AI Agent

Emergent Misaligned Communication in Long-Horizon Multi-Agent LLM Commerce

长视野多智能体大语言模型商业环境中涌现的对齐失效通信

Zeyuan Li, Lukas Petersson, Alessandro Acquisti, Michiel A. Bakker

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

AI总结 该研究在Vending-Bench Arena环境中发现，竞争多智能体LLM交易场景会涌现与操作稀缺性、对手行为相关的可测量对齐失效通信，且该现象不受模型能力排名直接影响。

Discovering Efficient and Explainable Communication Topologies for LLM-based Multi-Agent Systems via Causal Inference

通过因果推理发现基于大语言模型的多智能体系统的高效且可解释的通信拓扑

Junzhi Li, Peng He, Qirui Ji, Wei Wang, Lixiang Liu, Chuxiong Sun

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

AI总结 该研究针对基于LLM的多智能体系统通信拓扑可解释性不足的问题，提出模型无关框架E2-Explainer，通过因果推理识别关键通信子图，在保持任务性能的同时降低了通信成本。

Learning to Interrupt in Language-based Multi-agent Communication

语言基多智能体通信中的中断学习

Danqing Wang, Da Yin, Ruta Desai, Lei Li, Asli Celikyilmaz, Ansong Ni

机构 * CMU（卡内基梅隆大学） ； Meta FAIR 纠错

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

AI总结 本文提出一种可中断的通信框架，通过学习预测合适的中断点，减少通信成本，提升多智能体任务性能。

Comments Accepted in CoLM 2026

ForestBench: A Unified Graph Framework for Evaluating Multi-Agent Collaboration

ForestBench：用于评估多智能体协作的统一图框架

Guo Chen, Ziwen Li, Reed Li, Yu Lu, Haibo Shi, Bingbing Xu, Junjie Huang

机构 * Southwest University（西南大学） ； Tencent（腾讯） ； 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,abstract)；分类 cs.AI

AI总结 研究针对多智能体系统异构轨迹评估的问题，提出ForestBench框架，将MAS轨迹映射为统一协作图，筛选844个查询并预计算参考图，可快速评估MAS协作。

MasDrift: Benchmarking Authorization Preservation Across Multi-Agent Architectures

MasDrift：跨多智能体架构的授权保留基准测试

Zhuoning Xu, Xiucheng Zhang, Hanjun Luo, Yingbin Jin, Yinpeng Dong, Hanan Salam

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

AI总结 MasDrift是含600项任务的多智能体授权保留基准，对比不同架构的任务完成与授权表现，发现集中式架构完成率更高但未授权操作更多，两种防御方法各有优劣，揭示了多智能体设计的集中化权衡。

Comments preprint

ChannelGuard: Safe Models Do Not Compose into Safe Multi-Agent Systems

通道卫士：安全模型无法组合成安全的多智能体系统

Elias Hossain, Md Mehedi Hasan Nipu, Fatema Tuj Johora Faria, Tasfia Nuzhat Ornee, Maleeha Sheikh

机构 * College of Engineering and Computer Science, University of Central Florida（工程与计算机科学学院，中央佛罗里达大学） ； Department of Computer Science and Engineering, North South University（计算机科学与工程系，北南大学） ； Computer Science and Engineering, Ahsanullah University of Science and Technology（计算机科学与工程，阿沙努拉科学与技术大学） ； Department of Electrical and Computer Engineering, Purdue University Fort Wayne（电气与计算机工程系，普渡大学弗拉特沃恩分校） 纠错

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

AI总结 研究多智能体大语言模型应用程序中智能体间通道安全问题，提出ChannelGuard深度防御框架，在通道设信息瓶颈门，通过文本与对抗短语库评分处理信息，能有效阻止工具中毒攻击，降低提示注入攻击成功率，保持准确率，白盒自适应释义可规避嵌入门。

AgentPSO: Evolving Agent Reasoning Skill via Multi-agent Particle Swarm Optimization

AgentPSO: 通过多智能体粒子群优化进化智能体推理能力

Hyunmin Hwang, Jaemin Kim, Choonghan Kim, Hangeol Chang, Jong Chul Ye

机构 * 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,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 AgentPSO通过多智能体粒子群优化框架，使智能体在任务中进化推理能力，通过结合自身经验与群体最优技能，提升个体与集体推理性能，实验证明其优于静态单智能体和测试时多智能体方法。

Comments The 3rd AI for Math Workshop at the 43rd International Conference on Machine Learning (ICML), Seoul, South Korea, 2026

Collaborative Multi-Agent Scripts Generation for Enhancing Imperfect-Information Reasoning in Murder Mystery Games

协作多智能体脚本生成以增强谋杀谜游戏中的不完全信息推理

Keyang Zhong, Junlin Xie, Hefeng Wu, Haofeng Li, Guanbin Li

机构 * Sun Yat-sen University（中山大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

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

AI总结 本文提出协作多智能体框架，通过生成丰富多模态上下文提升VLMs在叙事推理和欺骗鲁棒性中的表现，解决多玩家游戏中不完全信息下的复杂推理问题。

Comments 9 pages, 5 figures, Findings of ACL 2026

M$^3$Prune: Hierarchical Communication Graph Pruning for Efficient Multi-Modal Multi-Agent Retrieval-Augmented Generation

M$^3$Prune: 多模态多智能体分层通信图剪枝用于高效多模态多智能体检索增强生成

Weizi Shao, Taolin Zhang, Zijie Zhou, Chen Chen, Chengyu Wang, Xiaofeng He

机构 * East China Normal University（东华大学） ； Hefei University of Technology（合肥工业大学） ； China University of Petroleum（中国石油大学） ； Guangdong university of Finance & Economics（广东财经大学） ； Alibaba Group（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.AI

AI总结 M$^3$Prune通过分层通信图剪枝提升多模态多智能体检索增强生成的效率和性能。

Comments Critical flaw in Eq.(5)/Alg.1 (Sec 3.2): scoring fails Lipschitz continuity in multi-modal spaces, causing invalid hierarchy. Thus, latency/FLOPs in Tables 2&3 are overestimated & irreproducible. Core defect unfixable by minor update. Withdraw to avoid misleading; will revise theory & experiments

Robot guide with multi-agent control and automatic scenario generation with LLM

基于多智能体控制与大语言模型自动场景生成的机器人引导系统

Elizaveta D. Moskovskaya, Anton D. Moscowsky

机构 * National Research Center "Kurchatov Institute"（国家研究快机构"库恰托夫研究所"） 纠错

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

AI总结 该研究开发了结合多智能体资源管理与LLM自动场景生成的混合社交机器人控制架构，在MENTOR-1导游机器人上验证了其能提升长期讲故事任务中机器人交互的自然性与丰富度。

Comments 14 pages, 4 figures, 4 tables, 1 demo-video and repository link. There were major changes: an introduction, a review, and a new experiment. Some tables and figures have also been changed

SimMOF: AI agent for Automated MOF Simulations

SimMOF：用于自动化MOF模拟的AI代理

Jaewoong Lee, Taeun Bae, Jihan Kim

机构 * Department of Chemical and Biomolecular Engineering, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST）化学与生物分子工程系） 纠错

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

AI总结 SimMOF通过自然语言查询自动化MOF模拟全流程，实现依赖感知计划生成、可运行输入生成、多代理协同执行及结果分析，提供数据驱动的MOF研究可扩展基础。

Comments 42 pages, 7 figures, 3 tables

Communication-Aware Multi-Agent Reinforcement Learning for Decentralized Cooperative UAV Deployment

面向通信的多智能体强化学习用于分布式协同无人机部署

Enguang Fan, Yifan Chen, Zihan Shan, Klara Nahrstedt, Matthew Caesar, Jae Kim

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Boeing Research and Technology（波音研究与技术） 纠错

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

AI总结 本文提出基于图的多智能体强化学习框架，通过集中训练分散执行策略，在部分可观测和间歇性链路条件下实现高效无人机协同部署，展示了在合作中继部署和对抗任务中的优越性能。

Is Monitoring Enough? Strategic Agent Selection For Stealthy Attack in Multi-Agent Discussions

监控足够吗？多智能体讨论中的隐蔽攻击策略性代理选择

Qiuchi Xiang, Haoxuan Qu, Hossein Rahmani, Jun Liu

机构 * Lancaster University, United Kingdom（兰卡斯特大学，英国） 纠错

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

AI总结 研究多智能体讨论中的隐蔽攻击问题，提出针对监控场景的攻击方法，证明持续监控无法完全消除对抗风险。

Comments Accepted at ECCV 2026

Communication-Enhanced Tutoring for Efficient Decentralized Multi-Agent Reinforcement Learning

MACTAS: 基于自注意力的多智能体强化学习中智能体间通信方法 with 动作-价值函数分解

Maciej Wojtala, Bogusz Stefańczyk, Dominik Bogucki, Łukasz Lepak, Paweł Wawrzyński

机构 * University of Warsaw（华沙大学） ； IDEAS Research Institute（IDEAS研究机构） ； Institute of Fundamental Technological Research, Polish Academy of Sciences（波兰科学院基础技术研究所） ； IDEAS NCBR ； Warsaw University of Technology（华沙技术大学） 纠错

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

AI总结 MACTAS通过自注意力机制实现多智能体强化学习中的智能体间通信，结合动作-价值函数分解，提供可微通信方法，实现大规模系统的高效训练与高性能表现。

Comments Submitted for AAAI 2027

AutoLogger: A Multi-Agent Framework for the End-to-End Automated Logging

通过多智能体框架实现端到端自动日志记录

Renyi Zhong, Yintong Huo, Wenwei Gu, Yichen Li, Michael R. Lyu

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Autologger框架，通过多智能体系统实现端到端自动日志记录，提升日志生成质量与准确性。

AgentModernize: Preserving Business Logic in Legacy Modernization with Multi-Agent LLMs and Behavioral Specification Graphs

AgentModernize: 通过多智能体LLM和行为规范图在遗留系统现代化中保留业务逻辑

Sheikh Nazib Ahmed, Marnim Galib

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AgentModernize框架，通过多智能体系统和行为规范图来保留业务逻辑，解决传统方法在遗留系统现代化中丢失隐含规则和交叉模块约束的问题，实验表明该方法在多个场景中表现优异。

Comments 10 pages, 8 tables, 1 figure

TheBotCompany: Self-Organizing Multi-agent Systems for Continuous Software Development

自主多智能体系统用于连续软件开发

Wenhan Lyu, Yue Xiao, Yixuan Zhang, Yifan Sun

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TheBotCompany框架，通过三阶段状态机、自组织智能体团队和异步人类监督，实现持续软件开发的自动化与长期进展。

Comments Accepted by ASE 2026

Embedded Universal Predictive Intelligence: a coherent framework for multi-agent learning

嵌入式通用预测智能：多智能体学习的统一框架

Alexander Meulemans, Rajai Nasser, Maciej Wołczyk, Marissa A. Weis, Seijin Kobayashi, Blake Richards, Guillaume Lajoie, Angelika Steger, Marcus Hutter, James Manyika, Rif A. Saurous, João Sacramento, Blaise Agüera y Arcas

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

AI总结 本文提出基于自我预测的嵌入式通用智能框架，解决多智能体学习中的非稳定性问题，引入新的博弈论解概念和合作形式。

Comments 202 pages, 3 figures

Improving Sample Efficiency in Multi-Agent Reinforcement Learning for Simulated Football Games via Exploration

通过探索提升模拟足球游戏多智能体强化学习的样本效率

Amir Baghi, Jens Sjölund, Joakim Bergdahl, Linus Gisslén, Alessandro Sestini

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

AI总结 本文针对多智能体强化学习样本效率低的问题，在TiZero框架中引入随机网络蒸馏奖励并修改架构，使样本效率提升13.3%，增强了模型的泛化性与行为稳定性。

Comments 12 pages, 3 figures

BioInsight: Multi-Agent Orchestration for Interactive Biomedical Knowledge Discovery

BioInsight: 面向交互式生物医学知识发现的多智能体编排

Jieyi Wang, Bingxuan Li, Nanyi Jiang, Desong Meng, Zirui Fan, Yuxin Guo, Jiayu Liu, Kunlun Zhu, Eddie Yang, Xiusi Chen, Pan Lu, Bingxin Zhao

机构 * Peking University（北京大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Purdue University（普渡大学） ； 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 提出多智能体系统BioInsight，通过交互式界面生成替代静态报告，实现疾病证据的组织、推理与可视化，在多项生物医学任务中取得最优性能。

Comments Update some experiments and contents

Counterfactual Reasoning for Causal Responsibility Attribution in Probabilistic Multi-Agent Systems

反事实推理在概率多智能体系统中的因果责任归因

Chunyan Mu, Muhammad Najib

机构 * University of Aberdeen（阿伯丁大学） ； Heriot-Watt University（赫瑞瓦特大学） 纠错

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

AI总结 本文提出基于反事实推理的因果责任归因方法，利用Shapley值确保公平性和一致性，构建了支持责任感知多智能体系统验证与策略推理的框架，并通过纳什均衡计算稳定策略配置。

Comments Accepted at IJCAI 2026. This is the full version containing all proofs

Credit Assignment and Efficient Exploration based on Influence Scope in Multi-agent Reinforcement Learning

多智能体强化学习中基于影响范围的信用分配与高效探索

Shuai Han, Mehdi Dastani, Shihan Wang

机构 * Utrecht University（乌特勒支大学） 纠错

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

AI总结 针对多智能体强化学习稀疏奖励场景下的信用分配与探索难题，提出ISA算法，通过计算智能体影响范围分配信用并划定探索空间，实验表明其性能优于现有基线。

GNN-based Multi-Agent Control of Traffic Shockwaves in Sparse Vehicular Ad-hoc Networks

基于图神经网络的稀疏车载自组织网络中交通激波的多智能体控制

Prachi Nandi, Madhuri Malakar, Sonakshi Satpathy, Pabitra Mohan Khilar

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

AI总结 研究稀疏车载自组织网络中交通激波问题，提出集成图神经网络的去中心化多智能体强化学习框架，车辆利用本地信息和邻车交互学习协同控制策略，能有效减少交通激波传播，即使低比例车辆联网时也能减少80%。

A Multi-Agent System for Motor Design Optimization via an FEA-AI Hybrid Approach

基于FEA-AI混合方法的IPMSM设计优化多智能体系统

Jinseong Han, Sunwoong Yang, Namwoo Kang

机构 * Cho Chun Shik Graduate School of Mobility, KAIST（KAIST Cho Chun Shik 移动研究生院） ； Department of Mechanical Engineering, Hanyang University（汉阳大学机械工程系） ； Narnia Labs 纠错

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

AI总结 提出一种端到端自动化IPMSM设计优化框架，通过RAG结构化问题定义与不确定性感知的FEA-AI混合优化流水线，平衡计算成本与预测可靠性，在同等FEA预算下优于纯FEA或纯AI方法。

Comments 37 pages, 31 figures

MARGIN: Runtime Confidence Calibration for Multi-Agent Foundation Model Coordination

MARGIN：多智能体基础模型协调的运行时置信度校准

Joss Armstrong

机构 * Ericsson, Athlone, Ireland（爱立信，Athlone，爱尔兰） 纠错

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

AI总结 提出在线校准方法MARGIN，通过任务流学习每个智能体每个置信度带的校准因子，无需模型访问或重训练，在分布漂移下将校准误差降低3-6倍，并显著提升多智能体选择性能。

M3MAD-Bench: Multi-Dimensional Evaluation of Multi-Agent Debate Across Domains and Modalities

M3MAD-Bench: 多智能体辩论在不同领域和模态中真的有效吗？

Ao Li, Jinghui Zhang, Luyu Li, Yuxiang Duan, Lang Gao, Mingcai Chen, Weijun Qin, Shaopeng Li, Fengxian Ji, Ning Liu, Lizhen Cui, Xiuying Chen, Yuntao Du

机构 * Shandong University（山东大学） ； MBZUAI ； Nanjing University of Posts and Telecommunications（南京邮电大学） ； BOB Cloud（BOB云） 纠错

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

AI总结 M3MAD-Bench通过多领域、多模态和多维指标评估多智能体辩论方法的有效性，提供全面的性能-成本分析。

Comments Accepted by ACMMM 2026

Linguistic Firewall: Geometry as Defense in Multi-Agent Systems Routing

语言防火墙：多智能体系统路由中的几何防御

Dvir Alsheich, Adar Peleg, Ben Hagag, Rom Himelstein, Amit Levi, Avi Mendelson

机构 * Dvir Alsheich ； Adar Peleg ； Ben Hagag ； Rom Himelstein ； Amit Levi ； Avi Mendelson 纠错

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

AI总结 提出ANTAP架构，通过主动能力测试替代间接代理，将性能蒸馏为语义空间中的行为算子，实现非文本代数投影路由，有效防御描述注入和嵌入攻击。

Comments 8 pages (9 more for appendix), 3 figures. Published at the Second Workshop on Agents in the Wild: Safety, Security, and Beyond (AIWILD) at ICML 2026

The Capability Paradox: How Smarter Auditors Make Multi-Agent Systems Less Secure

能力悖论：更聪明的审计员如何使多智能体系统更不安全

Qiqi Liu, Runhan Song, Shilin Ye

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Max Planck Institute for Security and Privacy（马克斯·普朗克安全与隐私研究所） ； Henan Yinzhu Safety Technology Co., Ltd.（河南亿众安全技术有限公司） ； Harbin Institute of Technology, Faculty of Computing（哈尔滨工业大学计算机学院） 纠错

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

AI总结 本文研究了多智能体系统中，随着工人能力的提升，系统级攻击成功率反而上升的现象，揭示了语言确定性在攻击传播中的作用，并提出异质性集成验证作为解决方案，以降低攻击成功率。

Comments 28 pages, 6 figures

AlphaCrafter: Harnessing Multi-Agent Workflows for Cross-Sectional Quantitative Trading

AlphaCrafter：一个跨截面量化交易的全栈多智能体框架

Yishuo Yuan, Jiayi Sheng, Sirui Zeng, Jiaqi Wang, Jiaheng Liu

机构 * Nanjing University（南京大学） 纠错

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

AI总结 AlphaCrafter通过连续适应的因子到执行管道，整合因子发现、制度适应选择和风险约束执行，实现跨截面量化交易的鲁棒性能。

Comments Submitted to AAAI 2027

Multi-agent DRL-based Lane Change Decision Model for Cooperative Platooning in Mixed Traffic

基于多智能体深度强化学习的车道变换决策模型：用于混合交通中协同规划

Zeyu Mu, Shangtong Zhang, B. Brian Park

机构 * University of Virginia（弗吉尼亚大学） ； Link Lab（链接实验室） ； Department of Systems and Information Engineering（系统与信息工程系） ； Department of Computer Science（计算机科学系） 纠错

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

AI总结 本文提出基于多智能体深度强化学习的车道变换决策模型，通过整合CNN-QMIX框架提升CAVs在混合交通中的协同编队效率，实验显示其在提升协同编队率方面表现优异。

Comments Under review at IEEE Transactions on Intelligent Transportation Systems