AI Agent

SYMBOLIZER: Symbolic Model-free Task Planning with VLMs

SYMBOLIZER：基于VLMs的符号模型无关任务规划

Sami Azirar, Zlatan Ajanovic, Hermann Blum

机构 * RWTH Aachen（亚琛理工大学） ； University of Bonn（波恩大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔人工智能与机器学习研究院） 纠错

专题命中 规划决策 ：planning(title,abstract)

AI总结 本文提出SYMBOLIZER框架，利用VLMs将图像转化为符号状态，结合启发式搜索实现跨领域任务规划，优于直接VLM规划并可与基于启发式的传统方法媲美。

Comments under review

PlanViz: Evaluating Planning-Oriented Image Generation and Editing for Computer-Use Tasks

PlanViz: 评估面向计算机使用任务的图像生成与编辑

Junxian Li, Kai Liu, Leyang Chen, Weida Wang, Zhixin Wang, Jiaqi Xu, Fan Li, Renjing Pei, Linghe Kong, Yulun Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Huawei Technologies Ltd（华为技术有限公司） 纠错

专题命中 规划决策 ：planning(title,abstract)

AI总结 PlanViz旨在评估图像生成与编辑在计算机使用任务中的表现，通过设计日常生活中常见的子任务，如路线规划、工作图示和网页与UI显示，提出任务自适应评分体系PlanScore以评估生成图像的正确性、视觉质量和效率。

Comments The main part of our paper: PlanViz Code is at: https://github.com/lijunxian111/PlanViz Supplementary material is at: https://github.com/lijunxian111/PlanViz/releases/tag/v1

UniDomain: Pretraining a Unified PDDL Domain from Real-World Demonstrations for Generalizable Robot Task Planning

UniDomain：从真实世界演示中预训练一个统一的PDDL领域以实现可泛化的机器人任务规划

Haoming Ye, Yunxiao Xiao, Cewu Lu, Panpan Cai

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

专题命中 规划决策 ：planning(title,abstract)

AI总结 UniDomain通过预训练统一的PDDL领域，结合机器人操作演示，实现可泛化的任务规划，实验显示其在零样本情况下任务成功率和计划优化度显著提升。

Comments Accepted at NeurIPS 2025

Journal ref Advances in Neural Information Processing Systems 38 (NeurIPS 2025)

GaLa: Hypergraph-Guided Visual Language Models for Procedural Planning

GaLa：基于超图的视觉语言模型用于程序规划

Kun Wang, Yiming Li, Mingcheng Qu, Aqiang Zhang, Guang Yang, Tonghua Su

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室（深圳）） ； Chongqing Research Institute of HIT（重庆哈尔滨工业大学研究院） 纠错

专题命中 规划决策 ：planning(title,abstract)

AI总结 GaLa通过超图表示学习，有效捕捉物体间的隐含语义关系和功能区域的层次结构，提升多模态程序规划的性能。

Comments 14pages, 7figures

Journal ref ACL 2026(Findings)

A Comprehensive Test System for Transmission Expansion Planning: Modeling N-1 Contingencies and Multi-Loading Scenarios

一种综合的传输扩展规划测试系统：建模N-1故障和多负载场景

Bhuban Dhamala, Mona Ghassemi

专题命中 规划决策 ：planning(title,abstract)

AI总结 本文提出一种高压测试系统用于传输扩展规划，通过模拟不同负载场景下的正常与故障条件，验证了测试系统在不同负载下的可行性，并展示了多种扩展规划案例。

City-Wide Low-Altitude Urban Air Mobility: A Scalable Global Path Planning Approach via Risk-Aware Multi-Scale Cell Decomposition

城市级低空城市空中交通：一种通过风险感知多尺度单元分解的可扩展全局路径规划方法

Josue N. Rivera, Dengfeng Sun, Chen Lv

机构 * School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院） ； School of Aeronautics and Astronautics, Purdue University（普渡大学航空航天学院） 纠错

专题命中 规划决策 ：planning(title,abstract)

AI总结 本文提出一种基于风险感知的多尺度单元分解方法，用于城市级低空城市空中交通的可扩展全局路径规划，通过动态平衡分辨率与计算速度，降低累计风险并减少计算时间。

Comments 6 pages

Learning a Non-linear Surrogate Model for Multistage Stochastic Transmission Planning

学习多阶段随机传输规划的非线性替代模型

Victor Schmitt, Farzaneh Pourahmadi, Angela Flores-Quiroz, Pablo Apablaza, Pierluigi Mancarella

专题命中 规划决策 ：planning(title,abstract)

AI总结 本文提出混合机器学习-优化框架，通过训练替代神经网络降低多阶段随机传输规划的计算负担，实现近优投资成本和显著缩短计算时间。

Beyond the Townhall: Spatial Anchoring and LLM Agents for Scalable Participatory Urban Planning

超越市政厅：空间锚定与大语言模型代理用于可扩展的参与式城市规划

Carina I Hausladen, Javier Argota Sánchez-Vaquerizo, Michael Siebenmann, Arthur Capozzi, Sachit Mahajan, Dirk Helbing

专题命中 规划决策 ：planning(title,abstract)

AI总结 本文提出一种可扩展的数字参与平台，通过空间锚定和大语言模型代理提升公众在可持续城市规划中的参与度，实验显示沉浸式展示提高了信息回忆并促进集体可持续发展反馈。

VADv2: End-to-End Vectorized Autonomous Driving via Probabilistic Planning

VADv2：通过概率规划实现端到端向量自主驾驶

Bo Jiang, Shaoyu Chen, Hao Gao, Bencheng Liao, Qian Zhang, Wenyu Liu, Xinggang Wang

机构 * Huazhong University of Science and Technology（华中科技大学） ； Horizon Robotics 纠错

专题命中 规划决策 ：planning(title,abstract)

AI总结 本文提出VADv2，一种基于概率规划的端到端自主驾驶模型，通过概率场函数建模动作空间到概率分布的映射，利用大规模驾驶演示提升闭合回路性能，优于现有方法。

Comments Accepted to ICLR 2026. Code is available at https://github.com/hustvl/VAD

ADAPT: Benchmarking Commonsense Planning under Unspecified Affordance Constraints

ADAPT：在未指定 affordance 约束下评估常识规划的基准测试

Pei-An Chen, Yong-Ching Liang, Jia-Fong Yeh, Hung-Ting Su, Yi-Ting Chen, Min Sun, Winston Hsu

机构 * National Taiwan University（国立台湾大学） ； National Yang Ming Chiao Tung University（国立阳明交通大学） ； National Tsing Hua University（国立清华大学） 纠错

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

AI总结 本文提出 ADAPT 模块，通过显式 affordance 推理提升智能具身代理的鲁棒性和任务成功率，展示了领域适应的视觉语言模型在 affordance 推理中的优越性。

TOOLCAD: Exploring Tool-Using Large Language Models in Text-to-CAD Generation with Reinforcement Learning

TOOLCAD: 探索用于文本到CAD生成的工具使用大型语言模型与强化学习

Yifei Gong, Xing Wu, Wenda Liu, Kang Tu

机构 * School of Computer Engineering & Science, Shanghai University（上海大学计算机工程与科学学院） 纠错

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

AI总结 本文提出TOOLCAD框架，利用LLM作为工具使用代理进行文本到CAD生成，并通过交互式CAD建模环境和强化学习提升模型性能。

Comments ACL2026

Systematic Capability Benchmarking of Frontier Large Language Models for Offensive Cyber Tasks

前沿大语言模型在进攻性网络任务中的系统能力评估

Tyler H. Merves, Michael H. Conaway, Joseph M. Escobar, Hakan T. Otal, Unal Tatar

机构 * Department of Cybersecurity（网络安全系） ； Department of Information Sciences and Technology（信息科学与技术系） ； College of Emergency Preparedness, Homeland Security, and Cybersecurity（应急准备、国土安全与网络安全学院） ； University at Albany, SUNY（阿尔巴尼大学） 纠错

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

AI总结 本文系统评估了10个前沿大语言模型在进攻性网络任务中的表现，发现环境工具和模型选择是性能的主要驱动因素，而提示工程在装备良好的环境中效果下降。

Comments 6 pages, 4 figures. Submitted to the IEEE Systems and Information Engineering Design Symposium (SIEDS)

Cognitive Chain-of-Thought (CoCoT): Structured Multimodal Reasoning about Social Situations

认知链式推理（CoCoT）：关于社会情境的结构化多模态推理

Eunkyu Park, Wesley Hanwen Deng, Gunhee Kim, Motahhare Eslami, Maarten Sap

机构 * Seoul National University（首尔国立大学） ； Human-Computer Interaction Institute, Carnegie Mellon University（人机交互研究所，卡内基梅隆大学） ； Language Technologies Institute, Carnegie Mellon University（语言技术研究所，卡内基梅隆大学） 纠错

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

AI总结 本文提出CoCoT框架，通过感知、情境推断和规范应用三个阶段提升多模态社会推理能力，在多个任务中取得显著提升。

Comments Under review; 17 pages

Planning Smooth and Safe Control Laws for a Unicycle Robot Among Obstacles

为躲避障碍物的单轮机器人规划平滑且安全的控制律

Aref Amiri, Basak Sakcak, Steven M. LaValle

机构 * Faculty of Information Technology and Electrical Engineering, University of Oulu（奥卢大学信息科技与电气工程学院） ； Department of Advanced Computing Sciences, Maastricht University（马斯特里赫特大学高级计算科学系） 纠错

专题命中 规划决策 ：planning(title)

AI总结 本文提出了一种框架，用于在存在障碍物的环境中安全导航单轮点机器人至目标位置，通过引入新的QP公式生成减少总弯曲和总转向的Cinfinity光滑向量场，并设计非线性反馈控制器保证安全集的前向不变性。

Comments This work has been accepted for publication in the 2026 European Control Conference (ECC)

Learning from AVA: Early Lessons from a Curated and Trustworthy Generative AI for Policy and Development Research

从AVA学习：为政策与发展研究构建的可信生成式AI的早期经验

Nimisha Karnatak, Mohamad Chatila, Daniel Alejandro Pinzón Hernández, Reza Yazdanfar, Michelle Dugas, Renos Vakis

机构 * University of Oxford（牛津大学） ； Nouswise, Inc.（Nouswise公司） 纠错

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

AI总结 AVA通过多代理流程为政策研究提供证据合成，通过引用可验证性和合理回避机制实现认知谦逊，实验证明其能节省用户时间，为专用AI设计提供指导。

Comments Accepted at ACM CHI'26

AgileLog: A Forkable Shared Log for Agents on Data Streams

AgileLog: 用于数据流上智能体的可分共享日志

Shreesha G. Bhat, Tony Hong, Michael Noguera, Ramnatthan Alagappan, Aishwarya Ganesan

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 本文提出AgileLog，一种支持分叉的共享日志，用于数据流上智能体任务，通过低成本分叉技术实现逻辑与性能隔离。

Decoding AI Tutor Effects for Educational Measurement: Temporal, Multi-Outcome, and Behavior-Cognitive Analysis

解码AI导师效果用于教育测量：时间、多结果和行为-认知分析

Yiyao Yang, Yasemin Gulbahar

机构 * Columbia University（哥伦比亚大学） 纠错

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

AI总结 本研究提出一个AI导师原型框架，通过时间交互模式、多结果分析和行为-认知学习者画像，探讨早期交互模式对后续表现和信任的预测作用，以及不同AI导师反馈条件下的多结果权衡和学习者画像识别。

Comments 25 Pages, 9 Figures

AI-based Waste Mapping for Addressing Climate-Exacerbated Flood Risk

基于AI的废弃物地图绘制以应对气候加剧的洪水风险

Steffen Knoblauch, Levi Szamek, Iddy Chazua, Benedcto Adamu, Innocent Maholi, Alexander Zipf

机构 * Heidelberg University（海德堡大学） ； OpenMap Development Tanzania（坦桑尼亚开放地图开发） 纠错

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

AI总结 本文提出一种基于AI的废弃物地图绘制方法，利用公开的航拍和街景图像检测城市固体废弃物，揭示废弃物空间分布与贫民窟及社会经济因素的关系，为洪水风险管理和可持续废弃物管理提供行动见解。

Journal ref Published at NeurIPS 2025: Tackling Climate Change with Machine Learning Workshop

Chatting about Conditional Trajectory Prediction

关于条件轨迹预测的讨论

Yuxiang Zhao, Wei Huang, Haipeng Zeng, Huan Zhao, Yujie Song

机构 * Sun Yat-sen University（中山大学） ； Alibaba Group（阿里巴巴集团） 纠错

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

AI总结 本文提出CiT方法，通过跨时间域意图交互实现轨迹预测，结合自身运动与社交交互信息，提升预测精度并集成机器人运动规划模块。

WhatIf: Interactive Exploration of LLM-Powered Social Simulations for Policy Reasoning

WhatIf: 交互式探索基于大语言模型的社会模拟用于政策推理

Yuxuan Li, Kyzyl Monteiro, Hirokazu Shirado, Sauvik Das

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

AI总结 WhatIf系统通过实时交互帮助政策制定者探索基于大语言模型的社会模拟，支持在深度不确定性下进行政策推理，提升决策过程的灵活性和可解释性。

Think before Go: Hierarchical Reasoning for Image-goal Navigation

先思后行：面向图像目标导航的层次推理

Pengna Li, Kangyi Wu, Shaoqing Xu, Fang Li, Lin Zhao, Long Chen, Zhi-Xin Yang, Nanning Zheng

机构 * National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, National Engineering Research Center for Visual Information and Applications, Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（人机混合增强智能国家实验室、视觉信息与应用国家工程研究中心、人工智能与机器人研究所、西安交通大学） ； University of Macau（澳门大学） ； Xiaomi EV（小米电动车） ； School of Automation, Beijing Institute of Technology（自动化学院，北京理工大学） 纠错

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

AI总结 本文提出HRNav框架，通过分层规划与执行解决图像目标导航问题，利用视觉语言模型生成短期计划并结合在线强化学习策略，引入Wandering Suppression Penalty降低漂移问题，实验验证其有效性。

Comments Accepted by ACL2026 (main conference)

SkillX: Automatically Constructing Skill Knowledge Bases for Agents

SkillX: 为智能体自动构建技能知识库

Chenxi Wang, Zhuoyun Yu, Xin Xie, Wuguannan Yao, Runnan Fang, Shuofei Qiao, Kexin Cao, Guozhou Zheng, Xiang Qi, Peng Zhang, Shumin Deng

机构 * Zhejiang University（浙江大学） ； Ant Digital Technologies, Ant Group（蚂蚁集团数字技术部） 纠错

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

AI总结 SkillX通过多级技能设计、迭代技能精炼和探索性技能扩展，构建可复用的技能知识库，提升智能体在长周期任务中的表现和泛化能力。

Comments Work in progress

DriveAgent-R1: Advancing VLM-based Autonomous Driving with Active Perception and Hybrid Thinking

DriveAgent-R1: 通过主动感知和混合思维推进基于视觉语言模型的自动驾驶

Weicheng Zheng, Xiaofei Mao, Nanfei Ye, Pengxiang Li, Kun Zhan, Xianpeng Lang, Hang Zhao

机构 * Shanghai Qi Zhi Institute（上海启智研究院） ； LiAuto ； Tongji University（同济大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 DriveAgent-R1通过主动感知和混合思维框架，提升自动驾驶中的视觉推理能力，采用三阶段训练策略，在复杂场景中实现高效决策，展现与顶级模型相当的性能。

Comments Accepted to ICLR 2026

Tensor Manifold-Based Graph-Vector Fusion for AI-Native Academic Literature Retrieval

基于张量流形的图-向量融合用于AI原生学术文献检索

Xing Wei, Yang Yu

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

AI总结 本文提出基于张量流形的图-向量融合框架，解决现有方法在矩阵依赖、存储爆炸、语义稀释和AI原生支持不足的问题，通过理论分析和复杂性证明，实现线性时间复杂度的高效动态学术文献检索。

Comments 36 pages, 10 tables, 0 figures; accepted for publication; extended version of graph-vector fusion framework for AI-native academic literature retrieval

Self-Correcting Text-to-Video Generation with Misalignment Detection and Localized Refinement

具有对齐检测和局部细化的自纠正文本到视频生成

Daeun Lee, Jaehong Yoon, Jaemin Cho, Mohit Bansal

机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； NTU Singapore（新加坡国立大学） ； Allen Institute for AI（人工智能研究院） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 本文提出VideoRepair框架，通过检测并修正视频与文本提示的对齐问题，提升生成质量。框架分为三个阶段，保留正确生成区域并针对性修正错误部分，有效提升多种对齐指标。

Comments Accepted to ACL 2026 Findings. Project page: https://video-repair.github.io

Enhancing LLM-based Search Agents via Contribution Weighted Group Relative Policy Optimization

通过贡献加权群体相对策略优化增强基于LLM的搜索代理

Junzhe Wang, Zhiheng Xi, Yajie Yang, Hao Luo, Shihan Dou, Tao Gui, Qi Zhang

机构 * Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Key Laboratory of Intelligent Information Processing（上海智能信息处理关键实验室） 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CW-GRPO框架，通过整合过程监督与群体相对策略优化，提升搜索代理的信用分配效率，实验表明其在多个知识密集型基准上表现优异。

Comments Accepted to the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026), Main Conference

PDDL-Mind: Large Language Models are Capable on Belief Reasoning with Reliable State Tracking

PDDL-Mind：大型语言模型在具有可靠状态跟踪的信念推理中表现出色

Wang Bill Zhu, Qiutong Tony Yi, Robin Jia, Jesse Thomason

机构 * University of Southern California（南加州大学） 纠错

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

AI总结 PDDL-Mind通过将叙述描述转换为显式状态和动作，为LLM提供了一致的世界状态表示，从而在信念推理任务中提升了性能。

Bridging the Reasoning Gap in Vietnamese with Small Language Models via Test-Time Scaling

通过测试时间扩展弥合越南语中的推理差距

Bui The Trung, Do Minh Duc, Nguyen Van Vinh, Bui Nguyen Quoc Trinh

机构 * Computer Science and Engineering（计算机科学与工程） ； Information Science Faculty（信息科学系） ； Faculty of Information（信息学院） ； Faculty of Advanced Technologies and Engineering（先进技术和工程学院） ； VNU Vietnam（越南VNU） ； Japan University（日本大学） ； JAIST ； VNU University of Engineering and Technology（VNU工程大学） ； VNU Vietnam Japan University（越南日本大学） ； Hanoi, Vietnam（越南河内） ； Ishikawa, Japan（日本石川） 纠错

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

AI总结 本文研究了在越南小学数学中通过测试时间扩展策略提升小语言模型推理能力，提出Vi-S1K和Vi-Elementary-Bench基准，发现SFT显著提升解释质量，证明简化测试时间扩展优于复杂代理流程。

Comments FJICAI conference

STEP-PD: Stage-Aware and Explainable Parkinson's Disease Severity Classification Using Multimodal Clinical Assessments

STEP-PD：基于多模态临床评估的阶段感知和可解释性帕金森病严重程度分类

Md Mezbahul Islam, John Michael Templeton, Christian Poellabauer, Ananda Mohan Mondal

机构 * School of Computing & Information Sciences, Florida International University（佛罗里达国际大学计算机与信息科学学院） ； College of AI, Cybersecurity and Computing, University of South Florida（佛罗里达州立大学人工智能、网络安全与计算学院） 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STEP-PD框架，利用PPMI数据中的多模态临床评估，通过SHAP解释性方法实现帕金森病严重程度的可解释分类，XGBoost在多种任务中表现出高准确性和稳定性。

Comments 10 pages, 6 figures, 4 tables, accepted at IEEE International Conference on Healthcare Informatics (ICHI 2026)

Agents Explore but Agents Ignore: LLMs Lack Environmental Curiosity

智能体探索但忽视环境：大语言模型缺乏环境好奇心

Leon Engländer, Sophia Althammer, Ahmet Üstün, Matthias Gallé, Tom Sherborne

机构 * Cohere ； Poolside 纠错

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

AI总结 研究发现当前大语言模型缺乏环境好奇心，无法有效利用意外但相关的信息。通过三个基准测试发现，尽管智能体发现了解决方案，但很少主动利用。研究指出可用工具、计算资源和训练数据分布是影响因素，优化配置能提升性能，但智能体仍主要依赖环境获取预期信息。