AI Agent

Multi-Agent Influence Diagrams to Hybrid Threat Modeling

多智能体影响图用于混合威胁建模

Maarten C. Vonk, Anna V. Kononova, Thomas Bäck, Tim Sweijs

机构 * The Hague Centre of Strategic Studies（海牙战略研究中心） ； LIACS ； Leiden University（莱顿大学） 纠错

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

AI总结 本文提出利用多智能体影响图框架统一混合威胁建模方法，通过模拟攻击与防御智能体的互动评估五种反混合威胁措施的有效性及参数影响。

Comments The Journal of Defense Modeling and Simulation: Applications, Methodology, Technology. 2025;0(0)

Agile Flight Emerges from Multi-Agent Competitive Racing

敏捷飞行源于多智能体竞速

Vineet Pasumarti, Lorenzo Bianchi, Antonio Loquercio

机构 * University of Rome Tor Vergata（罗马大学Tor Vergata） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

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

AI总结 本研究通过多智能体竞争训练，发现稀疏奖励足以让智能体实现现实中的敏捷飞行和策略控制。

Greedy-based Value Representation for Optimal Coordination in Multi-agent Reinforcement Learning

基于贪心的值表示用于多智能体强化学习中的最优协调

Lipeng Wan, Zeyang Liu, Xingyu Chen, Han Wang, Xuguang Lan

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

AI总结 本文提出基于贪心的值表示方法，通过目标塑造和经验回放确保多智能体强化学习中的最优一致性，提升协调性能。

Comments Duplicate submission of arXiv:2211.12075

An LLM Agentic Approach for Legal-Critical Software: A Case Study for Tax Prep Software

一种针对法律关键软件的LLM代理方法：以税务准备软件为例

Sina Gogani-Khiabani, Ashutosh Trivedi, Diptikalyan Saha, Saeid Tizpaz-Niari

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of Colorado Boulder（科罗拉多大学波德分校） ； IBM Research（IBM研究院） 纠错

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

AI总结 本文提出一种基于LLM的代理方法，用于开发法律关键软件，通过税务准备软件案例研究，展示了如何利用多代理系统和元测试技术提升法律规范到可执行代码的可靠性。

Comments To appear at ICSE 26. 12 pages

Low-Altitude Agentic Networks for Optical Wireless Communication and Sensing: An Oceanic Scenario

低空代理网络用于光无线通信与传感：海洋场景

Tianqi Mao, Jiayue Liu, Zeping Sui, Leyu Cao, Xiao Liang, Dezhi Zheng, Zhaocheng Wang

专题命中 多智能体 ：agentic(title)；planning(abstract)

AI总结 本文提出了一种低空代理网络，用于实现跨水下、空气和近空间的光学无线通信与传感，以解决海洋应用中的宽带连接问题。

When Your Own Output Becomes Your Training Data: Noise-to-Meaning Loops and a Formal RSI Trigger

当你的输出成为你的训练数据：噪声到意义的循环及形式RSI触发

Rintaro Ando

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

AI总结 本文提出N2M-RSI模型，展示AI代理通过自反馈和信息整合阈值可无限增加内部复杂性，并探讨了代理群交互的超线性效应。

Comments Withdrawn due to a critical error discovered in the mathematical derivation and proof of Theorem 2 (Unbounded Growth) and related Lemma 2 (Compression gain lower bound). This flaw invalidates the paper's main conclusion that N2M-RSI guarantees unbounded growth, requiring a fundamental revision of the theoretical framework

Maximin Share Guarantees via Limited Cost-Sensitive Sharing

通过有限成本敏感分享实现最大最小份额保证

Hana Salavcova, Martin Černý, Arpita Biswas

机构 * Charles University（查尔斯大学） ； Rutgers University（罗格斯大学） 纠错

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

AI总结 本文通过有限成本敏感共享方法，实现最大最小份额分配的公平性保证，并引入共享最大最小份额概念，提供理论支持和近似保证。

Comments In Proc. of the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026), Paphos, Cyprus, May 25 - 29, 2026, IFAAMAS, 11 pages

MAGE: Meta-Reinforcement Learning for Language Agents toward Strategic Exploration and Exploitation

MAGE：面向战略探索与利用的语言智能体元强化学习

Lu Yang, Zelai Xu, Minyang Xie, Jiaxuan Gao, Zhao Shok, Yu Wang, Yi Wu

机构 * Tsinghua University（清华大学） 纠错

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

AI总结 MAGE通过元强化学习框架提升语言智能体在战略探索与利用中的性能，结合多回合训练与种群训练技术实现稳定学习和泛化能力。

Agentic Peer-to-Peer Networks: From Content Distribution to Capability and Action Sharing

代理点对点网络：从内容分发到能力和行动共享

Taotao Wang, Lizhao You, Jingwen Tong, Chonghe Zhao, Shengli Zhang

机构 * College of Electronics and Information Engineering, Shenzhen University（深圳大学电子与信息工程学院） ； School of Informatics, Xiamen University（厦门大学信息学院） ； School of Computer Science and Cyber Engineering, Guangzhou University（广州大学计算机科学与网络工程学院） 纠错

专题命中 工作流自动化 ：agentic(title,abstract)；AI agent(abstract)；autonomous agent(abstract)；workflow(abstract)

AI总结 本文提出了一种基于平面的参考架构，用于实现代理点对点网络，通过分层验证机制提高协作安全性与效率。

Comments 10 pages, 5 figures

A Rubric-Supervised Critic from Sparse Real-World Outcomes

从稀疏现实结果中学习的评分监督批评者

Xingyao Wang, Valerie Chen, Heng Ji, Graham Neubig

专题命中 工作流自动化 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出了一种从稀疏现实结果中学习的评分监督批评者模型，用于提升编码代理的训练和推理性能。

Leveraging Taxonomy Similarity for Next Activity Prediction in Patient Treatment

利用分类相似性改进患者治疗中的下一步活动预测

Martin Kuhn, Joscha Grüger, Tobias Geyer, Ralph Bergmann

机构 * German Reseach Centre for Artificial Intelligence (DFKI), SDS Branch Trier（德国人工智能研究中心（DFKI），特里尔分部） ； University of Trier, Business Information Systems II（特里尔大学，商业信息系统二系） 纠错

专题命中 工作流自动化 ：planning(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出TS4NAP方法，利用医学分类和图匹配技术提升患者治疗下一步活动预测的准确性与可解释性。

GENAI WORKBENCH: AI-Assisted Analysis and Synthesis of Engineering Systems from Multimodal Engineering Data

GenAI Workbench: 人工智能辅助从多模态工程数据中分析和合成工程系统

H. Sinan Bank, Daniel R. Herber

机构 * Colorado State University（科罗拉多州立大学） 纠错

专题命中 工作流自动化 ：workflow(abstract)；分类 cs.AI、cs.SE

AI总结 GenAI Workbench通过整合AI技术，实现从多模态工程数据中辅助分析和合成工程系统，促进更集成和数据驱动的工程设计方法。

Comments 7 pages, 3 figures, accepted to be presented at IISE Annual Conference 2026

REDNET-ML: A Multi-Sensor Machine Learning Pipeline for Harmful Algal Bloom Risk Detection Along the Omani Coast

REDNET-ML: 一种多传感器机器学习流水线用于OMANI海岸有害藻华风险检测

Ameer Alhashemi

机构 * School of Computer Science, University of Birmingham（伯明翰大学计算机科学学院） 纠错

专题命中 工作流自动化 ：workflow(abstract)；分类 cs.LG

AI总结 REDNET-ML通过多传感器数据融合和CatBoost模型，实现OMANI海岸HAB风险的检测与评估。

Comments 11 pages

Formal that "Floats" High: Formal Verification of Floating Point Arithmetic

形式化地‘高’：浮点运算的形式验证

Hansa Mohanty, Vaisakh Naduvodi Viswambharan, Deepak Narayan Gadde

机构 * 1 Infineon Technologies Semiconductor India Private Limited, India 2 Infineon Technologies Dresden AG \& Co. KG, Germany 纠错

专题命中 工作流自动化 ：agentic(abstract)；分类 cs.AI

AI总结 本文提出了一种基于代理AI的形式化验证方法，通过直接RTL到RTL模型检查和黄金参考模型验证浮点运算，结合AI生成属性和人机协作细化，提升验证效率和覆盖范围。

Comments To appear at the 37th IEEE International Conference on Microelectronics (ICM), December 14-17, 2025, Cairo, Egypt

EasyRpl: A web-based tool for modelling and analysis of cross-organisational workflows

EasyRpl：一种用于跨组织工作流建模与分析的网页工具

Muhammad Rizwan Ali, Violet Ka I Pun, Guillermo Román-Díez

专题命中 工作流自动化 ：workflow(abstract)；分类 cs.SE

AI总结 EasyRpl是一种网页工具，用于帮助管理跨组织工作流，通过模拟器、峰值资源分析和时间分析工具优化效率并减少干扰。

Performance Optimization in Stream Processing Systems: Experiment-Driven Configuration Tuning for Kafka Streams

流处理系统性能优化：面向Kafka Streams的实验驱动配置调优

David Chen, Sören Henning, Kassiano Matteussi, Rick Rabiser

专题命中 工作流自动化 ：workflow(abstract)

AI总结 本文提出了一种基于实验驱动的自动化配置优化方法，通过拉丁超立方采样、模拟退火和梯度爬升三种技术，提升Kafka Streams在云原生环境下的性能表现。

Comments Accepted for the 9th Workshop on Hot Topics in Cloud Computing Performance (HotCloudPerf 2026) at ACM/SPEC ICPE 2026

ORION: Intent-Aware Orchestration in Open RAN for SLA-Driven Network Management

ORION：面向开放RAN的意图感知编排

Gabriela da Silva Machado, Gustavo Z. Bruno, Alexandre Huff, Jose Marcos Camara Brito, Cristiano B. Both

专题命中 工作流自动化 ：agent(abstract)

AI总结 ORION通过整合大语言模型实现开放RAN的意图编排，提升网络管理的自动化与智能化水平。

A New System Function for Maximum Processable Flow in Process Plants and Application to Reliability Assessment

过程植物中最大可处理流的新系统功能及可靠性评估应用

Ji-Eun Byun, Se-Hyeok Lee

专题命中 工作流自动化 ：planning(abstract)

AI总结 本文提出一种新的系统性能函数，用于过程植物可靠性分析，通过整合线性规划解决流连续性和拓扑依赖性问题，并通过实例验证其在风险导向布局规划中的有效性。

Agentic Code Reasoning

代理代码推理

Shubham Ugare, Satish Chandra

机构 * Meta, USA（Meta公司） 纠错

专题命中 软件智能体 ：agentic(title,abstract)；agent(abstract)；分类 cs.AI、cs.SE

AI总结 本文提出半形式推理方法，通过结构化提示提升代理在代码补丁验证、故障定位和问答任务中的准确性，实现无需执行的代码语义分析。

R1-Code-Interpreter: LLMs Reason with Code via Supervised and Multi-stage Reinforcement Learning

R1-Code-Interpreter: LLMs通过监督学习和多阶段强化学习进行代码推理

Yongchao Chen, Yueying Liu, Junwei Zhou, Yilun Hao, Jingquan Wang, Yang Zhang, Na Li, Chuchu Fan

机构 * MIT / Harvard（麻省理工学院/哈佛大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan（密歇根大学） ； MIT（麻省理工学院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Harvard（哈佛大学） 纠错

专题命中 软件智能体 ：tool-use(abstract)；planning(abstract)；分类 cs.AI、cs.CL

AI总结 R1-Code-Interpreter通过监督学习和多阶段强化学习提升LLM的代码推理能力，实现对多样化任务的高效处理，显著提升模型性能。

Comments 29 pages

LabelBuddy: An Open Source Music and Audio Language Annotation Tagging Tool Using AI Assistance

LabelBuddy: 一种利用人工智能辅助的开源音乐和音频语言标注标签工具

Ioannis Prokopiou, Ioannis Sina, Agisilaos Kounelis, Pantelis Vikatos, Themos Stafylakis

机构 * Athens University of Economics and Business（雅典经济与商业大学） ； Orfium（Orfium公司） ； University of Patras（帕特拉斯大学） ； Archimedes/Athena R.C.（阿基米德/雅典研究会） 纠错

专题命中 软件智能体 ：AI agent(abstract)；分类 cs.AI、cs.LG

AI总结 LabelBuddy是一种开源工具，利用AI辅助进行音乐和音频语言标注，通过容器化后端和多用户共识机制提升音频标注的准确性和效率。

Comments Accepted at NLP4MusA 2026 (4th Workshop on NLP for Music and Audio)

From Feedback to Failure: Automated Android Performance Issue Reproduction

从反馈到失败：自动化Android性能问题重现

Zhengquan Li, Zhenhao Li, Zishuo Ding

专题命中 软件智能体 ：agent(abstract)；分类 cs.SE

AI总结 RevPerf通过整合应用评论信息，自动化重现移动应用性能问题，实现72.73%的成功率。

Comments 22page, 8 figures

On the fair abatement of riparian pollution

关于河岸污染削减的公平分配

Ricardo Martinez, Juan D. Moreno-Ternero

专题命中 软件智能体 ：agent(abstract)

AI总结 本文提出了一种新的几何规则，用于在河岸污染削减中平衡公平性和环境影响，并通过案例研究验证其有效性。

ceLLMate: Sandboxing Browser AI Agents

ceLLMate: 浏览器级沙箱框架

Luoxi Meng, Henry Feng, Ilia Shumailov, Earlence Fernandes

专题命中 GUI与网页智能体 ：AI agent(title,abstract)；agent(abstract)；分类 cs.LG

AI总结 ceLLMate通过在HTTP层实现浏览器级沙箱化，有效防止浏览器代理中的提示注入攻击，同时保持较低的延迟开销。

Comments Homepage: https://cellmate-sandbox.github.io

Dual-Modality Multi-Stage Adversarial Safety Training: Robustifying Multimodal Web Agents Against Cross-Modal Attacks

双模多阶段对抗安全训练：增强多模态网络代理对跨模态攻击的鲁棒性

Haoyu Liu, Dingcheng Li, Lukas Rutishauser, Zeyu Zheng

机构 * UC Berkeley, IEOR & BAIR（伯克利大学） ； Google（谷歌） ； Google Deepmind（谷歌DeepMind） 纠错

专题命中 GUI与网页智能体 ：agent(abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 DMAST通过三阶段对抗训练提升多模态网络代理对跨模态攻击的鲁棒性，显著提高任务完成效率并优于现有防御方法。

LaViRA: Language-Vision-Robot Actions Translation for Zero-Shot Vision Language Navigation in Continuous Environments

LaViRA: 语言-视觉-机器人动作翻译用于连续环境中的零样本视觉语言导航

Hongyu Ding, Ziming Xu, Yudong Fang, You Wu, Zixuan Chen, Jieqi Shi, Jing Huo, Yifan Zhang, Yang Gao

机构 * School of Computer Science, Nanjing University（南京大学计算机科学学院） ； School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； 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） 纠错

专题命中 GUI与网页智能体 ：agent(abstract)；planning(abstract)

AI总结 LaViRA通过分解动作层次结构，利用多模态大语言模型的优势，实现连续环境中零样本视觉语言导航的高效导航与泛化能力。

Comments ICRA 2026

Gaussian Mixture-Based Inverse Perception Contract for Uncertainty-Aware Robot Navigation

基于高斯混合的逆感知合同用于不确定性感知的机器人导航

Bingyao Du, Joonkyung Kim, Yiwei Lyu

机构 * Department of Computer Science, Columbia University（计算机科学系，哥伦比亚大学） ； Department of Computer Science and Engineering, Texas A&M University（计算机科学与工程系，德克萨斯大学） 纠错

专题命中 GUI与网页智能体 ：planning(abstract)

AI总结 本文提出基于高斯混合的逆感知合同，通过联合椭球置信集表示不确定性，提升机器人导航的安全性和适应性。

Comments 8 pages, 5 figures. Accepted to ACC 2026 (American Control Conference)

Offline-to-Online Multi-Agent Reinforcement Learning with Offline Value Function Memory and Sequential Exploration

离线到在线多智能体强化学习：结合离线价值函数记忆与序列探索

Hai Zhong, Xun Wang, Zhuoran Li, Longbo Huang

机构 * IIIS, Tsinghua University（清华大学人工智能研究院） 纠错

专题命中 记忆与上下文管理 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 OVMSE通过离线价值函数记忆和序列探索策略，在多智能体强化学习中提升样本效率和性能。

Comments Include detailed hyperparameter configurations

Agentics 2.0: Logical Transduction Algebra for Agentic Data Workflows

Agentics 2.0：逻辑转导代数用于代理数据工作流

Alfio Massimiliano Gliozzo, Junkyu Lee, Nahuel Defosse

机构 * IBM（国际商业机器公司） 纠错

专题命中 记忆与上下文管理 ：agentic(title,abstract)；分类 cs.AI、cs.LG

AI总结 Agentics 2.0通过逻辑转导代数构建高质量、可解释且类型安全的代理数据工作流，展示了在数据驱动发现和NL到SQL语义解析中的先进性能。

Comments 14 pages, 4 figures

Developing an AI Assistant for Knowledge Management and Workforce Training in State DOTs

为州交通部门的知识管理和员工培训开发人工智能助手

Divija Amaram, Lu Gao, Gowtham Reddy Gudla, Tejaswini Sanjay Katale

机构 * Department of Computer Science, University of Houston（计算机科学系，休斯顿大学） ； Department of Civil and Environmental Engineering, University of Houston（土木与环境工程系，休斯顿大学） ； Ph.D Department of Civil and Environmental Engineering, University of Houston（土木与环境工程系，休斯顿大学） ； Engineering Data Science, University of Houston（工程数据科学，休斯顿大学） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.CL

AI总结 本文提出了一种多代理架构的RAG框架，用于州交通部门的知识管理和决策支持，通过整合文档检索与大语言模型生成，提升信息检索与响应质量。