AI Agent

AgentWebBench: Benchmarking Multi-Agent Coordination in Agentic Web

AgentWebBench: 多智能体协调在代理网络中的基准测试

Shanshan Zhong, Kate Shen, Chenyan Xiong

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

AI总结 AgentWebBench评估用户代理与网站特定内容代理交互回答问题的能力，发现多智能体协调在大规模模型下可超越集中检索，但需更高效的规划与证据质量。

OOM-RL: Out-of-Money Reinforcement Learning Market-Driven Alignment for LLM-Based Multi-Agent Systems

OOM-RL：基于大语言模型多智能体系统的出钱强化学习市场驱动对齐

Kun Liu, Liqun Chen

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

AI总结 本文提出OOM-RL方法，通过将智能体部署到金融市场中，利用资本耗尽作为不可篡改的负梯度，使多智能体系统从过度迎合的基线进化为稳健的流动性感知架构，最终实现稳定均衡。

Comments 13 pages, 3 figures

MPAC: A Multi-Principal Agent Coordination Protocol for Interoperable Multi-Agent Collaboration

MPAC：一种多主代理协调协议用于互操作性多代理协作

Kaiyang Qian, Xinmin Fang, Zhengxiong Li

机构 * University of Colorado Denver (CU Denver)（科罗拉多大学丹佛分校） 纠错

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

AI总结 本文提出MPAC协议，解决多主代理共享状态协调问题，通过五层结构实现显式协调语义，减少协调开销并提升执行效率。

CONSCIENTIA: Can LLM Agents Learn to Strategize? Emergent Deception and Trust in a Multi-Agent NYC Simulation

CONSCIENTIA：LLM代理能否学会策略性行为？多智能体纽约市模拟中的涌现欺骗与信任

Aarush Sinha, Arion Das, Soumyadeep Nag, Charan Karnati, Shravani Nag, Chandra Vadhan Raj, Aman Chadha, Vinija Jain, Suranjana Trivedy, Amitava Das

机构 * University of Copenhagen（哥本哈根大学） ； IIIT Ranchi（印度信息技术学院兰契分校） ； ISI Kolkata（印度统计学院加尔各答分校） ； NIT Andhra Pradesh（印度国家理工学院安得拉邦分校） ； IGDTUW（英迪拉·甘地德里技术女子大学） ； IIT Kharagpur（印度理工学院卡哈拉格普尔分校） ； Google DeepMind（谷歌DeepMind） ； Google（谷歌） ； AI Institute, University of South Carolina（南卡罗来纳大学人工智能研究所） 纠错

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

AI总结 研究通过多智能体模拟探讨LLM在对抗性环境中的策略行为，发现智能体在导航中表现出有限的策略性，包括选择性信任与欺骗，但易受对抗性说服影响。

PAC-BENCH: Evaluating Multi-Agent Collaboration under Privacy Constraints

PAC-BENCH：在隐私约束下评估多智能体协作

Minjun Park, Donghyun Kim, Hyeonjong Ju, Seungwon Lim, Dongwook Choi, Taeyoon Kwon, Minju Kim, Jinyoung Yeo

机构 * Yonsei University（延世大学） 纠错

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

AI总结 研究探讨了在隐私约束下多智能体协作的挑战，提出PAC-Bench基准测试平台，发现隐私约束显著降低协作性能，且结果更依赖发起智能体，揭示了协调破裂问题。

Normative Common Ground Replication (NormCoRe): Replication-by-Translation for Studying Norms in Multi-Agent AI

规范共同基础复制（NormCoRe）：通过翻译研究多智能体AI中的规范

Luca Deck, Simeon Allmendinger, Lucas Müller, Niklas Kühl

机构 * University of Bayreuth（拜罗伊特大学） 纠错

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

AI总结 本文提出NormCoRe框架，通过将人类实验设计翻译到多智能体AI环境，系统研究规范形成机制，展示在分配正义实验中AI代理的规范判断与人类基线的差异。

Comments ACM Conference on Fairness, Accountability, and Transparency (ACM FAccT '26)

PosterGen: Aesthetic-Aware Multi-Modal Paper-to-Poster Generation via Multi-Agent LLMs

PosterGen：基于多智能体LLM的美观化论文到海报生成

Zhilin Zhang, Xiang Zhang, Jiaqi Wei, Yiwei Xu, Chenyu You

机构 * Stony Brook University（石溪大学） ； New York University（纽约大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Zhejiang University（浙江大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

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

AI总结 PosterGen通过多智能体LLM实现论文到海报的美观化生成，包含四个协作专业代理，提升设计质量和视觉吸引力。

Comments Project Website: https://Y-Research-SBU.github.io/PosterGen

DeepFleet: Multi-Agent Foundation Models for Mobile Robots

DeepFleet：用于移动机器人群的多智能体基础模型

Ameya Agaskar, Sriram Siva, William Pickering, Kyle O'Brien, Charles Kekeh, Alexandre Ormiga Galvao Barbosa, Ang Li, Brianna Gallo Sarker, Alicia Chua, Mayur Nemade, Charun Thattai, Jiaming Di, Isaac Iyengar, Ramya Dharoor, Dino Kirouani, Jimmy Erskine, Tamir Hegazy, Scott Niekum, Usman A. Khan, Federico Pecora, Joseph W. Durham

机构 * Amazon Robotics（亚马逊机器人） 纠错

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

AI总结 DeepFleet通过多智能体基础模型支持大规模移动机器人编队的协调与规划，提出四种架构分别体现不同的归纳偏差，评估设计对预测任务性能的影响。

Comments 27 pages, 10 figures, 2 tables

MARLIN: Multi-Agent Reinforcement Learning Guided by Language-Based Inter-Robot Negotiation

MARLIN：基于语言的多智能体强化学习引导的多机器人协商

Toby Godfrey, William Hunt, Mohammad D. Soorati

机构 * University of Southampton（南安普顿大学） 纠错

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

AI总结 MARLIN通过语言引导的多机器人协商与强化学习结合，提升早期训练性能和最终效果，采用语言模型进行高层规划和行动协商。

Comments 15 pages, 8 figures, 1 table

Distributed Safety-Critical Control of Multi-Agent Systems with Time-Varying Communication Topologies

多智能体系统中具有时间变化通信拓扑的分布式安全控制

Shiyu Cheng, Luyao Niu, Bhaskar Ramasubramanian, Andrew Clark, Radha Poovendran

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

AI总结 本文提出一种基于分布式优化的控制框架，通过截断函数和辅助不匹配变量处理时间变化通信拓扑下的多智能体协同与避障问题。

SemaClaw: A Step Towards General-Purpose Personal AI Agents through Harness Engineering

SemaClaw：通过Harness工程迈向通用个人AI代理的一步

Ningyan Zhu, Huacan Wang, Jie Zhou, Feiyu Chen, Shuo Zhang, Ge Chen, Chen Liu, Jiarou Wu, Wangyi Chen, Xiaofeng Mou, Yi Xu

机构 * Midea AIRC（美的AIRC） 纠错

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

AI总结 SemaClaw通过Harness工程推动个人AI代理发展，提出DAG-based两阶段混合代理团队编排方法、PermissionBridge行为安全系统、三级上下文管理架构和代理维基技能，提升AI代理的可控性与可扩展性。

Cayley Graph Optimization for Scalable Multi-Agent Communication Topologies

Cayley图优化用于可扩展的多智能体通信拓扑

Jingkai Luo, Yulin Shao

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

AI总结 本文提出CayleyTopo，通过优化生成集来最小化直径，以提高多智能体通信拓扑的扩展性、鲁棒性和效率。

Comments Keywords: Multi-agent communication, scalable topology, Cayley graph, diameter minimization

Dialectic-Med: Mitigating Diagnostic Hallucinations via Counterfactual Adversarial Multi-Agent Debate

辩证-调解：通过反事实对抗多智能体辩论缓解诊断幻觉

Zhixiang Lu, Jionglong Su

机构 * Xi’an Jiaotong-Liverpool University（西交利物浦大学） 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Dialectic-Med框架，通过多智能体对抗辩论机制缓解医疗多模态大语言模型的诊断幻觉问题，提升推理可信度和解释忠实度。

Comments Accepted by ACL 2026

VS-Bench: Evaluating VLMs for Strategic Abilities in Multi-Agent Environments

VS-Bench：评估多智能体环境中视觉语言模型的战略能力

Zelai Xu, Zhexuan Xu, Xiangmin Yi, Huining Yuan, Mo Guang, Kaiwen Long, Xinlei Chen, Yi Wu, Chao Yu, Yu Wang

机构 * EE, Tsinghua University（清华大学电子工程系） ； SIGS, Tsinghua University（清华大学深圳国际研究生院） ； Li Auto Inc.（理想汽车） ； IIIS, Tsinghua University（清华大学交叉信息研究院） 纠错

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

AI总结 VS-Bench是首个评估多智能体环境中视觉语言模型战略能力的多模态基准，涵盖合作、竞争和混合动机交互，通过感知、推理和决策三个维度评估15种领先模型，揭示当前模型在推理和决策上的显著差距。

Comments Published at CVPR 2026 (Oral)

MAFIG: Multi-agent Driven Formal Instruction Generation Framework

MAFIG：多智能体驱动的正式指令生成框架

Shixing Zhao, Zheng Si, Pengpeng Ouyang, Zhengqing Hu, Wanqi Zhu, Dong Chen, Yibo Guo, Mingliang Xu

机构 * School of Computer and Artificial Intelligence, Zhengzhou University（郑州大学计算机与人工智能学院） ； Engineering Research Center of Intelligent Swarm Systems, Ministry of Education（教育部智能集群系统工程研究中心） ； National Supercomputing Center in Zhengzhou（国家超级计算郑州中心） ； Henan Research Center for Large Model Technology and New Quality Software Engineering（河南省大模型技术与新质软件工程研究中心） 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MAFIG框架，通过多智能体生成局部正式指令以应对调度系统紧急情况，采用span-focused loss-driven local distillation机制提升决策效率，实验结果显示在港口、仓储和甲板调度数据集上成功率高且处理速度快。

Tracing the Roots: A Multi-Agent Framework for Uncovering Data Lineage in Post-Training LLMs

追溯根源：一种多智能体框架，用于揭示训练后LLM的数据血缘

Yu Li, Xiaoran Shang, Qizhi Pei, Yun Zhu, Xin Gao, Honglin Lin, Zhanping Zhong, Zhuoshi Pan, Zheng Liu, Xiaoyang Wang, Conghui He, Dahua Lin, Feng Zhao, Lijun Wu

机构 * Shanghai Artificial Intelligence Laboratory, OpenDataLab（上海人工智能实验室，OpenDataLab） ； University of Science and Technology of China（中国科学技术大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 本文提出多智能体框架，用于揭示训练后LLM的数据血缘，识别数据集演化图谱中的结构模式与系统问题，构建血缘感知的多样化数据集。

Comments 27 pages, 6 figures

Aligned Agents, Biased Swarm: Measuring Bias Amplification in Multi-Agent Systems

对齐的智能体，偏见的蜂群：测量多智能体系统中的偏见放大

Keyu Li, Jin Gao, Dequan Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

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

AI总结 研究通过实验分析多智能体系统拓扑结构和反馈循环对偏见的影响，发现结构复杂性并不保证伦理鲁棒性，指出系统复杂性可能加剧偏见。

Comments Accepted by ICLR 2026

EmoMAS: Emotion-Aware Multi-Agent System for High-Stakes Edge-Deployable Negotiation with Bayesian Orchestration

EmoMAS：面向高风险边缘部署谈判的基于情感的多智能体系统

Yunbo Long, Yuhan Liu, Liming Xu

机构 * University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） 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EmoMAS，一种基于贝叶斯协调的多智能体框架，通过融合情感决策模型提升高风险谈判性能，同时在隐私敏感的边缘设备上实现高效部署。

Decision-Theoretic Safety Assessment of Persona-Driven Multi-Agent Systems in O-RAN

基于决策理论的面向角色驱动的多智能体系统在O-RAN中的安全性评估

Zeinab Nezami, Syed Ali Raza Zaidi, Maryam Hafeez, Louis Powell, Vara Prasad Talari, Mallik Tatipamula

机构 * GSMA（全球移动通信系统协会） ； University of Leeds（利兹大学） ； AWS（亚马逊云服务） ； Ericsson（爱立信） 纠错

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

AI总结 本文提出一种基于角色驱动的多智能体框架，通过角色行为规范影响五个专业智能体，结合决策理论构建三维评估框架，验证486种角色配置在O-RAN优化挑战中的性能与协调效果。

A Distributed Bilevel Framework for the Macroscopic Optimization of Multi-Agent Systems

多智能体系统的宏观优化分布式双层框架

Riccardo Brumali, Guido Carnevale, Sonia Martínez, Giuseppe Notarstefano

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

AI总结 本文提出一种分布式算法，通过微观行为优化大规模多智能体系统的宏观行为。将问题建模为双层优化问题，上层通过性能指标定义目标行为，下层利用压缩聚合表示估计宏观状态。算法结合分布式估计机制与超梯度更新，证明了收敛性，并通过仿真实验验证有效性。

Leader-Follower Density Control of Multi-Agent Systems with Interacting Followers: Feasibility and Convergence Analysis

多智能体系统中领导者-跟随者密度控制：可行性与收敛性分析

Beniamino Di Lorenzo, Gian Carlo Maffettone, Mario di Bernardo

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

AI总结 本文研究了领导者-跟随者多智能体系统中密度控制问题，考虑了跟随者间的交互作用，推导了可行性条件和反馈控制律，通过数值模拟验证了理论结果。

A Simulation-Based Method for Testing Collaborative Learning Scaffolds Using LLM-Based Multi-Agent Systems

基于模拟的方法用于使用基于LLM的多智能体系统测试协作学习支架

Han Wua, Lishan Zhang, Chunming Lu

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

AI总结 本文提出基于LLM的多智能体模拟方法，研究协作学习过程及教学支架有效性，通过对比两种策略提升讨论多样性与互动深度，符合ICAP框架。

Comments submitted to journal of computer aisstant learning

Output Consensus on Periodic References for Constrained Multi-agent Systems Under a Switching Network

在切换网络下实现受约束多智能体系统的输出一致性：周期参考输出

Shibo Han, Bonan Hou, Chong Jin Ong

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

AI总结 本文提出一种结合人工参考和改进成本函数的模型预测控制方法，用于跟踪周期参考输出，并在参考切换时保持递归可行性，同时提出无需全局信息的共识协议，证明了所提算法在参考收敛和约束满足下实现渐近一致性的有效性。

Learning to Assist: Physics-Grounded Human-Human Control via Multi-Agent Reinforcement Learning

学习协助：通过多智能体强化学习实现物理基础的人机控制

Yuto Shibata, Kashu Yamazaki, Lalit Jayanti, Yoshimitsu Aoki, Mariko Isogawa, Katerina Fragkiadaki

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Keio AI Research Center（庆应义塾大学人工智能研究中心） ； Keio University（庆应义塾大学） 纠错

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

AI总结 本文提出通过多智能体强化学习实现人与人之间力交换的交互动作模仿，解决了连续关注人类伙伴和快速适应其动态的需求，展示了多智能体RL在物理基础和社交感知人形控制中的优势。

Comments Accepted at CVPR 2026 (main). Project page: https://yutoshibata07.github.io/AssistMimic/

Adversarial Decision-Making in Partially Observable Multi-Agent Systems: A Sequential Hypothesis Testing Approach

部分可观测多智能体系统中的对抗决策：基于序列假设检验的方法

Haosheng Zhou, Daniel Ralston, Xu Yang, Ruimeng Hu

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

AI总结 本文提出基于序列假设检验的框架，研究部分可观测多智能体系统中的对抗决策问题，通过部分可观测的Stackelberg博弈建模欺骗与推断的互动，分析欺骗策略对对抗行为的影响。

RCBSF: A Multi-Agent Framework for Automated Contract Revision via Stackelberg Game

RCBSF: 一种基于Stackelberg游戏的多智能体框架用于通过Stackelberg游戏实现自动合同修订

Shijia Xu, Yu Wang, Xiaolong Jia, Zhou Wu, Kai Liu, April Xiaowen Dong

机构 * Chongqing University（重庆大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； Chongqing Key Laboratory of Big Data Intelligence and Privacy Computing（重庆市大数据智能与隐私计算重点实验室） ； Fangda Partners（方达律师事务所） 纠错

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

AI总结 本文提出RCBSF框架，通过Stackelberg游戏解决大语言模型在法律AI中合同修订的可靠性问题，通过风险约束双层结构提升输出效用，实验证明其在风险解决率和token效率方面优于现有方法。

From Perception to Autonomous Computational Modeling: A Multi-Agent Approach

从感知到自主计算建模：一种多智能体方法

Daniel N. Wilke

机构 * University of the Witwatersrand（威特沃特斯兰德大学） 纠错

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

AI总结 本文提出一种无需特定求解器的框架，通过多智能体自主执行工程组件的完整计算流程，包括从感知数据到工程报告的各个步骤，并通过钢制L型支架的有限元分析验证了该方法。

Comments 32 pages, 8 figures, 5 tables

Governance by Design: A Parsonian Institutional Architecture for Internet-Wide Agent Societies

设计治理：一种帕森斯制度架构用于互联网范围的智能体社会

Anbang Ruan

机构 * NetX Foundation（NetX 基金会） 纠错

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

AI总结 本文提出了一种基于帕森斯AGIL框架的制度架构，用于治理互联网范围的智能体社会，发现现有生态系统缺乏协调层和规范基础，提出治理基础设施的优先路线图。

Rethinking Software Engineering for Agentic AI Systems

重新思考面向代理AI系统的软件工程

Mamdouh Alenezi

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

AI总结 本文探讨面向代理AI系统软件工程应转向协作与验证，并分析其对教育、工具和实践的影响。

Beyond Message Passing: A Semantic View of Agent Communication Protocols

超越消息传递：代理通信协议的语义视角

Dun Yuan, Fuyuan Lyu, Ye Yuan, Weixu Zhang, Bowei He, Jiayi Geng, Linfeng Du, Zipeng Sun, Yankai Chen, Changjiang Han, Jikun Kang, Xi Chen, Haolun Wu, Xue Liu

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

AI总结 本文从人类视角出发，将代理通信分为通信、语法和语义三层，分析18种协议在可靠传输、结构交互和语义协调中的不足，提出改进方向，旨在构建更安全、语义稳固的代理生态系统。