AI Agent

Dreamer-CDP: Improving Reconstruction-free World Models Via Continuous Deterministic Representation Prediction

Dreamer-CDP: 通过连续确定性表示预测改进无重建世界模型

Michael Hauri, Friedemann Zenke

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

AI总结 本文提出Dreamer-CDP，通过连续确定性表示预测提升世界模型性能，在Crafter环境中达到与传统重建方法相当的性能。

PrivacyReasoner: Can LLM Emulate a Human-like Privacy Mind?

PrivacyReasoner: LLM能否模拟出类似人类的隐私思维？

Yiwen Tu, Xuan Liu, Lianhui Qin, Haojian Jin

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

专题命中 规划决策 ：agent(abstract)；分类 cs.AI

AI总结 本文提出PrivacyReasoner，通过构建基于三个核心理念的代理架构，模拟人类隐私思维，评估结果显示其在预测个人隐私关切和跨领域泛化方面优于基线模型。

Self-Monitoring Benefits from Structural Integration: Lessons from Metacognition in Continuous-Time Multi-Timescale Agents

自我监控从结构整合中获益：来自连续时间多时间尺度智能体中元认知的启示

Ying Xie

机构 * Kennesaw State University（肯尼斯州立大学） 纠错

专题命中 规划决策 ：agent(abstract)；分类 cs.AI

AI总结 研究探讨了自我监控能力在连续时间多时间尺度智能体中的有效性，发现结构整合方法在非平稳环境中能提升性能，但未显著优于无自我监控基线。

Beyond Accuracy: Unveiling Inefficiency Patterns in Tool-Integrated Reasoning

超越准确性：揭示工具集成推理中的低效模式

Qisheng Su, Shiting Huang, Zhen Fang, Ziyan Chen, Zehui Chen, Feng Zhao

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

AI总结 本文提出PTE指标，用于衡量工具集成推理的效率，揭示了低效模式，并发现高PTE成本与推理正确性下降相关。

Comments Accepted at ACL 2026. Code: https://github.com/sqs-ustc/tool-reasoning-framework-PTE

Adaptive Retrieval for Reasoning-Intensive Retrieval

适应性检索用于推理密集型检索

Jongho Kim, Jaeyoung Kim, Seung-won Hwang, Jihyuk Kim, Yu Jin Kim, Moontae Lee

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出REPAIR框架，通过适应性检索中的选择性检索修正推理计划，提升推理密集型检索和复杂问答任务的性能，实验结果优于现有基线5.6%。

Comments This document was submitted without obtaining all necessary permissions from our institutions and therefore needs to be withdrawn. We require additional internal review and approval prior to public release. The corresponding author apologizes for any inconvenience this might cause

A Hybrid Architecture for Benign-Malignant Classification of Mammography ROIs

一种用于乳腺X线摄影ROI良性恶性分类的混合架构

Mohammed Asad, Mohit Bajpai, Sudhir Singh, Rahul Katarya

机构 * Dept. of Electronics and Communication Engineering（电子与通信工程系） ； Delhi Technological University（德里技术大学） ； Dept. of Information Technology（信息科技系） ； IGDTUW ； Dept. of Computer Science and Engineering（计算机科学与工程系） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出结合EfficientNetV2-M和Vision Mamba的混合架构，用于乳腺X线摄影ROI的良性恶性分类，实现高效全局上下文建模和局部特征提取，提升病变级别分类性能。

Comments 4 pages, 2 figures, 2 tables

Learning step-level dynamic soaring in shear flow

在风切变流中学习步级动态滑翔

Lunbing Chen, Jixin Lu, Yufei Yin, Jinpeng Huang, Yang Xiang, Hong Liu

机构 * J.C.Wu Center for Aerodynamics, School of Aeronautics and Astronautics, Shanghai Jiao Tong University（J.C.Wu 动力学中心，航空与航天学院，上海交通大学） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文通过深度强化学习展示在无风切变流中无需显式轨迹规划，仅通过局部感知即可实现稳健的全方位导航，揭示了动态滑翔的反馈控制结构。

Scalable Optimization for Mobility-Aware Coordinated Electric Vehicle Charging in Distribution Power Networks

可扩展的移动感知协调电动汽车充电优化

Yi Ju, Lunlong Li, Jingchun Wang, Scott Moura

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出MAC框架，通过结合移动轨迹和充电决策，实现大规模电动汽车需求灵活性优化，以减少配电网过载升级需求。

Comments 15 pages, 7 figures

Mortality Forecasting as a Flow Field in Tucker Decomposition Space

作为Tucker分解空间中的流场的死亡率预测

Samuel J. Clark

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出利用Tucker分解空间中的流场进行死亡率预测，通过低维分数空间整合，减少预测偏差，优于传统方法。

LLM-Guided Task- and Affordance-Level Exploration in Reinforcement Learning

基于大型语言模型的任务与能力层面探索的强化学习

Jelle Luijkx, Runyu Ma, Zlatan Ajanović, Jens Kober

机构 * RWTH Aachen University（亚琛工业大学） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出LLM-TALE框架，利用大型语言模型的规划能力引导强化学习探索，提升学习效率和任务成功率，实验证明在抓取放置任务中表现出更高的样本效率和成功率。

Comments 8 pages, 7 figures, ICRA 2026

Mathematics Teachers Interactions with a Multi-Agent System for Personalized Problem Generation

数学教师与多智能体系统在个性化问题生成中的互动

Candace Walkington, Theodora Beauchamp, Fareya Ikram, Merve Koçyiğit Gürbüz, Fangli Xia, Margan Lee, Andrew Lan

机构 * Southern Methodist University（南方 Methodist 大学） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Worchester Polytechnic Institute（沃斯顿理工学院） 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 研究探讨了多智能体教师闭环系统在中学数学问题个性化中的应用，通过教师输入基础问题和主题，由LLM生成问题，再由四个AI代理评估问题的数学准确性、真实性、可读性和现实性。

Comments Paper accepted to AIED 2026 - South Korea

Advancing Multi-Agent RAG Systems with Minimalist Reinforcement Learning

通过最小化强化学习推进多智能体RAG系统

Yihong Wu, Liheng Ma, Muzhi Li, Jiaming Zhou, Lei Ding, Jianye Hao, Ho-fung Leung, Irwin King, Yingxue Zhang, Jian-Yun Nie

机构 * McGill University \& Mila Montréal QC Canada ； The Chinese University of Hong Kong Hong Kong China ； Huawei Noah’s Ark Lab Montréal QC Canada ； University of Manitoba Winnipeg MB Canada ； Tianjin University Tianjin China ； Independent Researcher Hong Kong China ； McGill University \& Mila ； The Chinese University of Hong Kong ； Huawei Noah’s Ark Lab ； University of Manitoba ； Tianjin University ； Independent Researcher 纠错

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

AI总结 本文提出Mujica-MyGo框架，通过多智能体RAG流程分解多轮交互，结合轻量强化学习算法MyGO，有效解决长上下文问题，提升复杂问答性能。

Comments AAMAS 2026

VULCAN: Vision-Language-Model Enhanced Multi-Agent Cooperative Navigation for Indoor Fire-Disaster Response

VULCAN：基于视觉-语言模型的多智能体协作导航用于室内火灾应急响应

Shengding Liu, Qiben Yan

机构 * Computer Science \& Engineering Michigan State University East Lansing, MI, USA 纠错

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

AI总结 本文提出VULCAN框架，结合多模态感知与视觉语言模型，解决火灾环境下多智能体协作导航的挑战，通过模拟真实火灾场景评估现有方法的失效模式，强调鲁棒感知与危险意识规划的重要性。

Comments INFOCOM EIN Workshop 2026

CascadeDebate: Multi-Agent Deliberation for Cost-Aware LLM Cascades

级联辩论：面向成本感知的LLM级联的多智能体辩论

Raeyoung Chang, Dongwook Kwon, Jisoo Lee, Nikhil Verma

机构 * Sogang University（首尔大学） ； Kwangwoon University（匡明大学） ； Seoul National University（首尔国立大学） ； LG Electronics, Toronto AI Lab（LG电子，多伦多人工智能实验室） 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 本文提出CascadeDebate，通过在每个层级的升级边界插入多智能体辩论，解决单模型层级在模糊查询中易引发升级的问题，提升准确性和成本效率。

Comments 12 pages, 6 figures, 4 tables, 1 algorithm

EvoNash-MARL: A Closed-Loop Multi-Agent Reinforcement Learning Framework for Medium-Horizon Equity Allocation

EvoNash-MARL：一种用于中长期股票配置的闭环多智能体强化学习框架

Chongliu Jia, Yi Luo, Sipeng Han, Pengwei Li, Jie Ding, Youshuang Hu, Yimiao Qian, Qiya Wang

机构 * University of Connecticut（康涅狄格大学） ； Xi’an University of Technology（西安理工大学） ； Fudan University（复旦大学） ； Iowa State University（爱荷华州立大学） 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EvoNash-MARL框架，结合强化学习与群体策略优化，提升中长期股票配置的鲁棒性，在120窗口回测中表现最佳，实现19.6%年化收益率，但未通过White's Reality Check测试。

CIA: Inferring the Communication Topology from LLM-based Multi-Agent Systems

CIA：从基于大语言模型的多智能体系统推断通信拓扑

Yongxuan Wu, Xixun Lin, He Zhang, Nan Sun, Kun Wang, Chuan Zhou, Shirui Pan, Yanan Cao

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； Griffith University（格里菲斯大学） ； Nanyang Technological University（南洋理工大学） ； Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院） 纠错

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

AI总结 研究探讨了基于大语言模型的多智能体系统通信拓扑在黑盒环境下被推断的隐私风险，提出CIA攻击方法，通过构建对抗性查询和全局偏差解耦技术，验证了攻击的有效性。

Comments ACL 2026, Main

TRUST Agents: A Collaborative Multi-Agent Framework for Fake News Detection, Explainable Verification, and Logic-Aware Claim Reasoning

TRUST代理：一种用于虚假新闻检测、可解释验证和逻辑感知声明推理的协作多智能体框架

Gautama Shastry Bulusu Venkata, Santhosh Kakarla, Maheedhar Omtri Mohan, Aishwarya Gaddam

机构 * George Mason University（乔治·马歇尔大学） 纠错

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

AI总结 TRUST代理通过协作多智能体框架提升虚假新闻检测的可解释性和逻辑推理能力，引入分解器、陪审团和逻辑聚合器提升复杂声明的验证效果。

Comments 12 pages, 2 figures

Aethon: A Reference-Based Replication Primitive for Constant-Time Instantiation of Stateful AI Agents

Aethon：一种基于引用的复制原语，用于常数时间实例化状态性AI代理

Swanand Rao, Kiran Kashalkar, Parvathi Somashekar, Priya Krishnan

机构 * Next Moca Global, Inc.（Next Moca全球公司） 纠错

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

AI总结 本文提出Aethon，一种基于引用的复制原语，用于常数时间实例化状态性AI代理，通过改变实例化方式，降低创建成本并提升多代理协作效率。

Comments 12 pages. Systems paper introducing a novel agent instantiation primitive for scalable multi-agent infrastructure

Hear Both Sides: Efficient Multi-Agent Debate via Diversity-Aware Message Retention

倾听双方观点：通过多样性意识的消息保留实现高效的多智能体辩论

Manh Nguyen, Anh Nguyen, Dung Nguyen, Svetha Venkatesh, Hung Le

机构 * Applied Artificial Intelligence Initiative（应用人工智能倡议） 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DAR框架，通过选择最不一致的消息子集提升多智能体辩论性能，尤其在智能体数量增加时表现更优。

Silo-Bench: A Scalable Environment for Evaluating Distributed Coordination in Multi-Agent LLM Systems

Silo-Bench：一种用于评估多智能体大语言模型分布式协调的可扩展环境

Yuzhe Zhang, Feiran Liu, Yi Shan, Xinyi Huang, Xin Yang, Yueqi Zhu, Xuxin Cheng, Cao Liu, Ke Zeng, Terry Jingchen Zhang, Wenyuan Jiang

机构 * Beijing University of Technology（北京理工大学） ； Zhejiang University（浙江大学） ； ETH Zürich（苏黎世联邦理工学院） ； Meituan LongCat Interaction Team（美团LongCat交互团队） ； Vector Institute for Artificial Intelligence（人工智能向量研究所） 纠错

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

AI总结 Silo-Bench通过30种算法任务和三个通信复杂度级别评估多智能体系统分布式协调，揭示了通信与推理之间的差距，证明单纯增加智能体数量无法克服上下文限制。

Comments 20 pages, 7 figures, Accepted at ACL 2026 Main Conference

Multi-Agent Digital Twins for Strategic Decision-Making using Active Inference

多智能体数字孪生用于战略决策的主动推断

Francesco Maria Mancinelli, Matteo Torzoni, Domenico Maisto, Francesco Donnarumma, Alberto Corigliano, Giovanni Pezzulo, Andrea Manzoni

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

AI总结 本文提出多智能体数字孪生框架，结合主动推断理论，通过上下文推断和流式机器学习实现动态环境下的自适应决策，展示了Cournot竞争案例中的协同决策潜力。

ArtiCAD: Articulated CAD Assembly Design via Multi-Agent Code Generation

ArtiCAD: 通过多智能体代码生成实现可动CAD装配设计

Yuan Shui, Yandong Guan, Zhanwei Zhang, Juncheng Hu, Jing Zhang, Dong Xu, Qian Yu

机构 * School of Software, Beihang University（北京航空航天大学软件学院） ； Zhejiang University（浙江大学） ； The University of Hong Kong（香港大学） 纠错

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

AI总结 ArtiCAD通过多智能体系统从文本或图像生成可编辑的可动CAD装配，利用连接器定义连接点和关节参数，提升空间推理能力，通过验证步骤和回滚机制确保输出质量，验证了其在概念设计、物理原型和AI训练资产生成中的应用。

REGREACT: Self-Correcting Multi-Agent Pipelines for Structured Regulatory Information Extraction

REGREACT：用于结构化监管信息提取的自校正多智能体流程

Mohammed Ali, Abdelrahman Abdallah, Adam Jatowt

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

AI总结 REGREACT通过自校正多智能体框架，将监管信息提取分解为七个阶段，每个阶段包含观察-诊断-修复循环，以提高结构化合规标准提取的准确性和完整性。

Toward Efficient and Robust Behavior Models for Multi-Agent Driving Simulation

迈向多智能体驾驶仿真中高效且稳健的行为模型

Fabian Konstantinidis, Moritz Sackmann, Ulrich Hofmann, Christoph Stiller

机构 * CARIAD SE（CARIAD公司） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） 纠错

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

AI总结 本文提出一种高效的多智能体驾驶仿真行为模型，通过实例中心场景表示和对称上下文编码提升效率与鲁棒性，实验表明该方法在规模扩展时显著降低训练和推理时间，并在位置精度和稳健性上优于现有基线。

Comments This is the author's accepted version of a paper to appear in the IEEE International Conference on Robotics & Automation (ICRA 2026)

To trust or not to trust: Attention-based Trust Management for LLM Multi-Agent Systems

信任还是不信任：基于注意力的信任管理用于大语言模型多智能体系统

Pengfei He, Zhenwei Dai, Xianfeng Tang, Yue Xing, Hui Liu, Jingying Zeng, Qiankun Peng, Shrivats Agrawal, Samarth Varshney, Suhang Wang, Jiliang Tang, Qi He

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

AI总结 本文提出基于注意力的信任评分方法，通过六个信任维度提升LLM多智能体系统对恶意输入的鲁棒性。

Comments Accepted to ACL 2026 main

Multi-Partite Output Regulation of Multi-Agent Systems

多部输出调节的多智能体系统

Kürşad Metehan Gül, Selahattin Burak Sarsılmaz

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

AI总结 本文提出了一种简单且不依赖图的视角，用于划分图的节点集，并为多智能体系统提供超越合作与二分划分的目标。通过引入k-划分变换，解决了异构线性MASs的多部输出调节问题，展示了其在合作输出调节和二分输出调节中的应用，并提出两种设计策略以提高可扩展性。

Comments Accepted for publication in IEEE Transactions on Automatic Control

Development, Evaluation, and Deployment of a Multi-Agent System for Thoracic Tumor Board

胸腔肿瘤板的多智能体系统开发、评估与部署

Tim Ellis-Caleo, Timothy Keyes, Nerissa Ambers, Faraah Bekheet, Wen-wai Yim, Nikesh Kotecha, Nigam H. Shah, Joel Neal

机构 * Division of Oncology, Department of Medicine, Stanford University School of Medicine（斯坦福大学医学院肿瘤学部） ； Technology and Digital Solutions, Stanford Health Care（斯坦福健康医疗技术与数字解决方案部） ； Department of Biomedical Data Science, Stanford University School of Medicine（斯坦福大学医学院生物医学数据科学部） ； Nursing Informatics, Stanford Health Care（斯坦福健康护理信息学部） ； Department of Medicine, Stanford University School of Medicine（斯坦福大学医学院医学部） ； Microsoft AI, Redmond, WA（微软人工智能，西雅图） ； Stanford Cancer Institute, Palo Alto, CA（斯坦福癌症研究所） 纠错

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

AI总结 本文提出了一种多智能体系统，用于生成胸腔肿瘤病例摘要，以提高讨论效率和准确性，并验证了LLM在事实评分中的应用。

Comments 64 pages, 14 figures

Can Small Agents Collaborate to Beat a Single Large Language Model?

小型智能体能否协同击败单一大型语言模型？

Agata Żywot, Xinyi Chen, Yifei Yuan, Anders Søgaard, Maarten de Rijke

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

AI总结 研究通过对比小型多智能体系统与大型单智能体模型，发现多智能体协作在多步骤推理和工具使用任务中表现更优，尤其 orchestrator 的能力主导整体性能。

Improved particle swarm optimization algorithm: multi-target trajectory optimization for swarm drones

改进的粒子群优化算法：多目标轨迹优化用于群无人机

Minze Li, Wei Zhao, Ran Chen, Mingqiang Wei

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

AI总结 本文提出PE-PSO算法，通过引入持久探索机制和熵基参数调整策略，提升群无人机在动态环境中的实时轨迹规划能力，实验表明其在轨迹质量、能耗效率等方面优于传统方法。

Comments New experiments have revealed systematic errors in the original data

Learning the Value of Value Learning

学习价值的学习价值

Alex John London, Aydin Mohseni

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

AI总结 本文扩展了Jeffrey-Bolker框架，证明了价值信息定理，并展示了多智能体环境下价值细化如何将零和游戏转化为正和互动，从而提升纳什谈判的帕累托改进。

Comments 19 pages, 6 figures, mathematical appendix