AI Agent

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

MARS-RA: Rank Aggregation for Credit Assignment via Multimodal Comparisons in Embodied Multi-Agent Cooperation

MARS-RA：基于具身多智能体协作中多模态比较的信用分配排序聚合

Dawei Wang, Di Zhao, Xinyuan Liu, Marci Chi Ma, Xiaoyang Liu, Chengming Zhou, Gary Ushaw, Richard Davison

机构 * Newcastle University（纽卡斯尔大学） ； University of Auckland（奥克兰大学） 纠错

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

AI总结 本研究针对具身多智能体协作的信用分配难题，提出MARS-RA框架，将其转化为多模态模型生成的成对比较排序聚合问题，经理论与实验验证可引导智能体有效协作。

Comments ACL 2026 Main

$Σ$-Mem: An Online Reliability Memory for LLM-based Multi-Agent Systems

Σ-Mem：面向基于大语言模型（LLM）的多智能体系统的在线可靠性记忆

Peilin Feng, Suorong Yang, Soujanya Poria

机构 * Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 针对现有LLM多智能体系统记忆系统无法建模智能体可信度的问题，提出Σ-Mem在线可靠性记忆，基于决策后反馈更新实对称状态，在Qwen系列模型上实现自适应协调与更优性能。

An Empirical Study of Coordination Mode as the First-Class Citizen in From-Scratch Multi-Agent Coding

从零开始多智能体编码中作为一等公民的协作模式的实证研究

Yanyu Ren, Yunfeng Bai, Xizheng Wang, Li Chen, Dan Li

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

AI总结 本研究构建多智能体编码基准MSEval，发现组织拓扑与模型能力对速度-成本-质量权衡影响相当，结构化流水线表现最优，为多智能体软件开发评估提供严格标准。

Two Calls Beat Five Agents: Evaluating Multi-Agent Pipelines Against Self-Refinement for Local Language Models

两次调用胜过五个智能体：针对本地语言模型的多智能体流水线与自我优化的评估

Ashish Prajapati, Om Mohite

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

AI总结 本研究对比多智能体流水线与自我优化方法，发现针对本地7B模型，两次调用自我优化在GSM8K表现更优且令牌用量低，经任务感知重设计后在HumanEval也能维持高准确率，简单方法优于多智能体架构。

Do Latent Channels Actually Communicate? A Causal Audit of Latent Multi-Agent LLM

隐通道真的在通信吗？隐式多智能体大语言模型的因果审计

Huixiang Zhang, Mahzabeen Emu

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

AI总结 本研究针对隐式多智能体LLM提出因果审计方法，通过受控消息替换揭示隐式通信的作用机制，发现不同规模Qwen模型在不同数据集上的隐式消息效应存在差异，证明总准确率无法反映隐式消息的实际影响。

MultiFixer: A Coordinator-Proposer Based Multi-Agent Framework For Fixing Multi-Hunk Bugs

MultiFixer：一种用于修复多块漏洞的基于协调者-提议者的多智能体框架

Haichuan Hu, Chunrong Fang, Ye Shang, Jiawei Liu, Weifeng Sun, Guoqing Xie, Chenxing Zhong, Quanjun Zhang

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

AI总结 该研究针对现有LLM-based APR方法难以修复多块漏洞的问题，提出MultiFixer多智能体框架，经多基准测试，其在Defects4J等数据集上达到最优修复效果，能有效修复多块漏洞。

Comments Accepted to 41st IEEE/ACM International Conference on Automated Software Engineering (ASE 2026)

Learning Implicit Causal World Models from Multi-Agent Demonstrations

从多智能体演示中学习隐式因果世界模型

Jasorsi Ghosh

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

AI总结 该研究针对多智能体系统中世界模型因相关性与因果机制混淆导致分布偏移下失效的问题，提出隐式因果世界模型，经评估在协调任务上表现出可解释因果表示且精度随干预强度提升。

Comments Preprint

(EC)2: Event-Centric Explainability for Cybersecurity Through Multi-Agent LLM Investigations

(EC)2：基于多智能体大语言模型调查的网络安全以事件为中心的可解释性

Neta Kirmayer, David Tayouri, Andrés Murillo, Motoyoshi Sekiya, Asaf Shabtai, Rami Puzis

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

AI总结 该研究提出多智能体框架(EC)2，为中小型企业网络的网络安全警报提供基于可验证证据的以事件为中心的可解释性，可提升检测后分析效果与事件分类准确率。

Comments 21 pages

Even More Deception: Objective Misalignment in Mixed-Motive LLM Multi-Agent Systems

更严重的欺骗：混合动机大型语言模型多智能体系统中的目标不一致

Marylou Fauchard, Florian Carichon, Margarida Carvalho, Golnoosh Farnadi

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

AI总结 该研究以《狼人杀》为框架，分析LLM多智能体的目标不一致问题，发现其会破坏对抗环境结果且在公开行为中难察觉，凸显需缓解策略。

Comments Accepted at AIWILD@ICLR 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

MARS: Multi-Agent Re-ranking for Repeat-Order Food Delivery Recommendation

MARS：用于重复订单食品配送推荐的多智能体重排

Jiahao Tian, Zhenkai Wang

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

AI总结 研究针对重复订单食品配送推荐，提出MARS模块化多智能体重排框架，分两阶段推荐，结合多种信号与推理。通过实验评估，贡献包括给出集成框架、证明预训练主干结合轻量级检索有竞争力、建立可重现评估设置。

Early Detection of Distributed Backdoors in Multi-Agent LLM Systems: A Characterization Study

多智能体大语言模型系统中分布式后门的早期检测：一项特征研究

Diego Fernandez Arias, Dev Prashant Mistry, Ren Wang, Yibo Hu

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系统中分布式后门早期检测，构建分层多智能体系统实例，通过记录片段注入及载荷组装执行时间来检测。前缀检测器能较早标记多数成功攻击，部分检测器依赖表面线索，微调模型可减少线索去除后的损失。

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

Grading the Narrators: An Isnad-Rijal Framework for Claim-Level Provenance in Multi-Agent Knowledge Systems

评估叙述者：多智能体知识系统中声明级来源的伊纳德-里贾尔框架

Ali Zahid Raja

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

AI总结 研究多智能体知识系统声明级来源问题，借鉴经典伊斯兰圣训科学方法，贡献形式映射、关系模式、决策矩阵等，对20000条声明评估，验证部分方法，也发现等级恢复循环部分失败及两次分析无定论。

Comments 25 pages. Code, data, and analysis: https://github.com/alizahidraja/isnad (v2.0.4). Software archived at doi:10.5281/zenodo.21216873

Spectral Dynamics of Semantic Drift in Clinical Multi-Agent Language Model Networks

临床多智能体语言模型网络中语义漂移的谱动力学

Amritesh Banerjee

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

AI总结 研究临床多智能体语言模型网络中语义漂移的谱动力学，通过映射多智能体通信不确定性轨迹到嵌入空间，揭示结构瓶颈危害。提出动态谱监测技术，经图拉普拉斯算子特征分解确保全局状态扩散，保障自主医疗诊断可靠性。

QFoldAgent: An Autonomous Quantum Optimization Multi-Agent System for Protein Structure Prediction

QFoldAgent：一种用于蛋白质结构预测的自主量子优化多智能体系统

Winson Chen, Yuqi Zhang, Sixu Chen, Nuo Xu, Qiang Guan, Caiwen Ding

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

AI总结 研究针对混合量子 - 经典蛋白质结构预测依赖惩罚权重问题，提出QFoldAgent多智能体框架，通过设计、VQE管道及反馈智能体协同优化。在两个数据集测试，该框架有效降低RMSD，提升结构有效性，减少失败情况。

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

Asynchronous Fractional Multi-Agent Deep Reinforcement Learning for Age-Minimal Mobile Edge Computing

异步分数多智能体深度强化学习用于最小化移动边缘计算的时延

Lyudong Jin, Ming Tang, Jiayu Pan, Meng Zhang, Hao Wang

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

AI总结 本文提出异步分数多智能体深度强化学习框架，用于最小化移动边缘计算中的信息年龄，通过联合优化任务更新与卸载策略，实验显示平均信息年龄降低达50.6%。

Multi-Agent Debate and Visual Information Extraction for SeePhys Pro: A 1st-Place Technical Report from ICML 2026 AI4Math Track 3 Challenge

用于SeePhys Pro的多智能体辩论与视觉信息提取：ICML 2026 AI4Math赛道3挑战赛的第一名技术报告

Jiseok Kwak, Suhyeon Jo, Taewoo Kim, Yeongmin Kim, Byeonghu Na, Il-chul Moon

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

AI总结 针对回答含图像的大学物理问题的SeePhys Pro任务，提出两阶段框架，包括视觉信息提取和多智能体辩论推理阶段，提高了准确率，在挑战赛中获第一名，分析得出编排收益及图形辅助价值与问题图像占比相关的结论。

Multi-Agent System-driven Digital Twins for predictive maintenance: architectures, technologies and open research challenges

多智能体系统驱动的数字孪生用于预测性维护：架构、技术和开放研究挑战

Korota Arsène Coulibaly, Mohamed Hamlich

机构 * USMBA（巴马科阿卜杜勒·瓦希德·托马西大学） 纠错

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

AI总结 探讨多智能体系统与数字孪生交叉点，聚焦资源受限环境下预测性维护。通过分析547篇论文建立分类法、识别瓶颈，提出在微控制器部署AI、多节点协调及分层编排数字孪生等问题，揭示现有系统未满足工业5.0要求。

Comments 33 pages, 5 figures, 4 tables, paper submitted to Internet of Things Journal(Elsevier)

The Coordination Gap: Multi-Agent Alternation Metrics for Temporal Fairness in Repeated Games

协调差距：多智能体交替度量在重复游戏中的时间公平性

Nikolaos Al. Papadopoulos, Ismael Tito Freire, Marti Sanchez-Fibla, Konstantinos E. Psannis

机构 * Department of Applied Informatics, University of Macedonia, Egnatia 156, Thessaloniki 54636, Greece（马其顿大学应用信息学院，Egnatia 156，希腊塞萨洛尼基 54636） 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Perfect Alternation作为参考协调模式，设计了六种交替度量指标，揭示传统度量在时间结构敏感性上的不足，表明高总体收益可能伴随差的协调性。

Comments 15 pages, 5 figures, 4 tables, 1 supplementary pdf. Submitted to Complexity

Conflict Resolution under Degraded Surveillance in Air Corridors Using Multi-Agent Reinforcement Learning

使用多智能体强化学习解决空中走廊降级监视下的冲突

Esrat Farhana Dulia, Syed Arbab Mohd Shihab, Caleb Adams, Ruben Del Rosario

机构 * College of Aeronautics and Engineering（航空与工程学院） ； Center for Advanced Air Mobility（先进空中交通中心） 纠错

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

AI总结 研究针对空中走廊降级监视下的冲突解决问题，开发基于深度Q网络的多智能体强化学习框架，为两类飞机训练策略，经模拟评估策略效果，揭示安全与走廊容量权衡，支持相关冲突解决策略评估。

Autonomous Topology Mutation: Safe Runtime Restructuring for Multi-Agent LLM Systems with Capability, State, and Shadow Invariants

自主拓扑变异：具有能力、状态和影子不变量的多智能体大语言模型系统的安全运行时重组

Bronislav Sidik, Chaya Levi, Nizzan Kimhi

机构 * Toga Networks (Huawei)（托加网络（华为）） 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系统运行时无自我重组机制的问题，提出自主拓扑变异（ATM）机制，结合遥测驱动过载检测与安全不变量，经实验验证可提升任务成功率、减少隐私内存暴露并降低延迟，且相关内容已开源。

Comments 9 pages, 5 tables. Code and benchmark harness available at https://github.com/sidikbro/jiuwen_atm

OPTScientist: Multi-Agent Discovery of Typed Optimizer Programs for Transformer Pretraining

OPTScientist：用于Transformer预训练的类型化优化器程序的多智能体发现

Zhongzheng Li, Tiancan Feng, Wenhao Li, Qingsong Ran, Shikun Feng, Xiaoyuan Zhang, Yue Wang, Xiaoguang Zhao

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Zhongguancun Academy（中关村科学院） 纠错

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

AI总结 研究针对深度学习优化器设计难题，提出OPTScientist多智能体框架，在类型化DSL中结合进化搜索与第二阶段机制，发现RS-MR优化器改进Transformer预训练，为自动优化器科学提供新路径。

Coordinating from Memory: Graph-Structured Experience Reuse for Multi-Agent Adaptation in Dynamic Manufacturing

从记忆中协调：用于动态制造中多智能体适应的图结构经验重用

Chengxiao Dai, Zhanhui Lin, Zhaokun Yan, Youyang Ni, Chenjun Lei, Luyan Zhang

机构 * School of Computer Science, University of Sydney（悉尼大学计算机科学学院） ； Khoury College of Computer Sciences, Northeastern University（美国东北大学库里计算机科学学院） ； School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院） ； School of Life and Environmental Sciences, University of Sydney（悉尼大学生命与环境科学学院） ； College of Business and Economics, Australian National University（澳大利亚国立大学商业与经济学院） 纠错

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

AI总结 针对动态制造中多智能体协调问题，提出图结构经验记忆（GSEM）框架，将历史协调事件编码为图，新干扰时通过图神经网络检索相似事件实现经验引导策略适应，实验表明其能有效减少完工时间和适应时间，验证了方法有效性和通用性。

Dreamer-CPC: Message Learning with World Models for Decentralized Multi-agent Reinforcement Learning

Dreamer-CPC：用于去中心化多智能体强化学习的基于世界模型的消息学习

Taisuke Takayama, Naoto Yoshida, Tadahiro Taniguchi

机构 * Graduate School of Informatics, Kyoto University, Kyoto, Japan（京都大学信息学研究生院） ； Research Organization of Science and Technology, Ritsumeikan University, Shiga, Japan（立命馆大学科学技术研究机构） 纠错

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

AI总结 研究针对多智能体强化学习中通信问题，提出Dreamer-CPC方法，将基于CPC的消息学习集成到DreamerV3世界模型，各智能体据此独立维护模型与模块并交换消息，实验表明该方法在多种环境下优于现有方法，能有效支持去中心化决策。

Comments 15 pages, 6 figures. Under review at ICONIP 2026

OpenEvoShield: Dual Non-Stationary Continual Defense for Open-World Multi-Agent System Attacks

OpenEvoShield：面向开放世界多智能体系统攻击的双重非平稳持续防御

Litian Zhang, Chaozhuo Li, Yuting Zhang, Zejian Chen, Bingyu Yan, Qiwei Ye

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Beihang University（北京航空航天大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

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

AI总结 针对LLM-MAS中对手通过通信注入恶意指令的双重动态攻击，提出OpenEvoShield持续防御框架，含不对称速率控制器等组件，实验表明其在多基准和拓扑上优于基线，能检测多数未见攻击且误报率低。

Comments 29 pages, 5 figures, 14 tables