低问题。

Comments 14 pages, 11 figures, 4 tables

MOTOR-Bench: A Real-world Dataset and Multi-agent Framework for Zero-shot Human Mental State Understanding

MOTOR-Bench：一个现实世界数据集和多智能体框架，用于零样本人类心理状态理解

Xiaoyu Yuan, Niklas Heikkala, Tiina Törmänen, Hanna Järvenoja, Guoying Zhao, Haoyu Chen

机构 * University of Oulu（奥卢大学） 纠错

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

AI总结 本文提出MOTOR-Bench，通过现实世界数据集和多智能体框架，解决零样本人类心理状态理解问题，展示了多智能体框架在行为、认知和情绪预测上的优越性能。

Comments Accepted by CVPR 2026 workshop AI4RWC

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。