AI Agent

GradMAP: Gradient-Based Multi-Agent Proximal Learning for Grid-Edge Flexibility

GradMAP:基于梯度的多智能体近端学习用于电网-边缘灵活性

Yihong Zhou, Hongtai Zeng, Thomas Morstyn

机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） 纠错

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

AI总结 本文提出GradMAP，一种基于梯度的多智能体近端学习方法，通过在电网-边缘设备中实现去中心化学习，有效减少三相交流负载流约束违规，提升训练效率。

Latency and Cost of Multi-Agent Intelligent Tutoring at Scale

规模化多智能体智能辅导系统的延迟与成本

Iizalaarab Elhaimeur, Nikos Chrisochoides

机构 * Center for Real-Time Computing（实时计算中心） ； Computer Science Department（计算机科学系） ； Old Dominion University（旧 Dominion 大学） ； Physics Departments（物理系） 纠错

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

AI总结 研究探讨了多智能体LLM辅导系统在不同吞吐量层级和并发水平下的延迟与成本表现，发现优先付费层级在高负载下仍保持低延迟，而预留吞吐量在低并发时表现最佳但成本较高。

Comments 11 pages, 5 figures, 5 tables. Companion papers: arXiv:Q-ID (Quantum deployment), arXiv:A-ID (Architecture)

The High Cost of Incivility: Quantifying Interaction Inefficiency via Multi-Agent Monte Carlo Simulations

粗鲁的成本：通过多智能体蒙特卡洛模拟量化互动低效

Benedikt Mangold

机构 * Technische Hochschule Nürnberg（纽伦堡技术大学） 纠错

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

AI总结 本文通过多智能体蒙特卡洛模拟研究粗鲁对运营效率的影响，发现有毒参与者使对话持续时间增加25%，提出毒性延迟作为企业学术领域财务损失的代理指标。

Comments 8 figures, 3 tables

Beyond Single-Agent Alignment: Preventing Context-Fragmented Violations in Multi-Agent Systems

超越单体对齐：防止多智能体系统中的上下文碎片化违规

Jie Wu, Ming Gong

机构 * Atlassian（Atlassian公司） 纠错

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

AI总结 本文提出Distributed Sentinel架构，通过Semantic Taint Token协议解决多智能体系统中因上下文碎片化导致的政策违规问题，实验证明其在跨域政策验证中的高效性与可靠性。

Comments 34 pages, 3 figures, 20 tables

Reliable Self-Harm Risk Screening via Adaptive Multi-Agent LLM Systems

通过自适应多智能体LLM系统实现可靠的自伤风险筛查

Meghana Karnam, Ananya Joshi

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 本文提出一种基于有向无环图的统计框架，通过自适应采样策略提升自伤风险评估的可靠性，实验表明其在精度和召回率上优于传统方法。

AdaFair-MARL: Enforcing Adaptive Fairness Constraints in Multi-Agent Reinforcement Learning

AdaFair-MARL：在多智能体强化学习中强制适应性公平性约束

Promise Ekpo, Saesha Agarwal, Felix Grimm, Lekan Molu, Angelique Taylor

机构 * Cornell Tech（康奈尔科技） ； Cornell University（康奈尔大学） ； Bala-Cynwyd, PA, USA（巴拉-辛威德, 美国宾夕法尼亚州） 纠错

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

AI总结 本文提出AdaFair-MARL框架，通过将工作负载公平性作为显式约束，使智能体在优化团队性能的同时保持贡献平衡，实验表明其在医院协调环境中的有效性。

Strategic Heterogeneous Multi-Agent Architecture for Cost-Effective Code Vulnerability Detection

战略异构多智能体架构用于高效代码漏洞检测

Zhaohui Geoffrey Wang

机构 * University of Southern California（南加州大学） 纠错

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

AI总结 本文提出一种基于博弈论的异构多智能体架构，结合云上大语言模型专家与本地轻量验证器，通过三重专家并行分析与对抗验证，实现高效且高精度的代码漏洞检测，实验显示其在精度和召回率上均优于现有方法。

Comments 11 pages, 5 figures. Accepted at the AAMAS 2026 Workshop on Software Engineering (SE Workshop). This version corresponds to the preprint of the workshop paper

Mango: Multi-Agent Web Navigation via Global-View Optimization

Mango：通过全局视图优化实现多智能体网络导航

Weixi Tong, Yifeng Di, Tianyi Zhang

机构 * Purdue University（普渡大学） 纠错

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

AI总结 本文提出Mango方法，利用网站结构动态确定最优起始点，通过多臂老虎机问题和Thompson采样优化导航预算，并引入周期性记忆组件提升导航效率，实验显示在WebVoyager和WebWalkerQA上均优于基线方法。

Journal ref ACL 2026

ActuBench: A Multi-Agent LLM Pipeline for Generation and Evaluation of Actuarial Reasoning Tasks

ActuBench: 一个用于生成和评估精算推理任务的多智能体LLM流水线

Jan-Philipp Schmidt

机构 * TH Köln, Institut für Versicherungswesen (ivwKöln)（TH Köln保险学系（ivwKöln）） 纠错

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

AI总结 本文提出ActuBench，一个多智能体LLM流水线，用于自动生成和评估符合国际精算协会教育大纲的高级精算评估题目。通过四个LLM角色的分工，结合成本优化的辅助代理，评估了50个模型并在两个基准上报告了三个主要发现。

Comments 19 pages, 4 figures, 4 tables

LSTM-MAS: A Long Short-Term Memory Inspired Multi-Agent System for Long-Context Understanding

LSTM-MAS：一种受长短期记忆启发的多智能体系统用于长上下文理解

Yichen Jiang, Jiakang Yuan, Chongjun Tu, Peng Ye, Tao Chen

机构 * Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） ； The Chinese University of Hong Kong（香港中文大学） 纠错

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

AI总结 本文提出LSTM-MAS多智能体系统，通过模仿LSTM的层次信息流和门控机制，解决长上下文处理中的误差累积和幻觉传播问题，实验表明在多个问答数据集上取得显著提升。

Comments 12 pages, 5 figures

Diversity Collapse in Multi-Agent LLM Systems: Structural Coupling and Collective Failure in Open-Ended Idea Generation

多智能体大语言模型系统中的多样性崩溃：结构耦合与开放性创意生成中的集体失败

Nuo Chen, Yicheng Tong, Yuzhe Yang, Yufei He, Xueyi Zhang, Qingyun Zou, Qian Wang, Bingsheng He

机构 * National University of Singapore（国立新加坡大学） ； 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、cs.CL

AI总结 研究探讨了多智能体系统在开放性创意生成中多样性崩溃的原因，揭示了结构耦合导致的集体失败，强调了在设计创意任务时保持独立性和分歧的重要性。

Comments 56 pages, 15 figures; Accepted at ACL 2026 Findings

MATA: Multi-Agent Framework for Reliable and Flexible Table Question Answering

MATA：用于可靠和灵活的表格问答的多智能体框架

Sieun Hyeon, Jusang Oh, Sunghwan Steve Cho, Jaeyoung Do

机构 * Department of Electrical and Computer Engineering, Seoul National University（首尔国立大学电气与计算机工程系） ； Interdisciplinary Program in Artificial Intelligence, Seoul National University（首尔国立大学人工智能跨学科项目） 纠错

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

AI总结 MATA通过多智能体框架和小语言模型工具，提升表格问答的可靠性与灵活性，实验显示其在不同LLM上均取得最佳准确率和高效推理。

Comments Accepted to ACL 2026 (findings)

Scalable Neighborhood-Based Multi-Agent Actor-Critic

可扩展的基于邻域的多智能体Actor-Critic

Tim Goppelsroeder, Rasmus Jensen

机构 * Department of Computer Science, ETH Zürich（苏黎世联邦理工学院计算机科学系） 纠错

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

AI总结 本文提出MADDPG-K，通过限制每个智能体的 critic 仅依赖k个最近的智能体，解决传统集中式批评者方法的计算限制，实现更高效的训练和扩展性。

VeriGraphi: A Multi-Agent Framework of Hierarchical RTL Generation for Large Hardware Designs

VeriGraphi：一种用于大规模硬件设计的分层RTL生成多智能体框架

Sazzadul Islam, Tasnim Tabassum, Hao Zheng

机构 * Dept. of Computer Science \& Eng. University of South Florida Tampa, Florida, United States 纠错

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

AI总结 VeriGraphi通过构建基于规范的图谱，解决LLM在生成分层RTL时的结构失真问题，实现可靠生成并保持功能正确性。

Comments 9 pages, 2 figures, Case studies, v2

End-to-End Optimization of LLM-Driven Multi-Agent Search Systems via Heterogeneous-Group-Based Reinforcement Learning

通过异质组强化学习实现LLM驱动的多智能体搜索系统的端到端优化

Guanzhong Chen, Shaoxiong Yang, Chao Li, Wei Liu, Jian Luan, Zenglin Xu

机构 * MiLM Plus, Xiaomi Inc.（小米公司MiLM Plus实验室） ； Fudan University（复旦大学） ； Shanghai Academy of AI for Science（上海人工智能科学研究院） 纠错

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

AI总结 本文提出MHGPO方法，通过估计异质组间的相对优势，优化多智能体系统的整体成功而非单个智能体性能，提升了任务表现和计算效率。

Comments Accepted to ACL 2026 Main Conference. 20 pages, 9 figures

The Consensus Trap: Rescuing Multi-Agent LLMs from Adversarial Majorities via Token-Level Collaboration

共识陷阱：通过令牌级协作拯救多智能体大语言模型免受对抗性多数的侵害

Jiayuan Liu, Shiyi Du, Weihua Du, Mingyu Guo, Vincent Conitzer

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Foundations of Cooperative AI Lab (FOCAL)（协作人工智能基础实验室（FOCAL）） ； Adelaide University（阿德莱德大学） 纠错

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

AI总结 本文提出令牌级轮询协作方法，通过共享自回归上下文中的序列生成，解决多智能体系统中对抗性多数导致的响应级聚合失效问题，证明其在多种推理基准上具有鲁棒性。

Debate as Reward: A Multi-Agent Reward System for Scientific Ideation via RL Post-Training

辩论作为奖励：一种用于科学构想的多智能体奖励系统通过RL后训练

Moein Salimi, Babak Hosseini Mohtasham, Amin Aghakasiri, Mahdi Naieni, Amir Hossein Qeysarbeigi, Mohammad Masih Shalchian Nazer, Zahra Azar, Mahdi Jafari Siavoshani, Mohammad Hossein Rohban

机构 * Sharif University of Technology（谢里夫理工学院） ； University of Tehran（德黑兰大学） 纠错

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

AI总结 本文提出一种多智能体奖励系统，通过RL后训练提升科学构想的质量，解决奖励黑客问题，实验显示其在新颖性、可行性和有效性上优于现有方法。

A Discordance-Aware Multimodal Framework with Multi-Agent Clinical Reasoning

一种考虑不一致性的多模态框架与多智能体临床推理

Pegah Ahadian, Mingrui Yang, Sixu Chen, Xiaojuan Li, Qiang Guan

机构 * Department of Computer Science（计算机科学系） ； Kent State University（肯特州立大学） ； Department of Biomedical Engineering（生物医学工程系） ； Cleveland Clinic（克利夫兰诊所） 纠错

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

AI总结 本文提出一种结合机器学习模型与多智能体推理系统的多模态框架，用于预测膝骨关节炎的进展并生成临床管理建议。

TopoDIM: One-shot Topology Generation of Diverse Interaction Modes for Multi-Agent Systems

TopoDIM：多智能体系统中多样化交互模式的一键拓扑生成

Rui Sun, Jie Ding, Chenghua Gong, Tianjun Gu, Yihang Jiang, Juyuan Zhang, Liming Pan, Linyuan Lü

机构 * University of Science and Technology of China（中国科学技术大学） ； East China Normal University（华东师范大学） 纠错

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

AI总结 TopoDIM通过一键生成拓扑结构，实现多智能体系统中多样化交互模式，提升任务性能和token效率，实验表明其在token消耗和性能提升方面优于现有方法。

Comments ACL Findings Camera Ready

MARS$^2$: Scaling Multi-Agent Tree Search via Reinforcement Learning for Code Generation

MARS$^2$：通过强化学习提升多智能体树搜索用于代码生成

Pengfei Li, Shijie Wang, Fangyuan Li, Yikun Fu, Kaifeng Liu, Kaiyan Zhang, Dazhi Zhang, Yuqiang Li, Biqing Qi, Bowen Zhou

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） ； Harbin Institute of Technology（哈尔滨工业大学） ； 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、cs.CL

AI总结 MARS$^2$通过多智能体协作与树搜索结合，提升强化学习在代码生成中的性能，实验表明其在多种模型和训练设置下均有效。

Comments Accepted by ACL 2026

AgentForge: Execution-Grounded Multi-Agent LLM Framework for Autonomous Software Engineering

AgentForge: 基于执行的多智能体LLM框架用于自主软件工程

Rajesh Kumar, Waqar Ali, Junaid Ahmed, Najma Imtiaz Ali, Shaban Usman

机构 * International Research Center for Complexity Sciences（复杂科学国际研究中心） ； Hangzhou International Innovation Institute（杭州国际创新研究院） ； Beihang University（北京航空航天大学） ； College of Science, Mathematics and Technology（科学、数学与技术学院） ； Wenzhou-Kean University（温州-凯恩大学） ； Fakulti Teknologi Maklumat dan Komunikasi（信息技术与通信学院） ； Universiti Teknikal Malaysia Melaka（马来西亚Melaka理工大学） ； Computer Systems Engineering Department（计算机系统工程系） ； Sukkur IBA University（苏库尔IBA大学） ； University of Electronic Science and Technology of China（电子科学与技术大学） 纠错

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

AI总结 AgentForge通过引入执行验证原则，提升代码正确性验证，实现40.0%的SWE-BENCH Lite解决率，优于单智能体基线。

H-AdminSim: A Multi-Agent Simulator for Realistic Hospital Administrative Workflows with FHIR Integration

H-AdminSim：一种用于真实医院行政工作流的多智能体模拟器，集成FHIR

Jun-Min Lee, Meong Hi Son, Edward Choi

机构 * KAIST（韩国科学技术院） ； Samsung Medical Center（三星医疗中心） 纠错

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

AI总结 H-AdminSim通过结合真实数据生成与多智能体模拟，系统评估LLM在医院行政工作流中的表现，利用FHIR实现跨异构环境的标准化测试平台。

Comments Accepted at CHIL 2026

CascadeDebate: Multi-Agent Deliberation for Cost-Aware LLM Cascades

级联辩论：面向成本感知的LLM级联的多智能体辩论

Raeyoung Chang, Dongwook Kwon, Jisoo Lee, Nikhil Verma

机构 * Sogang University（首尔大学） ； Kwangwoon University（匡明大学） ； Seoul National University（首尔国立大学） ； LG Electronics, Toronto AI Lab（LG电子，多伦多人工智能实验室） 纠错

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

AI总结 本文提出CascadeDebate，通过在每个层级的升级边界插入多智能体辩论，解决单模型层级在模糊查询中易引发升级的问题，提升准确性和成本效率。

Comments 12 pages, 6 figures, 4 tables, 1 algorithm

EvoNash-MARL: A Closed-Loop Multi-Agent Reinforcement Learning Framework for Medium-Horizon Equity Allocation

EvoNash-MARL：一种用于中长期股票配置的闭环多智能体强化学习框架

Chongliu Jia, Yi Luo, Sipeng Han, Pengwei Li, Jie Ding, Youshuang Hu, Yimiao Qian, Qiya Wang

机构 * University of Connecticut（康涅狄格大学） ； Xi’an University of Technology（西安理工大学） ； Fudan University（复旦大学） ； Iowa State University（爱荷华州立大学） 纠错

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

AI总结 本文提出EvoNash-MARL框架，结合强化学习与群体策略优化，提升中长期股票配置的鲁棒性，在120窗口回测中表现最佳，实现19.6%年化收益率，但未通过White's Reality Check测试。

Group-Aware Coordination Graph for Multi-Agent Reinforcement Learning

群体感知协调图用于多智能体强化学习

Wei Duan, Jie Lu, Junyu Xuan

机构 * Australian Artificial Intelligence Institute (AAII), University of Technology（澳大利亚人工智能研究所（AAII），悉尼科技大学） 纠错

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

AI总结 本文提出群体感知协调图，用于捕捉智能体间合作及群体依赖，通过图卷积促进信息交换，并引入群体距离损失增强群体凝聚力。

Comments Accepted by IJCAI 2024. Update Discussion

Dynamic Attentional Context Scoping: Agent-Triggered Focus Sessions for Isolated Per-Agent Steering in Multi-Agent LLM Orchestration

动态注意力上下文扫描：基于代理触发的聚焦会话用于多代理LLM orchestration中的独立代理控制

Nickson Patel

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

AI总结 本文提出动态注意力上下文扫描机制，通过代理触发的聚焦会话实现多代理LLM orchestration中的独立代理控制，显著提升决策准确率和上下文效率。

Comments 15 pages, 4 figures, preprint

OrgForge: A Multi-Agent Simulation Framework for Verifiable Synthetic Corporate Corpora

OrgForge：一种用于可验证合成企业语料的多智能体仿真框架

Jeffrey Flynt

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

AI总结 OrgForge通过多智能体仿真框架生成一致且可追溯的合成企业语料，解决现有语料在法律约束和幻觉问题上的不足，提升AI系统评估的准确性。

Comments v2: Major revision. Recenters the paper on the simulation framework as the primary contribution. System Architecture substantially expanded (CRM state machine, Knowledge Recovery Arc, multi-pathway knowledge gap detection, embedding-based ticket assignment). Introduction restructured for broader framing. RAG retrieval baselines replaced by cross-document consistency evaluation

Learning to Negotiate: Multi-Agent Deliberation for Collective Value Alignment in LLMs

学习协商：多智能体协商以实现大语言模型中的集体价值对齐

Panatchakorn Anantaprayoon, Nataliia Babina, Nima Asgharbeygi, Jad Tarifi

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

AI总结 本文提出基于多智能体协商的对齐框架，通过集体代理（CA）目标提升大语言模型的集体价值对齐能力，并改进冲突解决能力，实验表明其在冲突解决性能上有显著提升。

Comments To appear in LREC 2026 2nd DELITE Workshop

TwinLoop: Simulation-in-the-Loop Digital Twins for Online Multi-Agent Reinforcement Learning

TwinLoop：用于在线多智能体强化学习的闭环仿真数字孪生

Nan Zhang, Zishuo Wang, Shuyu Huang, Georgios Diamantopoulos, Nikos Tziritas, Panagiotis Oikonomou, Georgios Theodoropoulos

机构 * Research Institute of Trustworthy Autonomous Systems, Southern University of Science and Technology（南方科技大学可信自主系统研究院） ； Department of Computer Science and Engineering, Southern University of Science and Technology（南方科技大学计算机科学与工程系） ； Department of Informatics and Telecommunications, University of Thessaly（色萨利大学信息与电信系） 纠错

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

AI总结 TwinLoop通过仿真闭环数字孪生框架提升多智能体系统在运行时的适应性，减少对高成本试错的依赖，提高上下文切换后的适应效率。

Comments 6 pages, 6 figures

Energy Saving for Cell-Free Massive MIMO Networks: A Multi-Agent Deep Reinforcement Learning Approach

为无细胞大规模MIMO网络节能：一种多智能体深度强化学习方法

Qichen Wang, Keyu Li, Ozan Alp Topal, Özlem Tugfe Demir, Mustafa Ozger, Cicek Cavdar

机构 * Bilkent University（比尔肯大学） ； Aalborg University（奥尔堡大学） 纠错

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

AI总结 本文提出一种多智能体深度强化学习算法，用于无源大规模MIMO网络下行链路动态交通条件下的节能，通过自主控制天线配置和先进睡眠模式选择，降低能耗并减少掉线率。