AI Agent

CoGrid & the Multi-User Gymnasium: A Framework for Multi-Agent Experimentation

CoGrid 与多用户Gymnasium：多智能体实验的框架

Chase McDonald, Cleotilde Gonzalez

机构 * Department of Social and Decision Sciences（社会与决策科学系） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本文介绍CoGrid和多用户Gymnasium两个工具，用于多智能体实验，支持人机协作研究社会决策与认知问题，提供开源工具和案例研究。

Comments 36 pages, 11 figures

M2-PALE: A Framework for Explaining Multi-Agent MCTS--Minimax Hybrids via Process Mining and LLMs

M2-PALE：一种通过过程挖掘和大语言模型解释多智能体MCTS-最小化混合策略的框架

Yiyu Qian, Liyuan Zhao, Tim Miller

机构 * RMIT University（皇家墨尔本理工大学） ； University of California（加州大学） ； University of Queensland（昆士兰大学） 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 本文提出M2-PALE框架，通过过程挖掘和大语言模型解释多智能体MCTS-最小化混合策略的决策过程，验证了其在跳棋环境中的有效性。

IMACT-CXR: An Interactive Multi-Agent Conversational Tutoring System for Chest X-Ray Interpretation

IMACT-CXR：一种用于胸部X光解读的交互式多智能体对话教学系统

Tuan-Anh Le, Anh Mai Vu, David Yang, Akash Awasthi, Hien Van Nguyen

机构 * University of Houston（德克萨斯大学休斯敦分校） ； Emory University（埃默里大学） 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 IMACT-CXR通过整合空间标注、注视分析、知识检索和图像基础推理，构建了一个基于AutoGen的工作流，帮助学员提升胸部X光解读能力，实现了精准的教学反馈与知识强化。

Comments Accepted at IEEE ISBI 2026. This version corresponds to the accepted manuscript

TopoDIM: One-shot Topology Generation of Diverse Interaction Modes for Multi-Agent Systems

TopoDIM：多智能体系统中多样化交互模式的一键拓扑生成

Rui Sun, Jie Ding, Chenghua Gong, Tianjun Gu, Yihang Jiang, Juyuan Zhang, Liming Pan, Linyuan Lü

机构 * University of Science and Technology of China（中国科学技术大学） ； East China Normal University（华东师范大学） 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 TopoDIM通过一键生成拓扑结构，实现多智能体系统中多样化交互模式，提升任务性能和token效率，实验表明其在token消耗和性能提升方面优于现有方法。

Comments ACL Findings Camera Ready

MARS$^2$: Scaling Multi-Agent Tree Search via Reinforcement Learning for Code Generation

MARS$^2$：通过强化学习提升多智能体树搜索用于代码生成

Pengfei Li, Shijie Wang, Fangyuan Li, Yikun Fu, Kaifeng Liu, Kaiyan Zhang, Dazhi Zhang, Yuqiang Li, Biqing Qi, Bowen Zhou

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） ； Harbin Institute of Technology（哈尔滨工业大学） ； Tsinghua University（清华大学） 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 MARS$^2$通过多智能体协作与树搜索结合，提升强化学习在代码生成中的性能，实验表明其在多种模型和训练设置下均有效。

Comments Accepted by ACL 2026

Where are the Humans? A Scoping Review of Fairness in Multi-agent AI Systems

人类在哪里？多智能体人工智能系统中公平性的综述

Simeon Allmendinger, Luca Deck, Lucas Mueller

机构 * University of Bayreuth（巴耶鲁斯大学） ； Fraunhofer FIT（弗劳恩霍夫 FIT 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 本文通过综述23项研究，揭示多智能体人工智能系统中公平性研究的五个典型方法，指出其缺乏规范基础和对智能体自主性和系统交互动态的忽视，并提出公平性应贯穿开发全过程。

Comments In proceedings of European Conference on Information Systems (ECIS) 2026

One Step is Enough: Multi-Agent Reinforcement Learning based on One-Step Policy Optimization for Order Dispatch on Ride-Sharing Platforms

一步即可：基于一步策略优化的多智能体强化学习用于网约车平台订单调度

Zijian Zhao, Sen Li

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） 纠错

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

AI总结 本文提出基于一步策略优化的多智能体强化学习方法，通过消除价值函数估计误差，提升网约车平台订单调度效率，实验表明其在简化网络结构下表现优异。

Consensus and Synchronization of Multi-agent Systems over Finite Fields -- Graph Topologies

有限域上多智能体系统的一致性与同步

Kristian Hengster-Movrić, Šimon Lehký, Farnaz Adib Yaghmaie

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

AI总结 本文研究了有限状态空间多智能体系统的协作协议，提出两种新算法生成通信拓扑，验证了方法的有效性。

Comments This work was co-funded by the European Union under the project ROBOPROX (reg. no. CZ.02.01.01/00/22_008/0004590)

TRACE: A Conversational Framework for Sustainable Tourism Recommendation with Agentic Counterfactual Explanations

TRACE：一种用于可持续旅游推荐的对话框架，配备代理反事实解释

Ashmi Banerjee, Adithi Satish, Wolfgang Wörndl, Yashar Deldjoo

机构 * Technical University of Munich（慕尼黑技术大学） ； Polytechnic University of Bari（巴里理工学院） 纠错

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

AI总结 TRACE通过多代理架构促进可持续旅游，利用反事实解释和LLM生成问题，提升用户环保意识，实验证明其在推荐质量与交互响应上的有效性。

Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '26), July 20--24, 2026, Melbourne, VIC, Australia

Autonomous Evolution of EDA Tools: Multi-Agent Self-Evolved ABC

自主进化EDA工具：多智能体自进化ABC

Cunxi Yu, Haoxing Ren

机构 * NVIDIA Research（NVIDIA研究） ； University of Maryland（马里兰大学） 纠错

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

AI总结 本文提出首个自进化逻辑综合框架，利用大语言模型代理自主改进ABC逻辑综合系统源代码，通过多套基准测试验证其在大规模代码层面的自主进化能力。

Comments 7 pages; To appear at DAC 2026

CBCL: Safe Self-Extending Agent Communication

CBCL：安全的自扩展代理通信

Hugo O'Connor

机构 * Anuna Research（Anuna研究） 纠错

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

AI总结 CBCL通过约束消息和扩展到确定性上下文无关语言，确保代理通信的安全性和可扩展性，采用形式化方法验证其安全性。

Comments 10 pages. Accepted at IEEE LangSec Workshop 2026 (camera-ready). Reference implementation, Lean 4 formalization, and verified parser: https://codeberg.org/anuna/cbcl-rs ; Nostr transport binding: https://codeberg.org/anuna/cbcl-nostr

Coalition Formation in LLM Agent Networks: Stability Analysis and Convergence Guarantees

在LLM代理网络中的联盟形成：稳定性分析与收敛保证

Dongxin Guo, Jikun Wu, Siu-Ming Yiu

机构 * Department of Compute Science, The University of Hong Kong（香港大学计算机科学系） ； Brain Investing Limited（Brain Investing有限公司） ； Stellaris AI Limited（Stellaris AI有限公司） 纠错

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

AI总结 本文提出首个基于享乐博弈理论的LLM联盟形成框架，分析了LLM代理的有限理性特性，并通过实验验证了CoalT协议在联盟稳定性上的优越性。

Comments 15 pages including supplementary material, 2 figures, 5 tables

Agent-Based Optimal Control for Image Processing

基于代理的最优控制用于图像处理

Alessio Oliviero, Simone Cacace, Giuseppe Visconti

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

AI总结 本文利用多代理系统解决图像处理任务，通过最优控制方法平衡颜色场的总变化与图像的保真度，采用对偶分裂和乘数法求解，实验验证了方法在高维数据中的有效性。

Comments 22 pages, 11 figures

Discovering Novel LLM Experts via Task-Capability Coevolution

通过任务能力共进化发现新型大语言模型专家

Andrew Dai, Boris Meinardus, Ciaran Regan, Yingtao Tian, Yujin Tang

机构 * Sakana AI 纠错

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

AI总结 本文提出AC/DC框架，通过模型合并和合成数据生成实现大语言模型与任务的共进化，发现超越大模型能力的新型LLM，无需显式优化基准，在多智能体最佳N选择中提升性能。

Comments ICLR 2026