AI Agent

TraceSIR: A Multi-Agent Framework for Structured Analysis and Reporting of Agentic Execution Traces

TraceSIR: 一个用于结构化分析和报告代理执行轨迹的多代理框架

Shu-Xun Yang, Cunxiang Wang, Haoke Zhang, Wenbo Yu, Lindong Wu, Jiayi Gui, Dayong Yang, Yukuo Cen, Zhuoer Feng, Bosi Wen, Yidong Wang, Lucen Zhong, Jiamin Ren, Linfeng Zhang, Jie Tang

机构 * Beijing Institute of Technology（北京理工大学） ； Zhipu AI（智谱AI） ； Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；agentic(title,abstract)；multi-agent(title,abstract)；function calling(abstract)

AI总结 TraceSIR通过多代理框架结构化分析和报告代理执行轨迹，提升故障诊断和根本原因分析效率。

CARD: Towards Conditional Design of Multi-agent Topological Structures

CARD: 向多智能体拓扑结构的条件设计迈进

Tongtong Wu, Yanming Li, Ziye Tang, Chen Jiang, Linhao Luo, Guilin Qi, Shirui Pan, Gholamreza Haffari

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

AI总结 CARD通过条件图生成框架实现多智能体通信拓扑的动态适应，提升系统在不同环境下的有效性和鲁棒性。

Comments Accepted to ICLR 2026

LiaisonAgent: An Multi-Agent Framework for Autonomous Risk Investigation and Governance

LiaisonAgent: 一个用于自主风险调查与治理的多智能体框架

Chuanming Tang, Ling Qing, Shifeng Chen

机构 * Shenzhen Institute of Advanced Technology, CAS（深圳先进技术研究院, 中国科学院） ； Sangfor Technologies Inc.（Sangfor技术有限公司） ； College of Management Science（管理科学学院） ； Chengdu University of Technology（成都理工大学） ； Shenzhen University of Advanced Technology（深圳大学先进技术学院） 纠错

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

AI总结 LiaisonAgent通过多智能体系统实现自主风险调查与治理，结合QWQ-32B模型和混合规划架构，提升安全响应效率与准确性。

Comments Under Review

Evaluating Theory of Mind and Internal Beliefs in LLM-Based Multi-Agent Systems

评估基于大语言模型的多智能体系统中的理论心和内部信念

Adam Kostka, Jarosław A. Chudziak

机构 * 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)；planning(abstract)；分类 cs.AI

AI总结 本文提出一种整合理论心、BDI内部信念和符号求解器的多智能体架构，评估其在资源分配问题中提升协作智能的效果。

Journal ref 17th International Conference on Computational Collective Intelligence (ICCCI 2025)

SPIRAL: Self-Play on Zero-Sum Games Incentivizes Reasoning via Multi-Agent Multi-Turn Reinforcement Learning

SPIRAL：通过多智能体多轮强化学习进行零和游戏的自我对战以促进推理

Bo Liu, Leon Guertler, Simon Yu, Zichen Liu, Penghui Qi, Daniel Balcells, Mickel Liu, Cheston Tan, Weiyan Shi, Min Lin, Wee Sun Lee, Natasha Jaques

机构 * National University of Singapore（新加坡国立大学） ； Northeastern University（东北大学） ； Sea AI Lab（Sea AI 实验室） ； Centre for Frontier AI Research (CFAR), A*STAR（前沿人工智能研究中心（CFAR），A*STAR） ； Plastic Labs ； University of Washington（华盛顿大学） 纠错

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

AI总结 SPIRAL通过多智能体多轮强化学习在零和游戏中促进推理，展示了模型在多个基准测试中的显著性能提升。

Comments Accepted at ICLR 2026. Code: https://github.com/spiral-rl/spiral

Thought Virus: Viral Misalignment via Subliminal Prompting in Multi-Agent Systems

Thought Virus: 通过潜意识提示在多智能体系统中产生病毒性偏差

Moritz Weckbecker, Jonas Müller, Ben Hagag, Michael Mulet

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本研究揭示了多智能体系统中通过潜意识提示传播偏见的风险，指出单个智能体的潜意识提示可能影响整个网络的诚实性，提出新的安全攻击向量。

Comments 18 pages, 10 figures, 2 tables. Code available at https://github.com/Multi-Agent-Security-Initiative/thought_virus

MOSAIC: A Unified Platform for Cross-Paradigm Comparison and Evaluation of Homogeneous and Heterogeneous Multi-Agent RL, LLM, VLM, and Human Decision-Makers

MOSAIC：一个用于跨范式比较和评估同质和异质多智能体RL、LLM、VLM和人类决策者的统一平台

Abdulhamid M. Mousa, Yu Fu, Rakhmonberdi Khajiev, Jalaledin M. Azzabi, Abdulkarim M. Mousa, Peng Yang, Yunusa Haruna, Ming Liu

机构 * School of Optics and Photonics, Beijing Institute of Technology, Beijing 100081, China（北京理工大学光学工程学院） ； School of Automation Science and Electrical Engineering, Beihang University, Beijing 100191, China（北京航空航天大学自动化科学与电气工程学院） ； Faculty of Science, Ain Shams University, Cairo, Egypt（爱思唯命大学科学学院） 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 MOSAIC是一个开源平台，通过统一接口和跨范式评估框架，支持在相同环境中比较不同决策范式的智能体，促进可重复的跨领域研究。

Comments 13 pages, 2 figures

When Is Diversity Rewarded in Cooperative Multi-Agent Learning?

在合作多智能体学习中，多样性何时会被奖励？

Michael Amir, Matteo Bettini, Amanda Prorok

机构 * Department of Computer Science and Technology University of Cambridge（计算机科学与技术系剑桥大学） 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 研究通过理论分析和算法验证，探讨了多智能体学习中异质性团队奖励机制，提出HetGPS算法用于发现异质性优势的奖励场景。

MO-MIX: Multi-Objective Multi-Agent Cooperative Decision-Making With Deep Reinforcement Learning

MO-MIX：基于深度强化学习的多目标多智能体协作决策制定

Tianmeng Hu, Biao Luo, Chunhua Yang, Tingwen Huang

机构 * School of Automation, Central South University（中南大学自动化学院） ； Texas A&M University at Qatar（卡塔尔大学塔拉斯阿姆大学） 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 MO-MIX通过集中训练与分散执行框架，解决多目标多智能体协作决策问题，提升非支配解的均匀性并降低计算成本。

Comments 15 pages, 10 figures, published in IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)

Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 45, no. 10, pp. 12098-12112, Oct. 2023

When Agents "Misremember" Collectively: Exploring the Mandela Effect in LLM-based Multi-Agent Systems

当智能体“误忆”时：探索基于大语言模型的多智能体系统中的曼德拉效应

Naen Xu, Hengyu An, Shuo Shi, Jinghuai Zhang, Chunyi Zhou, Changjiang Li, Tianyu Du, Zhihui Fu, Jun Wang, Shouling Ji

机构 * Zhejiang University（浙江大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Palo Alto Networks（帕洛阿尔托网络公司） ； OPPO Research Institute（OPPO研究院） ； Zhejiang Key Laboratory of Decision Intelligence（浙江决策智能重点实验室） 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 本文研究了基于大语言模型的多智能体系统中的曼德拉效应，提出MANBENCH基准并提出缓解策略，实现74.40%的效应减少。

Comments ICLR 2026

S5-HES Agent: Society 5.0-driven Agentic Framework to Democratize Smart Home Environment Simulation

S5-HES代理：面向社会5.0的代理框架，以民主化智能家庭环境模拟

Akila Siriweera, Janani Rangila, Keitaro Naruse, Incheon Paik, Isuru Jayanada

机构 * The University of Aizu（立命馆大学） ； The KD University（KD大学） 纠错

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

AI总结 S5-HES代理通过自主AI编排，实现无需编程的智能家庭模拟，满足社会5.0的多样化研究需求。

Comments 12 pages, 9 figures, and Journal

Optimization of Edge Directions and Weights for Mixed Guidance Graphs in Lifelong Multi-Agent Path Finding

混合引导图优化用于终身多智能体路径寻找中的边缘方向和权重优化

Yulun Zhang, Varun Bhatt, Matthew C. Fontaine, Stefanos Nikolaidis, Jiaoyang Li

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Thomas Lord Department of Computer Science, University of Southern California（南加州大学计算机科学系托马斯·劳德部门） ； Lila Sciences 纠错

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

AI总结 本文提出混合引导图优化方法，通过优化边方向和权重提升终身多智能体路径寻找的引导效果。

From Passive to Proactive: A Hierarchical Multi-Agent Framework for Automated Medical Pre-Consultation

从被动到主动：一种用于自动化医疗预咨询的分层多智能体框架

ChengZhang Yu, YingRu He, Hongyan Cheng, nuo Cheng, Zhixing Liu, Dongxu Mu, Zhangrui Shen Yang Gao, and Zhanpeng Jin

机构 * South China University of Technology（华南理工大学） ； The Third Affiliated Hospital of Sun Yat-sen University（中山大学第三附属医院） 纠错

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

AI总结 本文提出了一种分层多智能体框架，用于解决医疗分诊中的分类准确性、部门异质性和提问效率问题，通过三个智能体协作实现高效准确的患者分诊。

Comments 14pages, 7 figures, 7 tables

Stop Wasting Your Tokens: Towards Efficient Runtime Multi-Agent Systems

停止浪费你的令牌：迈向高效的运行时多智能体系统

Fulin Lin, Shaowen Chen, Ruishan Fang, Hongwei Wang, Tao Lin

机构 * Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； State Key Laboratory of CAD&CG, Zhejiang University（浙江大学计算机辅助设计与图形学国家重点实验室） 纠错

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

AI总结 SupervisorAgent通过运行时自适应监督框架减少多智能体系统中的令牌消耗，提升效率与鲁棒性。

Comments Accepted to ICLR 2026. The code is available at https://github.com/LINs-lab/SupervisorAgent

Adaptive Context Length Optimization with Low-Frequency Truncation for Multi-Agent Reinforcement Learning

具有低频截断的自适应上下文长度优化用于多智能体强化学习

Wenchang Duan, Yaoliang Yu, Jiwan He, Yi Shi

机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Waterloo（滑铁卢大学） 纠错

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

AI总结 本文提出了一种具有低频截断的自适应上下文长度优化方法，通过动态优化上下文长度和过滤冗余信息，提升多智能体强化学习在长期依赖任务中的性能。

Sample-Efficient Distributionally Robust Multi-Agent Reinforcement Learning via Online Interaction

通过在线交互实现样本高效的分布鲁棒多智能体强化学习

Zain Ulabedeen Farhat, Debamita Ghosh, George K. Atia, Yue 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MORNAVI算法，通过在线交互实现样本高效的分布鲁棒多智能体强化学习，提供首个可证明的保证，有效解决环境不确定性问题。

Comments Accepted by ICLR 2026.The first two authors contributed equally

Structured Diversity Control: A Dual-Level Framework for Group-Aware Multi-Agent Coordination

结构多样性控制：一种双层框架用于群体感知多智能体协调

Shuocun Yang, Huawen Hu, Xuan Liu, Yincheng Yao, Enze Shi, Shu Zhang

机构 * Northwestern Polytechnical University（西北工业大学） 纠错

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

AI总结 结构多样性控制通过双层框架实现群体感知多智能体协调，通过加权组合组内与组间多样性提升协作性能。

CollabEval: Enhancing LLM-as-a-Judge via Multi-Agent Collaboration

CollabEval: 通过多智能体协作增强LLM作为裁判

Yiyue Qian, Shinan Zhang, Yun Zhou, Haibo Ding, Diego Socolinsky, Yi Zhang

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

AI总结 CollabEval通过多智能体协作提升LLM作为裁判的评估性能，克服单一模型的不一致性和偏见问题。

MetaMind: General and Cognitive World Models in Multi-Agent Systems by Meta-Theory of Mind

MetaMind: 多智能体系统中通过元理论思维实现通用和认知世界模型

Lingyi Wang, Rashed Shelim, Walid Saad, Naren Ramakrishna

机构 * Department of Electrical（电气工程系） ； Department of Computer Science, Virginia Tech, USA（计算机科学系，弗吉尼亚理工学院） 纠错

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

AI总结 MetaMind通过元理论思维框架，使多智能体系统中的智能体能够自主推理他人目标与信念，实现零样本泛化与自监督学习。

Multi-Sourced, Multi-Agent Evidence Retrieval for Fact-Checking

多源多智能体证据检索用于事实核查

Shuzhi Gong, Richard O. Sinnott, Jianzhong Qi, Cecile Paris, Preslav Nakov, Zhuohan Xie

机构 * The University of Melbourne（墨尔本大学） 纠错

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

AI总结 WKGFC通过多智能体证据检索和知识图谱增强，提升事实核查的准确性和鲁棒性。

Safe Multi-Agent Deep Reinforcement Learning for Privacy-Aware Edge-Device Collaborative DNN Inference

安全的多智能体深度强化学习用于隐私感知的边缘设备协作DNN推理

Hong Wang, Xuwei Fan, Zhipeng Cheng, Yachao Yuan, Minghui Min, Minghui Liwang, Xiaoyu Xia

机构 * School of Future Science and Engineering, Soochow University（未来科学与工程学院，苏州大学） ； College of Computer and Information Sciences, Fujian Agriculture and Forestry University（计算机与信息科学学院，福建农林大学） ； School of Information and Control Engineering, China University of Mining and Technology（信息与控制工程学院，中国矿业大学） ； Department of Control Science and Engineering, Tongji University（控制科学与工程学院，同济大学） ； School of Computing Technologies, RMIT University（计算技术学院，拉筹伯大学） 纠错

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

AI总结 本文提出了一种安全的多智能体深度强化学习框架，用于在隐私保护、资源约束和动态模型部署之间实现平衡的边缘设备协作DNN推理。

Comments 14 pages

SIGMAS: Second-Order Interaction-based Grouping for Overlapping Multi-Agent Swarms

SIGMAS：基于二次交互的多智能体群集分组

Minah Lee, Saibal Mukhopadhyay

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 SIGMAS通过二次交互建模实现多智能体群集的自监督分组，准确恢复潜在群体结构并平衡个体与集体动态。

Comments Accepted at AAMAS 2026

Exploration enhances cooperation in the multi-agent communication system

探索增强多智能体通信系统的合作

Zhao Song, Chen Shen, Zhen Wang, The Anh Han

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

AI总结 本文提出一个两阶段进化博弈模型，通过引入探索机制，发现适度探索能增强多智能体系统中的合作，实现最优性能。

Optimal Transport-Based Decentralized Multi-Agent Distribution Matching

基于最优传输的去中心化多智能体分布匹配

Kooktae Lee

机构 * Department of Mechanical Engineering, New Mexico Institute of Mining and Technology（机械工程系，新墨西哥采矿与技术研究所） 纠错

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

AI总结 本文提出了一种基于最优传输的去中心化多智能体分布匹配框架，通过局部信息和修正机制实现有效且可扩展的分布匹配。

Journal ref IEEE Transactions on Automatic Control, 2026

Graphon Mean-Field Control for Cooperative Multi-Agent Reinforcement Learning

图论均值场控制用于协作多智能体强化学习

Yuanquan Hu, Xiaoli Wei, Junji Yan, Hengxi Zhang

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

AI总结 本文提出图论均值场控制框架，用于近似具有非均匀相互作用的协作多智能体强化学习，证明其近似顺序为$\mathcal{O}(\frac{1}{\sqrt{N}})$，并展示其在可扩展性上的优势。

NERFIFY: A Multi-Agent Framework for Turning NeRF Papers into Code

NERFIFY：一个将NeRF论文转化为代码的多智能体框架

Seemandhar Jain, Keshav Gupta, Kunal Gupta, Manmohan Chandraker

机构 * University of California, San Diego（加州大学圣地亚哥分校） 纠错

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

AI总结 NERFIFY通过多智能体框架将NeRF论文转化为可训练的代码，提升复现效率和质量。

Comments Accepted to CVPR 2026. Project page: https://seemandhar.github.io/NERFIFY/

Advancing Multi-agent Traffic Simulation via R1-Style Reinforcement Fine-Tuning

通过R1风格强化微调推进多智能体交通模拟

Muleilan Pei, Shaoshuai Shi, Shaojie Shen

机构 * Hong Kong University of Science and Technology（香港理工大学） ； Voyager Research, Didi Chuxing（Voyager研究，滴滴出行） 纠错

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

AI总结 SMART-R1通过R1风格强化微调提升多智能体交通模拟的现实度与性能

Comments Accepted by ICLR 2026

Multi-Agent DRL for Multi-Objective Twin Migration Routing with Workload Prediction in 6G-enabled IoV

多目标双孪迁移路由的多智能体DRL与工作负载预测

Peng Yin, Wentao Liang, Jinbo Wen, Jiawen Kang, Junlong Chen, Dusit Niyato

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

AI总结 本文提出多智能体DRL方法，用于6G赋能IoV中的多目标双孪迁移路由，通过工作负载预测减少迁移延迟和丢包率。

Demonstrating ViviDoc: Generating Interactive Documents through Human-Agent Collaboration

展示ViviDoc：通过人机协作生成交互式文档

Yinghao Tang, Yupeng Xie, Yingchaojie Feng, Tingfeng Lan, Wei Chen

机构 * State Key Lab of CAD&CG（CAD与CG国家重点实验室） ； HKUST(GZ)（香港科技大学（广州）） ； National University of Singapore（新加坡国立大学） ； University of Virginia（弗吉尼亚大学） 纠错

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

AI总结 ViviDoc通过人机协作生成交互式教育文档，采用多代理流水线和文档规范提升生成质量和编辑体验。

Doctor-R1: Mastering Clinical Inquiry with Experiential Agentic Reinforcement Learning

Doctor-R1：通过经验代理强化学习掌握临床探究

Yunghwei Lai, Kaiming Liu, Ziyue Wang, Weizhi Ma, Yang Liu

机构 * Dept. of Comp. Sci. & Tech., Institute for AI, Tsinghua University（计算机科学与技术系，人工智能研究院，清华大学） ； College of AI, Tsinghua University（人工智能学院，清华大学） ； Institute for AI Industry Research (AIR), Tsinghua University（人工智能产业研究院（AIR），清华大学） 纠错

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

AI总结 Doctor-R1通过经验代理强化学习提升临床决策与患者咨询能力，实现更高效的医疗咨询和决策支持。