AI Agent

Argus: Reorchestrating Static Analysis via a Multi-Agent Ensemble for Full-Chain Security Vulnerability Detection

Argus：通过多智能体集合重新编排静态分析以实现全链路安全漏洞检测

Zi Liang, Qipeng Xie, Jun He, Bohuan Xue, Weizheng Wang, Yuandao Cai, Fei Luo, Boxian Zhang, Haibo Hu, Kaishun Wu

机构 * The Hong Kong Polytechnic University（香港理工大学） ； HKUST（香港科技大学） ； SF Express（顺丰速运） ； Great Bay University（大湾区大学） 纠错

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

AI总结 Argus通过多智能体框架提升静态分析效率，结合RAG和ReAct技术减少漏洞误报，发现更多真实漏洞并降低运营成本。

Logical Robots: Declarative Multi-Agent Programming in Logica

逻辑机器人：逻辑编程中的多智能体编程

Evgeny Skvortsov, Yilin Xia, Ojaswa Garg, Shawn Bowers, Bertram Ludäscher

机构 * Google LLC（谷歌公司） ； University of Illinois（伊利诺伊大学） ； Gonzaga University（贡扎加大学） 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 Logical Robots通过逻辑编程语言Logica实现多智能体仿真平台，将观察映射到动作输出，实现低层反应控制与高层规划的结合。

Comments International Conference on Autonomous Agents and Multiagent Systems (AAMAS), May 25-29, 2026. Paphos, Cyprus

AutoUE: Automated Generation of 3D Games in Unreal Engine via Multi-Agent Systems

AutoUE：通过多智能体系统自动化生成Unreal引擎中的3D游戏

Lei Yin, Wentao Cheng, Zhida Qin, Tianyu Huang, Yidong Li, Gangyi Ding

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

AI总结 本文提出AutoUE系统，通过多智能体协同实现3D游戏的端到端生成，涵盖模型检索、场景生成、代码合成及自动化测试，验证了其有效性。

Comments Accepted as a ACL'26 Findings full paper

TwinLoop: Simulation-in-the-Loop Digital Twins for Online Multi-Agent Reinforcement Learning

TwinLoop：用于在线多智能体强化学习的闭环仿真数字孪生

Nan Zhang, Zishuo Wang, Shuyu Huang, Georgios Diamantopoulos, Nikos Tziritas, Panagiotis Oikonomou, Georgios Theodoropoulos

机构 * Research Institute of Trustworthy Autonomous Systems, Southern University of Science and Technology（南方科技大学可信自主系统研究院） ； Department of Computer Science and Engineering, Southern University of Science and Technology（南方科技大学计算机科学与工程系） ； Department of Informatics and Telecommunications, University of Thessaly（色萨利大学信息与电信系） 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 TwinLoop通过仿真闭环数字孪生框架提升多智能体系统在运行时的适应性，减少对高成本试错的依赖，提高上下文切换后的适应效率。

Comments 6 pages, 6 figures

Energy Saving for Cell-Free Massive MIMO Networks: A Multi-Agent Deep Reinforcement Learning Approach

为无细胞大规模MIMO网络节能：一种多智能体深度强化学习方法

Qichen Wang, Keyu Li, Ozan Alp Topal, Özlem Tugfe Demir, Mustafa Ozger, Cicek Cavdar

机构 * Bilkent University（比尔肯大学） ； Aalborg University（奥尔堡大学） 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 本文提出一种多智能体深度强化学习算法，用于无源大规模MIMO网络下行链路动态交通条件下的节能，通过自主控制天线配置和先进睡眠模式选择，降低能耗并减少掉线率。

Equivariant Multi-agent Reinforcement Learning for Multimodal Vehicle-to-Infrastructure Systems

等价多智能体强化学习用于多模态车-基础设施系统

Charbel Bou Chaaya, Mehdi Bennis

机构 * Centre for Wireless Communications, University of Oulu（奥卢大学无线通信中心） 纠错

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

AI总结 本文研究了车-基础设施系统，通过分布式基站收集多模态数据，采用去中心化速率最大化方法，利用等价性对称性提出自监督学习框架，提升多模态感知和强化学习效率。

CCD-CBT: Multi-Agent Therapeutic Interaction for CBT Guided by Cognitive Conceptualization Diagram

CCD-CBT：基于认知概念图的多智能体治疗交互

Chang Liu, Changsheng Ma, Yongfeng Tao, Bin Hu, Minqiang Yang

机构 * School of Information Science and Engineering, Lanzhou University（兰州大学信息科学与工程学院） 纠错

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

AI总结 本文提出CCD-CBT框架，通过动态重构认知概念图和信息不对称交互提升CBT模拟效果，基于合成数据集验证了其在治疗可信度和积极情绪增强方面的优势。

MedRoute: RL-Based Dynamic Specialist Routing in Multi-Agent Medical Diagnosis

MedRoute: 基于强化学习的多智能体医疗诊断动态专家路由

Ashmal Vayani, Parth Parag Kulkarni, Joseph Fioresi, Song Wang, Mubarak Shah

机构 * Institute of Artificial Intelligence, University of Central Florida, Orlando, United States（中佛罗里达大学人工智能研究所，奥兰多，美国） 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MedRoute框架，通过强化学习动态选择专家进行医疗诊断，提升诊断准确性，优于现有基线方法。

Differentiable Environment-Trajectory Co-Optimization for Safe Multi-Agent Navigation

可微环境-轨迹联合优化用于安全多智能体导航

Zhan Gao, Gabriele Fadini, Stelian Coros, Amanda Prorok

机构 * University of Cambridge（剑桥大学） ； Zurich University of Applied Sciences, ZHAW（苏黎世应用科技大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 本文提出一种可微环境-轨迹联合优化方法，通过双层优化问题提升多智能体导航的安全性和效率，实验验证了其在物流和交通场景中的有效性。

Compressing Correct-by-Design Synthesis for Stochastic Homogeneous Multi-Agent Systems with Counting LTL

为随机同质多智能体系统压缩正确-by-设计合成

Xinyuan Qiu, Ruohan Wang, Siyuan Liu, Sofie Haesaert

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

AI总结 本文研究了基于计数线性时序逻辑(cLTL)的随机同质多智能体系统，通过确定性有限自动机(DFA)实现满足概率的结构化张量分解，并提出双树值迭代框架以提升计算效率。

KD-MARL: Resource-Aware Knowledge Distillation in Multi-Agent Reinforcement Learning

KD-MARL: 多智能体强化学习中的资源感知知识蒸馏

Monirul Islam Pavel, Siyi Hu, Muhammad Anwar Masum, Mahardhika Pratama, Ryszard Kowalczyk, Zehong Jimmy Cao

机构 * School of Computer Science and Information Technology, Adelaide University, Australia（阿德莱德大学计算机科学与信息技术学院，澳大利亚） ； School of Electrical Engineering, Computing and Mathematical Sciences, Curtin University, Australia（科廷大学电气工程、计算与数学科学学院，澳大利亚） ； Systems Research Institute, Polish Academy of Sciences, Poland（波兰科学院系统研究所，波兰） 纠错

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

AI总结 本文提出KD-MARL框架，通过资源感知的知识蒸馏方法，在多智能体强化学习中实现高效协调行为转移，减少计算成本并保持高性能。

Comments Accepted in IJCNN 2026

Emergent decentralized regulation in a purely synthetic society

合成社会中涌现的去中心化调节

Md Motaleb Hossen Manik, Ge Wang

机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） 纠错

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

AI总结 研究合成集体是否能在无人工干预和集中设计下自动生成调节机制，通过分析OpenClaw代理在Moltbook上的互动数据，发现指令强度与纠正信号呈正相关，表明纯合成社会可能具备内生纠正能力。

Telling Speculative Stories to Help Humans Imagine the Harms of Healthcare AI

讲述推测性故事以帮助人类想象医疗AI的害处

Xingmeng Zhao, Tongnian Wang, Dan Schumacher, Veronica Rammouz, Anthony Rios

机构 * The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校） 纠错

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

AI总结 本文提出一种以人类为中心的框架，通过生成用户故事和多代理讨论，帮助人们在部署前创造性地思考医疗AI的潜在利弊。实验表明，阅读故事的参与者能更全面地识别各种害处。

Comments 8 pages main + Appendix; Accepted to ACL Findings 2026

Exploiting Aggregate Programming in a Multi-Robot Service Prototype

利用聚合编程在多机器人服务原型中

Giorgio Audrito, Andrea Basso, Daniele Bortoluzzi, Ferruccio Damiani, Giordano Scarso, Gianluca Torta

机构 * MITO Technology, Milan, Italy（MITO Technology，米兰，意大利） 纠错

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

AI总结 本文提出一个多机器人服务系统原型，采用聚合编程实现协调软件设计，通过仿真和大学图书馆测试验证其有效性。

Comments In Proceedings PLACES 2026, arXiv:2604.05737

Journal ref EPTCS 444, 2026, pp. 45-57

Generating Local Shields for Decentralised Partially Observable Markov Decision Processes

为去中心化部分可观测马尔可夫决策过程生成局部护盾

Haoran Yang, Nobuko Yoshida

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

AI总结 本文提出一种护盾过程代数，用于在无通信的Dec-POMDP中指定安全全局行为，通过编译过程自动机和全局Mealy机，生成局部Mealy机以减少碰撞。

Comments In Proceedings PLACES 2026, arXiv:2604.05737

Journal ref EPTCS 444, 2026, pp. 1-10

Designing for Accountable Agents: a Viewpoint

为可问责的智能体设计：一种观点

Stephen Cranefield, Nir Oren

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

AI总结 本文探讨了多智能体系统中智能体的可问责性，提出了一种定义并分析其在开放社会技术系统中的应用，识别了研究挑战和未来研究方向。

Before Humans Join the Team: Diagnosing Coordination Failures in Healthcare Robot Team Simulation

在人类加入团队之前：医疗机器人团队模拟中的协调失败诊断

Yuanchen Bai, Zijian Ding, Shaoyue Wen, Xiang Chang, Angelique Taylor

机构 * Cornell Tech（康奈尔科技校区） ； Department of Information Science, Cornell University（康奈尔大学信息科学系） ； University of Maryland, College Park（马里兰大学帕克分校） ； Imperial College London（伦敦帝国学院） 纠错

专题命中 多智能体 ：agent(abstract)；分类 cs.AI

AI总结 本文通过模拟方法研究医疗机器人团队的协调失败问题，发现团队结构是协调的主要瓶颈，并提出安全的人机协作设计方法。

Comments Revised version incorporating new analysis and restructuring

Commander-GPT: Dividing and Routing for Multimodal Sarcasm Detection

Commander-GPT：多模态讽刺检测的分工与路由

Yazhou Zhang, Chunwang Zou, Bo Wang, Jing Qin, Prayag Tiwari

专题命中 多智能体 ：agent(abstract)；分类 cs.AI

AI总结 本文提出Commander-GPT框架，通过分工协作的LLM代理团队，结合三种指挥官类型，提升多模态讽刺检测性能，实验结果显示在F1分数上优于现有方法。

Event-Triggered Adaptive Consensus for Multi-Robot Task Allocation

基于事件触发的多机器人任务分配自适应一致性

Fidel Aznar, Mar Pujol, Álvaro Díez

专题命中 多智能体 ：agent(abstract)

AI总结 本文提出一种基于事件触发的自适应一致性框架，用于在动态和通信受限环境中实现高效适应性任务分配。通过自适应一致性机制和行为树架构，减少通信开销并提升系统效率和鲁棒性。

Comments 40 pages, 18 figures. Published in Computer Communications under CC-BY license

Journal ref Computer Communications, Volume 251, 2026, 108499