University of Texas at Austin（得克萨斯大学奥斯汀分校）

Who is the Agent to Blame? Localizing Faithfulness and Citation Mistakes in Agentic Deep Research

该追责哪个智能体？定位智能体深度研究中的忠实度与引用错误

Eran Hirsch, David Wan, Han Wang, Elias Stengel-Eskin, Mohit Bansal, Ido Dagan

机构 * Bar-Ilan University（巴伊兰大学） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本研究针对智能体深度研究系统的引用召回率低问题，提出定位错误来源的评估方法与四类错误分类法，应用于三个开源系统发现协调器为主要错误来源，通过简单干预提升5%引用召回率且不降低质量。

Comments Accepted to EMNLP 2026 (Main Conference). Code: this https URL (https://github.com/eranhirs/who-is-the-agent-to-blame)

Poisoning Agentic Alpha: Adversarial Vulnerabilities Across Roles and Architectures in Multi-Agent Trading Systems

投毒智能体Alpha：多智能体交易系统中跨角色与架构的对抗性漏洞

CheolWon Na, Hao Ni, Lukasz Szpruch, Zhangyang Wang, Dhagash Mehta, Saurabh Nagrecha, Alejandro Lopez-Lira, Chanyeol Choi, Yongjae Lee, Jee-Hyong Lee

机构 * Sungkyunkwan University（成均馆大学） ； University College London（伦敦大学学院） ； University of Edinburgh（爱丁堡大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； BlackRock, Inc.（贝莱德集团） ； Google（谷歌公司） ； University of Florida（佛罗里达大学） ； LinqAlpha ； UNIST（蔚山国家科学技术研究院） 纠错

AI总结 该研究针对多智能体交易系统，将敌手限制为仅可访问源数据与提示，分解交易角色并评估通信拓扑，发现无架构具内在鲁棒性，为安全交易系统设计提供见解。

Mitigating Exploration Bias in RL for Multi-Instruction Following

缓解多指令遵循强化学习中的探索偏差

Mian Zhang, Yueqin Yin, Kaiyu He, Peilin Wu, Xinlu Zhang, Mingyuan Zhou, Zhiyu Zoey Chen

机构 * UT Dallas（德克萨斯大学达拉斯分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； UC Santa Barbara（加利福尼亚大学圣巴巴拉分校） 纠错

AI总结 针对多指令遵循RL中偏向简单指令的探索偏差，本文提出两个衡量指标与含行为引导、稀缺感知奖励的两阶段框架，在三个基准上显著优于基线。

Comments EMNLP 2026 Acceptance