AI Agent

Safe and Generalizable Hierarchical Multi-Agent RL via Constraint Manifold Control

通过约束流形控制实现安全且可泛化的分层多智能体强化学习

Zihao Guo, Jianing Zhao, Ling Li, Hao Liang, Giuseppe Loianno, Yali Du

机构 * University of California, Berkeley（加州大学伯克利分校） ； The Alan Turing Institute（艾伦·图灵研究所） 纠错

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

AI总结 提出分层多智能体强化学习框架，低层通过约束流形强制执行硬安全约束，高层学习协调策略，实现理论安全保证、稳定训练和高效泛化。

Comments 10 pages

Emergent Coordination in Multi-Agent Language Models

多智能体语言模型中的涌现协调

Christoph Riedl

机构 * D’Amore-McKim School of Business（达莫-麦克金商学院） ； Khoury College of Computer Sciences（科里学院计算机科学学院） ； Network Science Institute（网络科学研究所） ； Northeastern University（东北大学） 纠错

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

AI总结 研究探讨多智能体系统是否形成更高层次结构，提出信息论框架通过数据驱动方法检测动态涌现，验证身份差异化与目标互补性，揭示交互模式与集体智慧原理的关联。

Journal ref International Conference on Learning Representations (ICLR 2026)

Multi-agent imitation learning with function approximation: Linear Markov games and beyond

具有函数逼近的多智能体模仿学习：线性马尔可夫博弈及其扩展

Luca Viano, Till Freihaut, Emanuele Nevali, Volkan Cevher, Matthieu Geist, Giorgia Ramponi

机构 * EPFL（苏黎世联邦理工学院） ； University of Zurich（苏黎世大学） 纠错

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

AI总结 本文首次理论分析线性马尔可夫博弈中的多智能体模仿学习，利用特征级集中性系数替代状态-动作级系数，并提出首个计算高效的交互式MAIL算法，样本复杂度仅依赖特征维度d。

Debate2Create: Robot Co-design via Multi-Agent LLM Debate

Debate2Create: 通过多智能体大语言模型辩论实现机器人协同设计

Kevin Qiu, Marek Cygan

机构 * University of Warsaw（华沙大学） 纠错

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

AI总结 提出Debate2Create框架，利用多智能体LLM辩论和物理评估迭代优化机器人的形态与奖励函数，在MuJoCo基准上取得显著性能提升。

WebCQ: Cooperative Multi-Agent Deep Reinforcement Learning for Scalable Web GUI Testing

WebCQ：面向可扩展Web GUI测试的协作式多智能体深度强化学习

Yujia Fan, Sinan Wang, Zebang Fei, Yao Qin, Huaxuan Li, Yepang Liu

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

AI总结 提出WebCQ方法，利用QTRAN和轻量同步机制实现多智能体协调，通过动作向量与策略网络在动态动作空间中进行DQN决策，在8个大型商业网站上比MARG多探索33.3%状态、执行42.2%独特动作，并触发更多故障。

Comments This paper has been accepted to the 41st IEEE/ACM International Conference on Automated Software Engineering (ASE 2026)

AgentCAT: Simulating Computerized Adaptive Testing via Multi-Agent Large Language Models

AgentCAT：通过多智能体大语言模型模拟计算机自适应测试

Weiyuan Zhou, Haiping Ma, Xiaoshan Yu, Changqian Wang, Shangshang Yang, Xingyi Zhang

机构 * Institute for Clarity in Documentation（文档清晰度研究所） ； Inria Paris-Rocquencourt（法国国家信息与自动化研究所巴黎-罗康库尔中心） ； Rajiv Gandhi University（拉吉夫·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕默研究实验室） ； State Key Laboratory of Opto-Electronic Information Acquisition and Protection Technology, Institute of Physical Science and Information Technology, Anhui University（光电信息获取与防护技术国家重点实验室，物理科学与信息技术学院，安徽大学） ； School of Artificial Intelligence, Anhui University（安徽大学人工智能学院） ； School of Computer Science and Technology, Dalian University of Technology（大连理工大学计算机科学与技术学院） ； School of Computer Science and Technology, Anhui University（安徽大学计算机科学与技术学院） ； State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China, the Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（认知智能国家重点实验室，中国科学技术大学，人工智能研究院，合肥综合性国家科学中心） 纠错

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

AI总结 提出基于大语言模型的多智能体仿真系统AgentCAT，通过考生、选题和监督三个模块模拟动态测试过程，实现能力估计与选题策略的平衡，在真实数据集上验证了有效性。

BARD-MARL: Byzantine-Agent Detection for Learned Communication in Multi-Agent Reinforcement Learning

BARD-MARL：多智能体强化学习中学习通信的拜占庭智能体检测

Almond Kiruthu Murimi

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Carnegie Mellon University Department of Electrical（卡内基梅隆大学电气与计算机工程系） 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中的通信信任问题，提出BARD-MARL方法，结合策略图特征和贝叶斯信任统计，在自适应交通信号控制中有效检测拜占庭攻击。

Comments 8 pages, 4 figures; arXiv preprint; ancillary reproducibility/code bundle included

How Much Coordination Gain Is Real? A Paired Noise-Floor Protocol for Multi-Agent LLM Benchmarks

真正的协调增益有多大？多智能体LLM基准测试的配对噪声底线协议

Alibek T Kaliyev, Artem Maryanskyy

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

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

AI总结 针对多智能体LLM协调基准测试中微小增量不可靠的问题，提出配对噪声底线协议，通过配置等价对比发现典型效应量低于观测噪声包络，并定义协调活跃pass^k作为最低报告标准。

Comments 11 pages, 4 figures

SPARC: A Multi-Agent System for Electrical Circuit Question Answering

SPARC：用于电路问答的多智能体系统

Mushtari Sadia, Zhenning Yang, Umme Habiba Lamia, Nishat Shawrin, Ang Chen, Amrita Roy Chowdhury

机构 * University of Michigan（密歇根大学） ； Bangladesh University of Engineering and Technology（孟加拉工程与技术大学） 纠错

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

AI总结 提出SPARC多智能体系统，通过可执行的物理仿真程序进行推理，在电路问答任务上实现83%准确率，较基线提升高达58%。

Optimization-as-a-Service via Multi-Agent Large Language Model for Radio Access Networks

通过多智能体大语言模型实现无线接入网的优化即服务

Chaoqun You, Yueyue Dai, Xingqiu He, Yue Gao, Rahim Tafazolli, Yong Liang Guan

机构 * Fudan University（复旦大学） ； Huazhong University of Science and Technology（华中科技大学） ； University of Surrey（Surrey大学） ； 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 提出将物理资源块分配问题作为大语言模型多智能体系统提供的优化即服务，通过场景理解、目标生成、求解器和反思智能体实现上下文感知的自校正公式，并引入单次反思蒸馏机制降低延迟。

StackPlanner: A Centralized Hierarchical Multi-Agent System with Task-Experience Memory Management

StackPlanner: 一种具有任务经验记忆管理的集中式分层多智能体系统

Ruizhe Zhang, Xinke Jiang, Zhibang Yang, Zhixin Zhang, Jiaran Gao, Yuzhen Xiao, Tao Feng, Yue Fang, Yuxuan Liu, Ruiqing Li, Hongbin Lai, Huheng Huang, Xu Chu, Junfeng Zhao, Yasha Wang

机构 * School of Computer Science, Peking University（北京大学计算机学院） ； National Engineering Research Center for Software Engineering, Peking University（北京大学软件工程国家工程研究中心） ； School of Public Affaris, Zhejiang University（浙江大学公共管理学院） ； School of Software & Microelectronics, Peking University（北京大学软件与微电子学院） ； GRG Banking Equipment Co., Ltd.（GRG银行设备有限公司） ； Center on Frontiers of Computing Studies, Peking University（北京大学计算前沿中心） ； Peking University Information Technology Institute (Tianjin Binhai)（北京大学信息技术研究院（天津滨海）） 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StackPlanner分层多智能体框架，通过显式记忆控制解耦高层协调与子任务执行，并利用结构化经验记忆和强化学习复用协调经验，解决长期协作中的记忆膨胀和错误累积问题。

Phoenix: Safe GitHub Issue Resolution via Multi-Agent LLMs

Phoenix: 通过多智能体LLM实现安全的GitHub问题解决

Kipngeno Koech, Muhammad Adam, Baimam Boukar Jean Jacques, Joao Barros

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

AI总结 提出多智能体LLM系统Phoenix，通过六个专业智能体和七层安全控制，在SWE-bench Lite子集上达到75%的解决率，并在真实问题中保持100%正确性。

Autonomous Event-Driven Multi-Agent Orchestration for Enterprise AI at Scale

面向企业级AI规模的自驱动事件驱动多智能体编排

Harsh Rao Dhanyamraju, Leonidas Raghav, Aaron Lee

机构 * SAP SE（SAP股份有限公司） 纠错

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

AI总结 针对企业级AI中多智能体系统在规模扩展时性能下降的问题，提出任务管理器通过优先级推理、事件合并和抢占机制，在200个生产场景中验证其降低高优先级延迟14-75%，提升相关事件正确率超20个百分点。

Hidden Anchors in Multi-Agent LLM Deliberation

多智能体LLM协商中的隐藏锚点

Apurba Pokharel, Ram Dantu

机构 * University of North Texas（北德克萨斯大学） 纠错

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

AI总结 将多智能体LLM协商建模为闭环动力系统，每个智能体有隐藏内部信念（锚点），解释协商如何超越初始信念凸包，并通过恢复锚点预测模型行为。

Comments 13 pages, 6 figures, 7 tables

TransLaw: A Large-Scale Dataset and Multi-Agent Benchmark Simulating Professional Translation of Hong Kong Case Law

TransLaw：模拟香港判例法专业翻译的大规模数据集与多智能体基准

Xi Xuan, Chunyu Kit

机构 * City University of Hong Kong, Hong Kong SAR, China（香港城市大学） 纠错

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

AI总结 针对香港判例法英译中资源匮乏、法律术语和格式要求严格的问题，构建了首个大规模句对齐平行语料库HKCFA Judgment 97-22，并提出多智能体框架TransLaw，通过分解翻译任务、集成法律词汇库和检索增强生成，显著提升翻译质量，但仍未达到人类专家的风格自然度。

Comments Accepted at ICML 2026 - AI for Law

MEAL: A Benchmark for Continual Multi-Agent Reinforcement Learning

MEAL: 持续多智能体强化学习基准

Tristan Tomilin, Luka van den Boogaard, Samuel Garcin, Constantin Ruhdorfer, Bram Grooten, Fabrice Kusters, Yali Du, Andreas Bulling, Mykola Pechenizkiy, Meng Fang

机构 * Eindhoven University of Technology, The Netherlands（埃因霍温理工大学，荷兰） ； University of Edinburgh, UK（爱丁堡大学，英国） ； University of Stuttgart, Germany（斯图加特大学，德国） ； King's College London, UK（伦敦国王学院，英国） ； University of Liverpool, UK（利物浦大学，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 提出MEAL基准，利用JAX和GPU加速实现100任务序列训练，揭示长序列中出现的失败模式。

Comments To be published in the International Conference on Machine Learning (ICML) 2026

UniMM: A Unified Mixture Model Framework for Multi-Agent Simulation

UniMM：一种用于多智能体仿真的统一混合模型框架

Longzhong Lin, Xuewu Lin, Kechun Xu, Haojian Lu, Lichao Huang, Rong Xiong, Yue Wang

机构 * Zhejiang University（浙江大学） ； Horizon Robotics 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UniMM框架统一回归混合模型与离散NTP模型，通过闭环样本生成缓解分布偏移，并在WOSAC基准上取得最优性能。

Comments Accepted author manuscript. The version of record has been published in IEEE Transactions on Pattern Analysis and Machine Intelligence

Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, Early Access, 2026

Enhancing Decision-Making with Large Language Models through Multi-Agent Fictitious Play

通过多智能体虚拟博弈增强大语言模型的决策能力

Leyang Shen, Yang Zhang, Xiaoyan Zhao, Chun Kai Ling, Tat-Seng Chua

机构 * National University of Singapore（新加坡国立大学） 纠错

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

AI总结 针对多智能体系统中决策任务因立场纠缠而难以分解的问题，提出基于虚拟博弈的多智能体虚拟博弈（MAFP）范式，通过迭代最佳响应实现均衡求解，提升决策质量和鲁棒性。

Comments 18 pages, 8 figures

EARS: Explanatory Abstention for Reliable Sub-Agent Modeling in Large-scale Multi-Agent Systems

EARS：大规模多智能体系统中可靠子智能体建模的解释性弃权

Shuang Xie, Yunan Lu, Han Li, Lingyun Wang

机构 * Shopify ； Columbia University（哥伦比亚大学） 纠错

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

AI总结 针对大规模多智能体系统中子智能体过度回答导致幻觉的问题，提出EARS框架，通过将弃权重构为智能体间通信协议，利用校准的LLM裁判模型生成结构化弃权标签和理由，微调子智能体以检测故障并返回理由，在电商助手系统中将响应通过率从68.5%提升至78.9%。

Towards Multi-Agent-Simulation-Based Community Note Evaluation

迈向基于多智能体模拟的社区笔记评估

Changxi Wen, Shuning Zhang, Bohao Chu, Yuwei Chuai, Hui Wang, Dai Shi, Xin Yi, Hewu Li

机构 * Tsinghua University, Beijing, China（清华大学，北京，中国） ； University of Duisburg-Essen, Duisburg, Germany（杜伊斯堡-埃森大学，杜伊斯堡，德国） ； University of Luxembourg, Luxembourg（卢森堡大学，卢森堡） ； Tongji University, Shanghai, China（同济大学，上海，中国） 纠错

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

AI总结 针对社区事实核查中跨共识延迟和低比例问题，提出ComRate数据集和MultiCom多智能体框架，通过矩阵分解聚类与校准聚合实现高精度评估。

Multi-Agent Systems are Mixtures of Experts: Who Becomes an Influencer?

多智能体系统是专家混合：谁成为影响者？

Franka Bause, Jonas Niederle, Martin Pawelczyk, Rebekka Burkholz

机构 * CISPA Helmholtz Center for Information Security（CISPA海德堡信息安全中心） ； Faculty of Computer Science, University of Vienna（维也纳大学计算机科学系） 纠错

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

AI总结 本文通过Friedkin-Johnsen意见动力学模型分析多智能体LLM协商机制，揭示输入依赖的FJ参数使系统成为专家混合，并探讨基于自信度、感知自信度和初始观点对齐的影响者形成机制。

Comments Accepted at the 2nd Workshop on Compositional Learning at ICML 2026

R2BC: Multi-Agent Imitation Learning from Single-Agent Demonstrations

R2BC: 从单智能体演示进行多智能体模仿学习

Connor Mattson, Varun Raveendra, Ellen Novoseller, Nicholas Waytowich, Vernon J. Lawhern, Daniel S. Brown

机构 * Kahlert School of Computing, University of Utah（犹他大学凯勒尔计算学院） ； DEVCOM Army Research Laboratory（陆军研究实验室） 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R2BC方法，通过轮换单智能体演示训练多机器人系统，无需联合动作空间演示，在模拟和实物任务中性能媲美或超越基于特权同步演示的基线方法。

Comments 8 pages, 6 figures. In Proceedings: IEEE International Conference on Robotics & Automation (ICRA 2026)

Divide, Deliberate, Decide: A Multi-Agent Framework for Fine-Grained Egocentric Action Recognition

分、议、决：一种用于细粒度自我中心动作识别的多智能体框架

Alessandro Sottovia, Alessandro Torcinovich, Oswald Lanz

机构 * Faculty of Engineering, Free University of Bozen-Bolzano（博尔扎诺自由大学工程学院） 纠错

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

AI总结 提出一种零样本多智能体框架，通过视频分割、异构VLM专家协商和Borda计数聚合，提升细粒度自我中心动作识别性能。

OmniDrive: An LLM-Choreographed Multi-Agent World Model with Unified Latent Co-Compression for Multi-View Driving Video Generation

OmniDrive: 一种由LLM编排的多智能体世界模型，用于多视角驾驶视频生成的统一潜在协同压缩

Zijie Meng, Yufei Liu, Chengqian Ma, Zhiyu Li, Jiyuan Liu, Wenhua Nie, Bingcai Wei, Shuqin Chen, Weichen Xu, Jiquan Yuan, Miao Zhang

机构 * Peking University（北京大学） ； Xiamen University（厦门大学） ； Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； National Taiwan University（国立台湾大学） ； Wuhan University（武汉大学） ； Wuhan University of Technology（武汉理工大学） ； Tsinghua University（清华大学） ； Jimei University（集美大学） 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DRIVE-CHOREO，一种由LLM编排的多智能体世界模型，通过三个Qwen2.5-VL智能体协同生成位置感知的潜在序列，并利用视图-时间置换与3D VAE协同压缩，实现可控多视角视频生成，在nuScenes上达到SOTA多视角一致性和BEV mAP 21.6。

Comments 24 pages, 10 figures

Verified Detection and Prevention of Concurrency Anomalies in Multi-Agent Large Language Model Systems

多智能体大语言模型系统中并发异常的可验证检测与预防

Sajjad Khan

机构 * independent researcher（独立研究员） 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LLM系统，形式化四种并发异常并建立一致性层级，通过Verus验证检测器正确性，并在Rust运行时中实现预防。

Comments 32 pages, 2 figures, 6 tables. Verus/TLA+ verification artifact, reference Rust runtime, and Python harnesses, plus a supplementary appendix (Sections A-F, Tables S1-S6), included as ancillary files

SceneConductor: 3D Scene Generation from a Single Image with Multi-Agent Orchestration

SceneConductor: 基于多智能体编排的单图像3D场景生成

Jeonghwan Kim, Yushi Lan, Yongwei Chen, Hieu Trung Nguyen, Chuanyu Pan, Xingang Pan

机构 * Nanyang Technological University（南洋理工大学） ； University of Oxford（牛津大学） ； Meshy AI 纠错

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

AI总结 提出多智能体编排框架，将单图像3D场景生成分解为场景初始化、环境构建和多智能体细化三个阶段，并引入几何感知布局预测器，在几何精度、空间一致性和感知真实性上超越现有方法。

LLM-Powered Multi-Agent System for Automated Crypto Portfolio Management

基于LLM的多智能体系统实现自动化加密货币投资组合管理

Yichen Luo, Yebo Feng, Jiahua Xu, Paolo Tasca, Yang Liu

机构 * University College London（伦敦大学学院） ； Nanyang Technological University（南洋理工大学） ； Exponential Science（指数科学） 纠错

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

AI总结 提出一个三智能体系统（市场、新闻、交易），通过分层、协作和辩论架构融合多模态信号，在2025年回测中实现133.52%累计收益和1.502夏普比率，优于单智能体和深度学习基线。

Misinformation Propagation in Benign Multi-Agent Systems

良性多智能体系统中的错误信息传播

Jonas Becker, Jan Philip Wahle, Terry Ruas, Bela Gipp

机构 * University of Göttingen, Germany（德国哥廷根大学） ； LKA NRW, Germany（德国北莱茵-威斯特法伦州警署） ； Shared last authorship（共同通讯作者） 纠错

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

AI总结 研究在良性多智能体系统中，基于意图的错误信息如何通过智能体交互传播，并发现多智能体辩论相比单智能体提示能减少性能下降，鲁棒性取决于群体组成和决策协议。

Comments 20 pages, 8 figures, 1 table

AdaSTORM: Scaling LLM Reasoning on Dynamic Graphs via Adaptive Spatio-Temporal Multi-Agent Collaboration

AdaSTORM: 通过自适应时空多智能体协作扩展动态图上的LLM推理

Bing Hao, Ruijie Wang, Haodong Qian, Yunlong Chu, Yuhang Liu, Yumeng Lin, Minglai Shao, Jianxin Li

机构 * Tianjin University, China（天津大学，中国） ； Beihang University, China（北航大学，中国） 纠错

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

AI总结 提出AdaSTORM框架，通过自适应分区和时空解耦的多智能体协作，将动态图推理扩展到千节点规模，准确率超90%，无需外部工具。

From Argument Components to Graphs: A Multi-Agent Debate with Confidence Gating for Argument Relations

从论证组件到图：一种具有置信门控的多智能体辩论方法用于论证关系识别

Jakub Bąba, Jarosław A. Chudziak

机构 * Faculty of Electronics and Information Technology, Warsaw University of Technology（华沙理工大学电子与信息技术学院） 纠错

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

AI总结 提出一种多智能体辩论框架，通过置信门控机制仅在不确定时进行辩论，在UKP语料上达到训练无关方法最高Macro F1，并生成可读辩论记录。

Comments Accepted for publication in the proceedings of KES 2026