AI Agent

Security-Aware Planning and Control of Multi-Agent Systems with LTL Tasks

具有LTL任务的多智能体系统的安全意识规划与控制

Georgios Mitsos, Dimos V. Dimarogonas, Siyuan Liu

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

AI总结 本文提出了一种安全构造的多智能体系统规划与控制框架，通过LTL规范保护敏感信息免受部分观察的被动入侵者侵害，确保任务执行的保密性。

Comments 8 pages, 2 figures; This paper has been accepted at the IFAC World Congress 2026

ChipMATE: Multi-Agent Training via Reinforcement Learning for Enhanced RTL Generation

ChipMATE: 通过强化学习进行多智能体训练以提升RTL生成

Zhongkai Yu, Yichen Lin, Chenyang Zhou, Yuwei Zhang, Kun Zhou, Junxia Cui, Haotian Ye, Zhengding Hu, Zaifeng Pan, Ruiyi Wang, Yujie Zhao, Hejia Zhang, Jingbo Shang, Jishen Zhao, Yufei Ding

机构 * UCSD（加州大学圣迭戈分校） ； Columbia University（哥伦比亚大学） 纠错

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

AI总结 ChipMATE是首个自训练多智能体RTL生成框架，通过相互验证的智能体和混合数据生成框架提升生成质量，实现75.0%和80.1%的VerilogEval V2通过率。

Reinforced Collaboration in Multi-Agent Flow Networks

多智能体流网络中的强化协作

Zheng Wang, Yuang Liu, Yangkai Ding

机构 * Huawei Technologies Co., Ltd.（华为技术有限公司） 纠错

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

AI总结 本文提出MANGO框架，通过流网络优化多智能体协作流程，结合强化学习和文本梯度提升效率与性能，实验显示在七个基准上性能提升12.8%，效率提升47.4%。

Discrete Diffusion for Complex and Congested Multi-Agent Path Finding with Sparse Social Attention

离散扩散用于复杂且拥堵的多智能体路径寻找与稀疏社交注意

Yuanzhe Wang, Tian Zhi, Zihang Wei, Hongguang Wang, Jiaming Guo, Yang Zhao, Zisheng Liu, Shiyu Quan, Xing Hu, Zidong Du, Yunji Chen

机构 * State Key Lab of Processors, Institute of Computing Technology, CAS（中国科学院计算技术研究所处理器重点实验室） ； School of Advanced Interdisciplinary Sciences, CAS（中国科学院高等交叉学科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Institute of Microelectronics, CAS（中国科学院微电子研究所） 纠错

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

AI总结 本文提出DiffLNS框架，结合离散去噪扩散概率模型与LNS2，通过稀疏社交注意学习多智能体轨迹先验，提升多智能体路径寻找的修复效率与成功率。

Comments 24 pages, 7 figures

IdeaForge: A Knowledge Graph-Grounded Multi-Agent Framework for Cross-Methodology Innovation Analysis and Patent Claim Generation

IdeaForge: 一种基于知识图谱的多智能体框架，用于跨方法论创新分析和专利主张生成

Joy Bose

机构 * Independent Researcher（独立研究员） 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 IdeaForge通过多智能体框架整合TRIZ、设计思维和SCAMPER等创新方法，利用知识图谱实现跨方法论的创新分析和专利主张生成，提升创新候选的多样性和可追溯性。

Comments 14 pages, 3 figures, 6 tables

A Multi-Agent Orchestration Framework for Venture Capital Due Diligence

面向风险投资尽调的多智能体 orchestration 框架

Grigorios Alexandrou, Katerina Pramatari

机构 * Greek Business Registry（希腊企业登记处） 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 本文提出一个自动化多智能体框架，结合大语言模型和实时网络检索，将非结构化数据转化为结构化投资信息，通过程序化提取管道和结构化回退机制提升金融尽调的准确性与可靠性。

Comments 13 pages, 1 figure

AgenticRecTune: Multi-Agent with Self-Evolving Skillhub for Recommendation System Optimization

AgenticRecTune: 多智能体与自演化技能 hub 用于推荐系统优化

Xidong Wu, Yue Zhuan, Ruoqiao Wei, Hangxin Chen, Di Bai, Jintao Liu, Xinyi Wang, Xue Wang, Luoshu Wang, Xinwu Cheng

机构 * Google（谷歌） 纠错

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

AI总结 本文提出AgenticRecTune框架，通过五个智能体实现端到端配置优化，利用LLM进行最优配置空间探索，结合自演化Skillhub提升推荐系统性能。

AgenticAITA: A Proof-Of-Concept About Deliberative Multi-Agent Reasoning for Autonomous Trading Systems

AgenticAITA: 关于自主交易系统中 deliberative 多智能体推理的证明概念

Ivan Letteri

机构 * Department of Information Engineering, Computer Science, and Mathematics, Center of Excellence for Research DEWS, University of L’Aquila（信息工程、计算机科学和数学系，DEWS研究中心，拉奎拉大学） 纠错

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

AI总结 本文提出AGENTICAITA框架，通过多智能体协作推理替代传统信号执行模式，实现自主交易系统中无离线训练的决策流程，展示其在金融决策中的可行性与有效性。

MIRACLE_Multi-Agent Intelligent Regulation to Advance Collaborative Learning Environment

MIRACLE：多智能体智能调节以推进协作学习环境

Shuang Li, Haiyang Xin, Yimeng Sun, Qiannan Niu, Lingyun Huang, Gaowei Chen, Ching Sing Chai

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

AI总结 本研究提出MIRACLE系统，通过整合元认知调节和主动提供情感支持，提升学生协作学习中的社会共享调节能力，实验证明其在规划、监控和反思阶段的显著成效。

Context Learning for Multi-Agent Discussion

多智能体讨论中的上下文学习

Xingyuan Hua, Sheng Yue, Xinyi Li, Yizhe Zhao, Jinrui Zhang, Ju Ren

机构 * Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； School of Cyber Science and Technology, Sun Yat-sen University Shenzhen Campus（中山大学深圳校区网络科学与技术学院） ； College of Computer Science, Northwest University（西北大学计算机学院） ； State Key Laboratory of Internet Architecture, Tsinghua University（清华大学互联网体系结构实验室） 纠错

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

AI总结 本文提出M2CL方法，通过动态生成上下文指令提升多智能体讨论的一致性与协作效率，实验表明其在多个任务中性能优于现有方法。

Systematic Failures in Collective Reasoning under Distributed Information in Multi-Agent LLMs

多智能体大语言模型中分布式信息下的集体推理系统性失效

Yuxuan Li, Aoi Naito, Hirokazu Shirado

机构 * School of Computer Science, Carnegie Mellon University, Pittsburgh, USA（计算机科学学院，卡内基梅隆大学，匹兹堡，美国） ； School of Environment and Society, Institute of Science Tokyo, Tokyo, Japan（环境与社会学院，东京科学研究所，东京，日本） 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 研究发现多智能体大语言模型在分布式信息下仅能获得30.1%的准确率，而单智能体在完整信息下可达80.7%。系统性失效源于智能体无法识别和应对潜在的信息不对称，导致关键分布式事实未被探索。通过轻量级结构化通信协议可显著提升集体推理能力。

Comments Accepted to ICML 2026

ScioMind: Cognitively Grounded Multi-Agent Social Simulation with Anchoring-Based Belief Dynamics and Dynamic Profiles

ScioMind：基于认知的多智能体社交模拟与基于锚定的信念动态和动态资料

Yitian Yang, Yiqun Duan, Linghan Huang, Yiqi Zhu, Francesco Bailo, Chunmeizi Su, Huaming Chen

机构 * The University of Sydney（悉尼大学） 纠错

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

AI总结 ScioMind结合结构化意见动态与LLM代理推理，通过记忆锚定信念更新规则、分层记忆架构和动态代理资料提升社交模拟的真实性与稳定性。

MARLIN: Multi-Agent Game-Theoretic Reinforcement Learning for Sustainable LLM Inference in Cloud Datacenters

MARLIN：多智能体博弈强化学习用于云数据中心可持续LLM推理

H. Moore, S. Qi, D. Milojicic, C. Bash, S. Pasricha

机构 * Colorado State University（科罗拉多州立大学） ； Hewlett Packard Labs（惠普实验室） 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MARLIN框架，通过博弈强化学习优化LLM推理的TTFT、碳排放、用水量和能耗，实现至少18%的TTFT、33%的碳排放、43%的用水量和11%的能耗降低。

Multi-Agent Systems in Emergency Departments: Validation Study on a ED Digital Twin

急诊部门中的多智能体系统：数字孪生的验证研究

Markus Wenzel, Tobias Strapatsas, Jessika Kress, Dorothea Sauer, Nele Gessler, Horst K. Hahn

机构 * Constructor University（Constructor大学） ； Fraunhofer Institute for Digital Medicine MEVIS（弗劳恩霍夫数字医学研究所MEVIS） ； Asklepios Kliniken Hamburg GmbH（阿斯克列庇斯汉堡医院有限公司） 纠错

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

AI总结 本文提出了一种混合离散事件模拟与基于智能体的模型，用于验证急诊部门的资源配置优化策略，通过实证研究展示了模型的有效性。

Events as Triggers for Behavioral Diversity in Multi-Agent Reinforcement Learning

事件作为多智能体强化学习中行为多样性的触发因素

Hannes Büchi, Manon Flageat, Eduardo Sebastián, Amanda Prorok

机构 * Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） 纠错

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

AI总结 本文提出通过事件触发机制解耦智能体身份与行为，引入神经流形多样性与事件驱动超网络，实现动态行为适应与零样本泛化，提升多智能体协作效率。

Finding the Weakest Link: Adversarial Attack against Multi-Agent Communications

寻找最薄弱的环节：针对多智能体通信的对抗攻击

Maxwell Standen, Junae Kim, Claudia Szabo

机构 * The University of Adelaide（阿德莱德大学） 纠错

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

AI总结 本文研究了针对多智能体强化学习系统的一种单目标通信扰动攻击，提出利用雅可比矩阵的梯度信息来识别最易受攻击的消息、智能体和时间步，同时引入两种对抗损失函数以平衡攻击成功率与影响，通过实验验证了方法的有效性。

Comments Full version of the Extended Abstract presented at AAMAS 2026

Talk is Cheap, Communication is Hard: Dynamic Grounding Failures and Repair in Multi-Agent Negotiation

言者无罪，沟通艰难：多智能体谈判中的动态 grounding 故障与修复

Yiheng Yao, Chelsea Zou, Robert D. Hawkins

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 本文研究多智能体谈判中动态 grounding 的故障与修复，通过多轮谈判游戏揭示四类失败模式，发现协调瓶颈在于动态 grounding 而非个体推理或信息不足。

CoFlow: Coordinated Few-Step Flow for Offline Multi-Agent Decision Making

CoFlow：协调的少步流用于离线多智能体决策制定

Guowei Zou, Haitao Wang, Beiwen Zhang, Boning Zhang, Hejun Wu

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

AI总结 CoFlow通过协调速度注意力和自适应协调门控，在少步生成中保持多智能体协调，提升离线多智能体强化学习的效率与协调性。

Comments 34 pages, 15 figures, 10 tables. Project page: https://guowei-zou.github.io/coflow/

Multi-Agent Decision-Focused Learning via Value-Aware Sequential Communication

多智能体决策导向学习 via 值感知序列通信

Benjamin Amoh, Geoffrey Parker, Wesley Marrero

机构 * Thayer School of Engineering, Dartmouth College（达特茅斯大学泰勒工程学院） 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SeqComm-DFL方法，通过值感知序列通信与决策导向学习结合，提升多智能体任务性能。方法引入序列Stackelberg条件生成消息，利用信息论界限证明收敛性，并在协作医疗和StarCraft多智能体挑战中取得显著奖励和胜率提升。

Comments 9 pages, 2 figues, 1 table, neurips 2026

The Horizon Threshold in Cooperative Multi-Agent Reward-Free Exploration

合作多智能体探索中的地平线阈值

Idan Barnea, Orin Levy, Yishay Mansour

机构 * Tel Aviv University（特拉维夫大学） ； Google Research（谷歌研究） 纠错

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

AI总结 本文研究了在无奖励探索设定下合作多智能体强化学习，提出了一种分阶段学习框架，通过有限时间步数的MDP，确定学习阶段数与智能体数量的权衡，证明当学习阶段数等于地平线H时，算法效率与精度的最优平衡。

Centralized Adaptive Sampling for Reliable Co-Training of Independent Multi-Agent Policies

集中式自适应采样用于独立多智能体策略的可靠协同训练

Nicholas E. Corrado, Josiah P. Hanna

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CoSER方法，通过协调动作选择减少联合采样误差，提升多智能体强化学习中策略梯度算法的收敛可靠性。

Comments RLC 2026

Submodular Multi-Agent Policy Learning for Online Distributed Task Allocation in Open Multi-Agent Systems

用于开放多智能体系统在线分布式任务分配的子模多智能体策略学习

Jing Liu, Yangyang Yang, Luca Ballotta, Fangfei Li, Yang Tang, Ruggero Carli

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

AI总结 本文研究了具有子模团队效用的多智能体强化学习，针对分布式任务分配问题，提出子模多智能体策略梯度框架SubMAPG，通过子模差奖励训练信号实现高效任务分配。

Safe Multi-Agent Navigation via Constrained HJB-Informed Learning

通过约束HJB引导学习实现安全多智能体导航

Fenglan Wang, Xinguo Shu, Lei He, Lin Zhao

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

AI总结 本文提出HJB-GNN框架，通过联合学习控制屏障函数、分布式导航策略和价值函数，实现多智能体导航中的安全约束与目标达成的平衡，验证了其在复杂环境中的优越性能和可扩展性。

Comments Accepted by Robotics: Science and Systems (RSS 2026)

Robust and Safe Multi-Agent Reinforcement Learning with Communication for Autonomous Vehicles: From Simulation to Hardware

具备通信的鲁棒且安全的多智能体强化学习：从仿真到硬件

Keshawn Smith, Zhili Zhang, H M Sabbir Ahmad, Ehsan Sabouni, Mainak Mondal, Song Han, Wenchao Li, Fei Miao

机构 * Department of ECE University of Connecticut（电子工程系，康涅狄格大学） ； School of Computing University of Connecticut（计算学院，康涅狄格大学） ； Department of ECE Boston University（电子工程系，波士顿大学） 纠错

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

AI总结 本文提出RSR-RSMARL框架，通过鲁棒强化学习算法和安全模块实现多智能体系统在仿真与硬件间的零 shot 转移，提升自动驾驶安全性和协调性。

Comments 15 pages, 5 Figures

A linear-quadratic partially observed Stackelberg stochastic differential game with multiple followers and its application to multi-agent formation control

一个线性二次部分观测Stackelberg随机微分博弈及其在多智能体编队控制中的应用

Yichun Li, Yaozhong Hu, Jingtao Shi, Yueyang Zheng

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

AI总结 本文研究了涉及单领导者和多个跟随者的线性二次部分观测Stackelberg随机微分博弈问题，采用新的状态分解和正交分解方法解决部分观测带来的困难，扩展了多智能体系统的确定性编队控制框架到随机情形。

Comments 6 figures

DelAC: A Multi-agent Reinforcement Learning of Team-Symmetric Stochastic Games

DelAC：团队对称随机博弈的多智能体强化学习

Duan-Shin Lee, Yu-Hsiu Hung

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

AI总结 本文研究了具有m≥2个团队的团队对称博弈，证明了团队对称博弈总是存在团队对称纳什均衡，并提出了一种基于actor-critic的多智能体强化学习算法，通过模拟展示其优于现有算法。

Position: Agentic AI System Is a Foreseeable Pathway to AGI

位置：代理AI系统是实现AGI的可预见路径

Junwei Liao, Shuai Li, Muning Wen, Jun Wang, Weinan Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； University College London（伦敦大学学院） 纠错

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

AI总结 本文挑战单一模型扩展是实现AGI的唯一路径，提出代理AI作为掌握复杂异质任务的必要范式，通过理论推导对比单一学习器与代理系统的优化约束，展示代理AI在泛化和样本效率上的指数级优势。

Comments Accepted by ICML'26 Position Track

Good Agentic Friends Do Not Just Give Verbal Advice: They Can Update Your Weights

良友并非仅提供口头建议：它们可以更新你的权重

Wenrui Bao, Huan Wang, Jian Wang, Zhangyang Wang, Kai Wang, Yuzhang Shang

机构 * University of Central Florida（中央佛罗里达大学） ； Westlake University（西拉丘吉大学） ； Snap Inc.（Snap公司） ； UT-Austin（得克萨斯大学奥斯汀分校） ； Tencent Hy（腾讯） 纠错

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

AI总结 本文提出TFlow框架，通过低秩权重扰动实现高效多智能体LLM协作，提升准确率并减少计算开销。

Decentralized Ranking Aggregation via Gossip: Convergence and Robustness

基于ossip的去中心化排名聚合：收敛性与鲁棒性

Kerrian Le Caillec, Anna Van Elst, Igor Colin, Stephan Clémençon

机构 * LTCI, Télécom-Paris, Institut Polytechnique de Paris（LTCI， Télécom-Paris， 法国巴黎理工学院） 纠错

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

AI总结 本文研究了在去中心化环境下如何通过随机ossip通信实现可靠的排名共识，探讨了鲁棒性和可扩展性问题。

Comments 33 pages, 5 figures

Conveyor Parcel Routing with Order-Contiguous Arrivals

带订单连续到达的传送带包裹路由

Takuro Kato, Keisuke Okumura

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

AI总结 本文提出DOPP算法，解决带订单连续到达的在线多智能体路径寻找问题，通过三层结构高效生成可行路径，验证了算法在不同传送带布局中的实用性和高效性。