AI Agent

ACT: Agentic Classification Tree

ACT：代理分类树

Vincent Grari, Tim Arni, Thibault Laugel, Sylvain Lamprier, James Zou, Marcin Detyniecki

机构 * AXA AI Research（AXA人工智能研究） ； Stanford University（斯坦福大学） ； EPFL, Lausanne, Switzerland（瑞士洛桑联邦理工学院） ； Polish Academy of Sciences, IBS PAN, Warsaw, Poland（波兰科学院计算机科学研究所） 纠错

专题命中 规划决策 ：agentic(title,abstract)；分类 cs.AI、cs.LG

AI总结 ACT通过将决策树扩展到非结构化输入，利用自然语言问题和LLM反馈提升透明度和可解释性，实验证明其在文本基准上优于基于提示的方法。

Comments 25 pages, 8 figures

Towards Agentic Defect Reasoning: A Graph-Assisted Retrieval Framework for Laser Powder Bed Fusion

迈向代理缺陷推理：一种用于激光粉末床融合的图辅助检索框架

Muhammad Rizwan Awan, Volker Pickert, Muhammad Waqar Ashraf, Saleh Ali, Farshid Mahmouditabar, Shafiq Odhano

机构 * Department of Electrical and Electronic Engineering, The Newcastle University（纽卡斯尔大学电气与电子工程系） ； The Sargent Centre for Process Systems Engineering, Department of Chemical Engineering, University College London（伦敦大学学院化学工程系萨金特过程系统工程中心） 纠错

专题命中 规划决策 ：agentic(title)；agent(abstract)；分类 cs.LG

AI总结 本文提出一种图辅助检索框架，用于激光粉末床融合中的缺陷推理，通过构建知识图谱实现参数与缺陷之间的可解释路径识别。

Vision-as-Inverse-Graphics Agent via Interleaved Multimodal Reasoning

通过交错多模态推理的视觉-反图形代理

Shaofeng Yin, Jiaxin Ge, Zora Zhiruo Wang, Chenyang Wang, Xiuyu Li, Michael J. Black, Trevor Darrell, Angjoo Kanazawa, Haiwen Feng

机构 * University of California, Berkeley（加州大学伯克利分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Impossible, Inc.（Impossible公司） 纠错

专题命中 规划决策 ：agent(title,abstract)；分类 cs.AI

AI总结 本文提出VIGA框架，通过符号逻辑与视觉感知的交叉验证，解决视觉语言模型在单次设置中重建图像的挑战，支持2D文档生成、3D重建等任务。

Comments Project page: https://fugtemypt123.github.io/VIGA-website/

DRAFT: Task Decoupled Latent Reasoning for Agent Safety

草稿：任务解耦的潜在推理用于代理安全

Lin Wang, Junfeng Fang, Dan Zhang, Fei Shen, Xiang Wang, Tat-Seng Chua

机构 * National University of Singapore, Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 规划决策 ：agent(title,abstract)；分类 cs.LG

AI总结 本文提出DRAFT框架，通过解耦安全判断为提取器和推理器两个阶段，利用潜在空间证据聚合提升代理安全性，在多个基准测试中表现优异。

A Hierarchical Error-Corrective Graph Framework for Autonomous Agents with LLM-Based Action Generation

一种用于自主代理的分层错误校正图框架：基于大语言模型的动作生成

Cong Cao, Jingyao Zhang, Kun Tong

机构 * Independent Researcher（独立研究者） ； Beihang University（北京航空航天大学） 纠错

专题命中 规划决策 ：autonomous agent(title)；agent(abstract)；分类 cs.AI

AI总结 本文提出HECG框架，通过多维可转移策略、误差矩阵分类和因果-上下文图检索三大创新，提升自主代理在动态任务中的策略选择、错误分析和情境适应能力。

Seemingly Simple Planning Problems are Computationally Challenging: The Countdown Game

看似简单的规划问题具有计算挑战性：倒计时游戏

Michael Katz, Harsha Kokel, Sarath Sreedharan

机构 * IBM T. J. Watson Research Center（IBM T. J. Watson 研究中心） ； IBM San Jose（IBM 圣何塞） ； Colorado State University（科罗拉多州立大学） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI

AI总结 本文提出基于倒计时游戏的规划基准，该问题具有NP完全复杂性，能有效评估规划能力，实验显示现有LLM方法在该基准上仍面临挑战。

Hierarchical Trajectory Planning of Floating-Base Multi-Link Robot for Maneuvering in Confined Environments

浮基多连杆机器人的分层轨迹规划用于在受限环境中 maneuvering

Yicheng Chen, Jinjie Li, Haokun Liu, Zicheng Luo, Kotaro Kaneko, Moju Zhao

机构 * Department of Mechanical Engineering, The University of Tokyo（东京大学机械工程系） 纠错

专题命中 规划决策 ：planning(title,abstract)

AI总结 本文提出了一种分层轨迹规划框架，通过全局引导与配置感知的局部优化，实现浮基多连杆机器人在受限环境中的机动性，无需人工构建障碍模型。

Comments Accepted to IEEE T-ASE; DOI pending

Journal ref IEEE Transactions on Automation Science and Engineering, vol. 23, pp. 5460-5477, 2026

Approximation Algorithms for Line Planning with Heterogeneous Fleets and Multiple Resource Constraints

具有异质车队和多重资源约束的线路规划近似算法

Hongyi Jiang, Igor Averbakh, Samitha Samaranayake

专题命中 规划决策 ：planning(title,abstract)

AI总结 本文研究了面临预算、劳动力和排放限制的公共交通巴士网络线路规划问题，提出了一种具有理论保证的近似算法，解决了异质车队和多重资源约束下的线路规划问题，实验表明其在大规模应用中表现优异。

Dose Validation of GRID Block Treatment Applicator within the RayStation Treatment Planning System

RayStation治疗计划系统中GRID块治疗装置的剂量验证

Blessing Akah, Edwin Quashie, Gene Cardarelli

专题命中 规划决策 ：planning(title,abstract)

AI总结 本文研究了在RayStation治疗计划系统中使用GRID块治疗装置的剂量验证方法，通过建立符合性治疗计划并结合QA计划和Mapcheck2结果，提出了一种标准化临床实施的新方法。

SGTA: Scene-Graph Based Multi-Modal Traffic Agent for Video Understanding

基于场景图的多模态交通代理：视频理解的模块化框架

Xingcheng Zhou, Mingyu Liu, Walter Zimmer, Jiajie Zhang, Alois Knoll

机构 * Technical University of Munich（慕尼黑工业大学） 纠错

专题命中 规划决策 ：agent(title,abstract)

AI总结 SGTA结合结构化场景图与多模态推理，通过检测、跟踪和车道提取构建交通场景图，并利用ReAct处理大语言模型的推理轨迹，实现复杂视频问题的可解释决策。

Mitigating Value Hallucination in Dyna Planning via Multistep Predecessor Models

通过多步前驱模型缓解Dyna规划中的价值幻觉

Farzane Aminmansour, Taher Jafferjee, Ehsan Imani, Erin Talvitie, Micheal Bowling, Martha White

机构 * Dept of Computer Science, Harvey Mudd College, USA（美国哈维穆德学院计算机科学系） 纠错

专题命中 规划决策 ：planning(title)；分类 cs.AI、cs.LG

AI总结 本文提出通过多步前驱模型改进Dyna算法，以减少环境模型误差导致的价值幻觉问题，实验验证了该方法的有效性。

Comments Published in Journal of Artificial Intelligence (JAIR) in 2024. Updated to published version, changed title to JAIR version, added a new author that led the submission

PRISM: Prompt-Refined In-Context System Modelling for Financial Retrieval

PRISM：基于上下文的系统建模用于金融检索

Chun Chet Ng, Jia Yu Lim, Wei Zeng Low

机构 * AI Lens 纠错

专题命中 规划决策 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.CL；agentic(comments)

AI总结 PRISM通过精细化提示、上下文学习和轻量级多代理协调，提升金融信息检索效率，其简单配置在FinAgentBench上取得NDCG@5 0.71818，为实际应用提供实用指导。

Comments 3rd-place solution for the ACM ICAIF 2025 Agentic Retrieval Grand Challenge. Accepted for poster presentation at ICLR 2026 (Advances in Financial AI Workshop)

Learning from Imperfect Demonstrations via Temporal Behavior Tree-Guided Trajectory Repair

通过时间行为树引导轨迹修复学习不完美的示范

Aniruddh G. Puranic, Sebastian Schirmer, John S. Baras, Calin Belta

专题命中 规划决策 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出利用时间行为树修复不完美示范轨迹，以提升机器人控制策略的学习效果，通过生成逻辑一致且可解释的数据集，指导强化学习 agent 向任务一致的 state space 区域发展。

Comments 12 pages, 4 figures. This work has been submitted to the IEEE for possible publication

AI Trust OS -- A Continuous Governance Framework for Autonomous AI Observability and Zero-Trust Compliance in Enterprise Environments

AI信任操作系统——面向企业环境的连续治理框架：自主AI可观测性和零信任合规性

Eranga Bandara, Asanga Gunaratna, Ross Gore, Abdul Rahman, Ravi Mukkamala, Sachin Shetty, Sachini Rajapakse, Isurunima Kularathna, Peter Foytik, Safdar H. Bouk, Xueping Liang, Amin Hass, Ng Wee Keong, Kasun De Zoysa

机构 * Old Dominion University（欧道明大学） ； AI Motion Labs（AI Motion实验室） ； Florida International University（佛罗里达国际大学） ； Nanyang Technological University（南洋理工大学） ； University of Colombo（科伦坡大学） ； Accenture Technology Labs（埃森哲技术实验室） 纠错

专题命中 规划决策 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文提出AI Trust OS，通过持续自主AI可观测性和零信任合规性框架，解决企业环境中AI系统治理问题，基于 telemetry 驱动的架构实现持续合规验证。

Receding-Horizon Control via Drifting Models

通过漂移模型实现滚动预测控制

Daniele Foffano, Alessio Russo, Alexandre Proutiere

机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） ； Boston University（波士顿大学） 纠错

专题命中 规划决策 ：agent(abstract)；planning(abstract)；分类 cs.AI

AI总结 本文提出Drifting MPC框架，结合漂移生成模型与未知动态下的滚动规划，从离线轨迹数据中学习最优轨迹分布，提升轨迹生成效率和性能。

Finite-Time Analysis of Q-Value Iteration for General-Sum Stackelberg Games

一般和解博弈中Q值迭代的有限时间分析

Narim Jeong, Donghwan Lee

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） 纠错

专题命中 规划决策 ：agent(abstract)；multi-agent(abstract)；分类 cs.LG

AI总结 本文从控制理论视角研究了双玩家一般和解马尔可夫博弈中Stackelberg Q值迭代的收敛性，提出放松的策略条件并建模学习动态为切换系统，通过构造上下比较系统，建立了Q函数的有限时间误差界并刻画其收敛特性。

Comments 8 pages

Document-Level Numerical Reasoning across Single and Multiple Tables in Financial Reports

跨单表和多表的财务报告中数字推理

Yi-Cheng Wang, Wei-An Wang, Chu-Song Chen

机构 * Department of Computer Science and Information Engineering, National Taiwan University（国立台湾大学资讯工程学系） ； FinTech Center, National Taiwan University（国立台湾大学金融科技中心） 纠错

专题命中 规划决策 ：agent(abstract)；multi-agent(abstract)；分类 cs.CL

AI总结 本文提出FinLongDocQA数据集，解决长文档中跨表数字推理问题，发现LLM在长文本中定位和多步计算时存在瓶颈，提出FinLongDocAgent多智能体方法提升可靠性。

TABQAWORLD: Optimizing Multimodal Reasoning for Multi-Turn Table Question Answering

TABQAWORLD: 优化多模态推理以实现多轮表格问答

Tung Sum Thomas Kwok, Xinyu Wang, Xiaofeng Lin, Peng Lu, Chunhe Wang, Changlun Li, Hanwei Wu, Nan Tang, Elisa Kreiss, Guang Cheng

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； McGill University（麦吉尔大学） ； Université de Montréal（蒙特利尔大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； SimpleWay 纠错

专题命中 规划决策 ：tool use(abstract)；planning(abstract)；分类 cs.AI

AI总结 TABQAWORLD通过联合优化表格表示与估计，提升多轮表格问答的可靠性与效率，实现4.87%的准确率提升和33.35%的推理延迟降低。

Graph-to-Frame RAG: Visual-Space Knowledge Fusion for Training-Free and Auditable Video Reasoning

图到帧RAG：面向无训练和可审计的视频推理的视觉空间知识融合

Songyuan Yang, Weijiang Yu, Ziyu Liu, Guijian Tang, Wenjing Yang, Huibin Tan, Nong Xiao

机构 * National University of Defense Technology（国防科技大学） ； Sun Yat-sen University（中山大学） 纠错

专题命中 规划决策 ：agent(abstract)；multi-agent(abstract)

AI总结 本文提出G2F-RAG，通过视觉空间知识融合提升视频推理的可解释性和效率，减少认知负担并保留可追溯的证据轨迹。

Comments Accepted at CVPR 2026. Camera-ready version

Developing Authentic Simulated Learners for Mathematics Teacher Learning: Insights from Three Approaches with Large Language Models

构建数学教师学习的真挚模拟学习者：基于三种方法与大语言模型的洞察

Jie Cao, Ha Nguyen, Selim Yavuz, Boran Yu, Shuguang Wang, Pavneet Kaur Bharaj, Dionne Cross Francis

专题命中 规划决策 ：agent(abstract)；multi-agent(abstract)

AI总结 本文探讨三种方法提升模拟学生的真实性与教学效用，发现多代理和DPO方法能生成明确的解题策略解释，而微调模型虽生成真实回应但限制思维扩展。

Comments This paper has been accepted in AIED'26

LightThinker++: From Reasoning Compression to Memory Management

LightThinker++：从推理压缩到内存管理

Yuqi Zhu, Jintian Zhang, Zhenjie Wan, Yujie Luo, Shuofei Qiao, Zhengke Gui, Da Zheng, Lei Liang, Huajun Chen, Ningyu Zhang

机构 * Zhejiang University（浙江大学） 纠错

专题命中 规划决策 ：agentic(abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 本文提出LightThinker++，通过引入显式自适应内存管理，有效压缩LLM推理过程中的中间思维，减少内存占用并提升推理效率，尤其在长周期智能任务中表现突出。

Comments Work in progress. This is an extended version of LightThinker

Data-Driven Tensor Decomposition Identification of Homogeneous Polynomial Dynamical Systems

数据驱动的张量分解识别同质多项式动力学系统

Xin Mao, Joshua Pickard, Can Chen

专题命中 规划决策 ：agent(abstract)；multi-agent(abstract)

AI总结 本文提出基于张量分解的数据驱动方法，用于识别同质多项式动力学系统，通过降低参数空间维度提升计算效率与鲁棒性。

Agile Story-Point Estimation: Is RAG a Better Way to Go?

敏捷故事点估计：RAG是否是更好的方法？

Lamyea Maha, Tajmilur Rahman, Chanchal Roy

机构 * University of Saskatchewan（萨斯喀彻温大学） ； Gannon University（甘农大学） 纠错

专题命中 规划决策 ：planning(abstract)；分类 cs.AI、cs.LG、cs.SE

AI总结 本研究探讨利用RAG技术自动化敏捷开发中的故事点估计，分析检索参数、项目规模及嵌入模型对准确率的影响，发现RAG在部分情况下表现更优，但整体差异不显著，需进一步优化。

Journal ref ICPC 2026

Empowering Multi-Robot Cooperation via Sequential World Models

通过序列世界模型增强多机器人协作

Zijie Zhao, Honglei Guo, Shengqian Chen, Kaixuan Xu, Bo Jiang, Yuanheng Zhu, Dongbin Zhao

机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； SKL-MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所复杂系统管理与控制国家重点实验室） 纠错

专题命中 规划决策 ：agent(abstract)；planning(abstract)

AI总结 本文提出SeqWM框架，通过引入序列范式提升多机器人MBRL的协作能力，实验表明其在性能和样本效率上优于现有方法，并展示了预测适应、时间对齐和角色分配等先进协作行为。

Selecting Decision-Relevant Concepts in Reinforcement Learning

强化学习中决策相关概念的选择

Naveen Raman, Stephanie Milani, Fei Fang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） 纠错

专题命中 规划决策 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出决策相关选择算法，通过状态抽象视角自动选择决策相关的概念，提升强化学习策略的可解释性和性能。

Comments 16 pages, 13 figures

Mapping the Exploitation Surface: A 10,000-Trial Taxonomy of What Makes LLM Agents Exploit Vulnerabilities

映射利用表面：一种10000次试验的分类，揭示使LLM代理利用漏洞的因素

Charafeddine Mouzouni

机构 * OPIT -- Open Institute of Technology（OPIT——开放理工学院） 纠错

专题命中 规划决策 ：agent(abstract)；分类 cs.AI、cs.CL

AI总结 本文通过10000次试验分析系统提示特征对LLM代理利用漏洞的影响，发现目标重构是唯一可靠触发因素，其他维度在特定条件下未产生显著利用。

Comments 18 pages, 8 tables, code and data at https://github.com/Cmouzouni/exploitation-surface

Toward a Sustainable Software Architecture Community: Evaluating ICSA's Environmental Impact

迈向可持续的软件架构社区：评估ICSA的环境影响

Mahyar T. Moghaddam, Mina Alipour, Torben Worm, Mikkel Baun Kjærgaard

机构 * SDU Software Engineering（南丹麦大学软件工程系） 纠错

专题命中 规划决策 ：planning(abstract)；分类 cs.AI、cs.SE

AI总结 本文评估了ICSA会议中生成式AI和传统活动的环境影响，提出碳足迹报告，探讨可持续软件架构的研究方法和改进措施。

Comments accepted at ICSA-C 2026

Optimizing Neurorobot Policy under Limited Demonstration Data through Preference Regret

通过偏好遗憾优化有限示范数据下的神经机器人策略

Viet Dung Nguyen, Yuhang Song, Anh Nguyen, Jamison Heard, Reynold Bailey, Alexander Ororbia

机构 * Rochester Institute of Technology（罗切斯特理工学院） ； Advanced Micro Devices, Inc.（超威半导体公司） ； University of Liverpool（利物浦大学） 纠错

专题命中 规划决策 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出MYOE框架，通过可查询的偏好混合状态空间模型估计每一步的目标，利用偏好遗憾优化机器人控制策略，实验显示其鲁棒性、适应性和泛化能力优于其他RLfD方法。

Comments 10 pages, 4 figures, 4 tables

Control Synthesis from Linear Temporal Logic Specifications using Model-Free Reinforcement Learning

基于线性时序逻辑规范的控制合成使用无模型强化学习

Alper Kamil Bozkurt, Yu Wang, Michael M. Zavlanos, Miroslav Pajic

机构 * Duke University（杜克大学） 纠错

专题命中 规划决策 ：planning(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出一种强化学习框架，用于在未知随机环境中基于线性时序逻辑规范合成控制策略，通过无模型强化学习最大化满足LTL公式概率，确保算法收敛至最优策略。

Journal ref 2020 IEEE International Conference on Robotics and Automation (ICRA), Paris, France, 2020, pp. 10349-10355

Optimizing LLM Prompt Engineering with DSPy Based Declarative Learning

基于DSPy的声明式学习优化大语言模型提示工程

Shiek Ruksana, Sailesh Kiran Kurra, Thipparthi Sanjay Baradwaj

机构 * Vasavi College of Engineering（瓦萨维工程学院） ； Amazon（亚马逊） ； Texas（德克萨斯州） 纠错

专题命中 规划决策 ：planning(abstract)；分类 cs.LG

AI总结 本文提出基于DSPy的声明式学习方法，通过符号规划、无梯度优化和自动模块重写提升提示优化的可靠性、效率和泛化能力，实验显示事实准确率提升30-45%，幻觉率降低25%。

Comments Best paper Award ,IEEE International Conference on Emerging Smart Computing and Informatics (ESCI) Pune, India. Mar 11-13, 2026