AI Agent

MonoScale: Scaling Multi-Agent System with Monotonic Improvement

MonoScale: 通过单调改进扩展多智能体系统

Shuai Shao, Yixiang Liu, Bingwei Lu, Weinan Zhang

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

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

AI总结 本文提出MonoScale框架，通过生成agent条件化熟悉任务、收集交互证据并将其转化为可审计的自然语言记忆，实现多智能体系统的单调性能提升，实验表明其在GAIA和Humanity's Last Exam任务中优于简单扩展和强路由固定池基线。

Claw AI Lab: An Autonomous Multi-Agent Research Team

Claw AI Lab：一个自主多智能体研究团队

Fan Wu, Cheng Chen, Zhenshan Tan, Taiyu Zhang, Xinzhen Xu, Yanyu Qian, Dingcheng Gao, Lanyun Zhu, Qi Zhu, Yi Tan, Deyi Ji, Guosheng Lin, Tianrun Chen, Deheng Ye, Fayao Liu

机构 * NTU（国立新加坡大学） ； A*STAR（科技研究局） ； Moxin Technology Co., LTD（摩新科技有限公司） ； NUIST（南京信息工程大学） ； THU（清华大学） ； USTC（中国科学技术大学） 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 本文提出Claw AI Lab，一种自主研究平台，通过隐藏的提示到论文流程实现自动化研究，并提供交互式AI实验室。该平台允许用户通过一个提示创建完整的研究团队，支持自定义角色、协作流程、实时监控、 artifact检查和回滚/恢复控制。Claw-Code Harness连接本地代码库、数据集和检查点，提高实验执行、完成和结果完整性。在内部评估中，Claw AI Lab在想法新颖性、实验完整性和论文质量上被AI专家评委一致偏好。

Comments Project page and code are available at https://github.com/Claw-AI-Lab/Claw-AI-Lab

TO-Agents: A Multi-Agent AI Pipeline for Preference-Guided Topology Optimization

TO-Agents：一种用于基于偏好的拓扑优化的多智能体AI流水线

Isabella A. Stewart, Hongrui Chen, Faez Ahmed

机构 * Department of Mechanical Engineering Massachusetts Institute of Technology Cambridge, MA, 02139 USA（机械工程系 马萨诸塞理工学院 哥伦布, 马萨诸塞州, 02139 美国） 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TO-Agents，一种多智能体AI框架，通过将自然语言设计意图与迭代拓扑优化相结合，解决设计者手动转换非直接关联的偏好到求解器设置的问题，并在两个长周期设计任务中验证了其有效性。

Comments Accepted for publication in the Proceedings of the ASME 2026 International Design Engineering Technical Conferences (IDETC2026)

One Sentence, One Drama: Personalized Short-Form Drama Generation via Multi-Agent Systems

一句话，一出戏剧：通过多智能体系统实现个性化短剧生成

Yufei Shi, Weilong Yan, Naixuan Huang, Yucheng Chen, Chenyu Zhang, Tao He, Si Yong Yeo, Ming Li

机构 * MedVisAI Lab, Lee Kong Chian School of Medicine, Nanyang Technological University（MedVisAI实验室，李光前医学院，南洋理工大学） ； National University of Singapore（新加坡国立大学） ； Beijing Institute of Technology（北京理工大学） ； Tsinghua University（清华大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Guangming Laboratory（光明实验室） 纠错

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

AI总结 本文提出了一种多智能体框架，通过结构化中间模块和迭代优化，将用户的单句想法转化为完整短剧，解决了短剧生成中的叙事节奏、空间一致性及生产质量控制问题。

Toward Self-Organizing Production Logistics: A Multi-Agent Approach

迈向自组织生产物流：一种多智能体方法

Jan-Felix Klein, Yongkuk Jeong, Erik Flores-García, Magnus Wiktorsson

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

AI总结 本文提出自组织生产物流（SOPL）的概念，通过设计科学研究方法论（DSRM）框架，结合多智能体架构、事件驱动协调和数字孪生等技术，解决生产物流中日益复杂的不确定性问题。

Comments Submitted to IFIP International Conference on Advances in Production Management Systems 2026 (APMS 2026)

LCGuard: Latent Communication Guard for Safe KV Sharing in Multi-Agent Systems

LCGuard: 多智能体系统中安全KV共享的潜在通信守护者

Sadia Asif, Mohammad Mohammadi Amiri, Momin Abbas, Prasanna Sattigeri, Karthikeyan Natesan Ramamurthy

机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； IBM Research（IBM研究院） 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LCGuard框架，通过在智能体间共享KV缓存前学习表示层面的转换，以防止敏感信息泄露，同时在多个模型家族和多智能体基准测试中验证了其在减少重建攻击成功率和保持任务性能方面的有效性。

Blind Spots in the Guard: How Domain-Camouflaged Injection Attacks Evade Detection in Multi-Agent LLM Systems

守卫中的盲区：如何域伪装注入攻击在多智能体大语言模型系统中逃避检测

Aaditya Pai

机构 * Data Science Institute（数据科学研究所） ； 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)；分类 cs.AI、cs.CL

AI总结 本文研究了在多智能体大语言模型系统中，域伪装注入攻击如何通过模仿目标文档的领域词汇和权威结构来逃避检测，揭示了检测器在静态和伪装负载之间的检测率差异（Camouflage Detection Gap, CDG），并展示了多智能体辩论架构对静态注入攻击的放大效应以及检测器增强的有限有效性。

Comments 8 pages, 3 figures, 2 tables. Submitted to EMNLP 2026 ARR cycle

Verify-Gated Completion as Admission Control in a Governed Multi-Agent Runtime: A Bounded Architecture Case Study

验证门控完成作为受控多智能体运行时的准入控制：一个有界架构案例研究

Hai-Duong Nguyen, Xuan-The Tran

机构 * Vietnam Maritime University（越南海防大学） 纠错

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

AI总结 本文研究了验证门控完成作为受控多智能体运行时的准入控制机制，通过一个有界参考实现，探讨了可审计的验证门控完成所能支持的信息，并分析了其在不同场景下的表现和限制。

Comments 39 pages, 2 figures, 17 tables. Preprint

Incentive-Aligned Vehicle-to-Vehicle Energy Trading via Nash-Integrated Multi-Agent Reinforcement Learning

通过纳什整合多智能体强化学习实现激励对齐的车对车能源交易

Yujin Lin, Yue Yang, Hao Wang

机构 * Department of Data Science and AI, Faculty of IT, Monash University, Australia（数据科学与人工智能系，信息科技学院，墨尔本大学，澳大利亚） ； Monash Energy Institute, Monash University, Australia（墨尔本能源研究所，墨尔本大学，澳大利亚） 纠错

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

AI总结 本文提出一种基于纳什博弈解的多智能体深度确定性策略梯度（Nash-MADDPG）方法，用于车对车能源交易中的激励对齐，提升了社会福利和交易量，并在公平性方面取得了显著改进。

Comments The 24th IEEE International Conference on Industrial Informatics, 2026

Federated Single-Agent Robotics: Multi-Robot Coordination Without Intra-Robot Multi-Agent Fragmentation

联邦单体机器人：多机器人协调无需机器人内部多代理碎片化

Xue Qin, Simin Luan, John See, Cong Yang, Zhijun Li

机构 * School of Software, Harbin Institute of Technology（哈尔滨工业大学软件学院） ； School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院） ； School of Mathematical and Computer Sciences, Heriot-Watt University, Malaysia Campus（赫瑞-沃顿大学马来西亚校区数学与计算机科学学院） ； School of Future Science and Engineering, Soochow University（苏州大学未来科学与工程学院） 纠错

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

AI总结 本文提出了一种联邦单体机器人（FSAR）架构，通过在单体机器人运行时基础上实现多机器人协调，避免了机器人内部的多代理碎片化，提升了协调效率和恢复能力。

Comments 30 pages, 10 figures, 9 tables. Code: https://github.com/s20sc/fsar-fleet-coordination

FuzzingBrain V2: A Multi-Agent LLM System for Automated Vulnerability Discovery and Reproduction

FuzzingBrain V2: 一个用于自动化漏洞发现与重现的多智能体LLM系统

Ze Sheng, Zhicheng Chen, Qingxiao Xu, Kewen Zhu, Jeff Huang

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

AI总结 本文提出FuzzingBrain V2，通过多智能体系统解决LLM在漏洞检测中的三大挑战：自动化分析、精准定位与复杂依赖推理，实现了90%的检测率并发现29个零日漏洞。

AutoMCU: Feasibility-First MCU Neural Network Customization via LLM-based Multi-Agent Systems

AutoMCU: 通过基于LLM的多智能体系统实现面向MCU的神经网络定制化

Penglin Dai, Zijie Zhou, Xincao Xu, Junhua Wang, Xiao Wu, Lixin Duan

机构 * School of Computing and Artificial Intelligence, Southwest Jiaotong University（计算机与人工智能学院，西南交通大学） ； Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（深圳先进研究院，电子科技大学） ； School of Computer Science and Engineering, Northeastern University（计算机科学与工程学院，东北大学） 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AutoMCU，一种基于LLM的多智能体系统，用于在MCU约束下实现神经网络的自动化定制化。通过自然语言任务需求和硬件规格，AutoMCU迭代生成结构化架构候选方案，通过供应商工具链反馈过滤不可行设计，在训练前进行筛选，评估可行模型并在受控协议下验证部署可行性。

Self-Evolving Multi-Agent Systems via Decentralized Memory

通过去中心化记忆实现自演化多智能体系统

Guangya Hao, Yunbo Long, Zhuokai Zhao

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

AI总结 本文提出DecentMem，一种去中心化的记忆框架，通过每个智能体维护两个记忆池来提升多智能体系统的性能，理论证明其能保证解空间的全局可达性并达到O(log T)的累积遗憾，实验显示在多个框架和基准测试中，DecentMem在准确率和资源利用方面均有显著提升。

Diverse Yet Consistent: Context-Guided Diffusion with Energy-Based Joint Refinement for Multi-Agent Motion Prediction

多样且一致：基于能量的联合细化的上下文引导扩散用于多智能体运动预测

Lei Chu, Yuhuan Zhao

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

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

AI总结 本文提出了一种基于扩散的框架，通过利用历史轨迹中的丰富上下文信息来改进多智能体运动预测，通过引导机制增强预测动作的多样性和表达性，并引入基于能量的公式来细化联合轨迹分布，同时保持个体轨迹的合理性，实验表明该方法在多个基准数据集上均优于现有方法。

Comments MEIS-- CVPR

Context-Mediated Domain Adaptation in Multi-Agent Sensemaking Systems

多智能体感知系统中的上下文引导领域适应

Anton Wolter, Leon Haag, Vaishali Dhanoa, Niklas Elmqvist

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

AI总结 本文提出了一种上下文引导的领域适应方法，通过多智能体系统中的用户修改来隐式指定领域知识，从而改进大语言模型驱动的多代理推理行为。

ExComm: Exploration-Stage Communication for Error-Resilient Agentic Test-Time Scaling

ExComm：探索阶段通信用于容错的代理测试时间扩展

Woomin Song, Beomjun Kim, Daewon Choi, Sai Muralidhar Jayanthi, Saket Dingliwal, Jinwoo Shin, Aram Galstyan

机构 * KAIST（韩国科学技术院） ； Amazon AGI（亚马逊人工智能实验室） ； Together AI 纠错

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

AI总结 本文提出ExComm，一种用于探索阶段的代理测试时间扩展通信协议，通过定期审计代理信念状态以检测跨代理事实冲突，并通过专用工具验证循环解决冲突，从而提升测试时间扩展的容错能力。

Heterogeneous Agent Collaborative Reinforcement Learning

异质智能体协作强化学习

Zhixia Zhang, Zixuan Huang, Gongxun Li, Huaiyang Wang, Chengyi Yuan, Xin Xia, Deqing Wang, Fuzhen Zhuang, Shuai Ma, Ning Ding, Yaodong Yang, Jianxin Li, Yikun Ban

机构 * Beihang University（北航） ； Bytedance China（字节跳动中国） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Apple（苹果公司） 纠错

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

AI总结 本文提出了一种新的强化学习从可验证奖励（RLVR）问题HACRL，通过异质智能体共享验证的轨迹实现协同优化，解决了孤立多智能体在线优化的效率问题，并提出HACPO算法以最大化样本利用率和跨智能体知识转移。

X-SYNTH: Beyond Retrieval -- Enterprise Context Synthesis from Observed Digital Human Attention

X-SYNTH：超越检索——从观察到的数字人类注意力中提取企业上下文

Guruprasad Raghavan, George Nychis, Rohan Narayana Murthy

机构 * Workfabric AI 纠错

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

AI总结 本文提出X-SYNTH框架，通过分析数字人类注意力行为模式，解决企业上下文合成问题，其核心方法是基于行为模式的上下文合成，而非传统检索，从而显著提升有效线索率并降低误报率。

Comments 11 pages, 7 figures, 5 tables

Physics-informed digital twin and onboard control of a brainbot for intelligent active matter

具有物理信息的数字双胞胎和脑机器人 onboard 控制用于智能主动物质

Isa Mammadli, Prajol Shrestha, Jayant Pande, Filip Novkoski, Siddhant Mohapatra, Martial Noirhomme, Andreas Maier, Nicolas Vandewalle, Ana-Suncana Smith

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

AI总结 本文提出了一种自主脑机器人，结合物理信息的数字双胞胎和 onboard 控制方法，实现了对主动物质的智能适应性控制，为多智能体研究提供了可扩展的平台。

Beyond Acoustic Emotion Recognition: Multimodal Pathos Analysis in Political Speech Using LLM-Based and Acoustic Emotion Models

超越语音情感识别：利用基于LLM和语音情感模型的政治演讲多模态Pathos分析

Juergen Dietrich

机构 * Democracy Intelligence gGmbH（民主智能有限责任公司） 纠错

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

AI总结 本文研究了语音情感识别模型是否能作为政治演讲分析中Pathos维度的代理，通过TRUST多智能体大语言模型（LLM）管道进行操作。使用德国议会全体会议中Felix Banaszak的演讲作为案例研究，比较了三种分析模式：(1) emotion2vec_plus_large，一个通过后验Russell Circumplex投影得到连续唤醒度和估值的语音情感识别（SER）模型；(2) Gemini 2.5 Flash，一个分析完整演讲音频及其转录文本的LLM，以开放和上下文感知的方式进行；(3) TRUST-Pathos分数，来自三个倡导者LLM监督集合。斯皮尔曼等级相关性显示，Gemini估值与TRUST-Pathos高度相关（rho = +0.664，p < 0.001），而emotion2vec估值不相关（rho = +0.097，p = 0.499）。我们进一步通过系统评估柏林情感语音数据库（EMO-DB）使用Gemini在开放注释范式下，证明标准SER基准语料库存在表演性演讲、文化偏见和类别不兼容性。我们的结果表明，基于LLM的多模态分析在捕捉语义定义的政治情感方面比单独的语音模型更有效，而语音特征仍对低层次唤醒度估计有帮助。未来的工作将扩展这种方法到视频分析中，结合面部表情和眼神。

Comments 13 pages, 1 figure

Sibyl-AutoResearch: Autonomous Research Needs Self-Evolving Trial-and-Error Harnesses, Not Paper Generators

Sibyl-AutoResearch：自主研究需要自我进化的试验与错误机制，而非论文生成器

Chengcheng Wang, Qinhua Xie, Wei He, Jianyuan Guo, Shiqi Wang, Chang Xu

机构 * University of Sydney（悉尼大学） ； East China Normal University（华东师范大学） ； TokenRhythm AI ； City University of Hong Kong（香港城市大学） 纠错

专题命中 多智能体 ：planning(abstract)；workflow(abstract)；分类 cs.AI、cs.SE

AI总结 本文提出Sibyl-AutoResearch框架，通过自我进化的方法改进自主研究系统，解决现有系统在试验经验积累方面的不足，通过可审计的转换单元实现试验到行为和试验到机制行为的转换，从而提高自主研究系统的可靠性。

LACO: Adaptive Latent Communication for Collaborative Driving

LACO：适应性潜在通信用于协同驾驶

Tianhao Chen, Yuheng Wu, Dongman Lee

机构 * Korea Advanced Institute of Science & Technology（韩国科学技术院） 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LACO，一种无需训练的潜在通信范式，通过迭代潜在推理、跨时间显著性归因和结构化语义知识蒸馏，解决协同驾驶中潜在通信的延迟和信息丢失问题，实验证明其在降低通信和推理延迟的同时保持了强大的协同驾驶性能。

Joint Communication and Computation Scheduling for MEC-enabled AIGC Services: A Game-Theoretic Stochastic Learning Approach

面向MEC的AIGC服务联合通信与计算调度：一种博弈论随机学习方法

Huaizhe Liu, Xinyi Zhuang, Jiaqi Wu, Yuan Luo, Bin Cao, Lin Gao

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

AI总结 本文提出了一种基于博弈论的随机学习方法，用于解决MEC赋能的AIGC服务中的联合通信与计算调度问题，通过分布式多智能体随机学习算法实现纳什均衡的高效收敛，从而降低服务完成时间并满足准确性约束。

Comments This manuscript is the online technical report for the paper published on IEEE Internet of Things Journal, 2026

Distributed Seeking for Fixed Points of Biased Stochastic Operators: A Communication-Efficient Approach

分布式寻找偏置随机算子的固定点：一种通信高效的方法

Fan Li, Lei Xu, Xinlei Yi, Guanghui Wen, Yang Shi, Tao Yang

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

AI总结 本文研究了多智能体网络上可和性随机算子的分布式固定点寻找问题，提出了一种在放松增长偏置和方差条件下基于近似Krasnosel'ski\uı--Mann迭代的通信高效分布式算法，通过整合通信压缩和动态周期跳过技术，建立了分布式固定点迭代的收敛性保证，实现了与分布式非凸优化算法的理论统一。

Auction-Consensus Algorithm with Learned Bidding Scheme for Multi-Robot Systems

带有学习出价方案的拍卖-共识算法用于多机器人系统

Jose Rodriguez, Constantine Tarawneh, Sven Koenig, Wenjie Dong, Qi Lu

机构 * Department of Electrical and Computer Engineering, The University of Texas at Rio Grande Valley (UTRGV)（德克萨斯理工大学里奥格兰德谷分校电子与计算机工程系） ； Department of Mechanical Engineering, UTRGV（UTRGV机械工程系） ； Department of Computer Science, Donald Bren School of Information and Computer Sciences, University of California, Irvine（加州大学尔湾分校计算机科学系） ； Department of Computer Science, UTRGV（UTRGV计算机科学系） 纠错

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

AI总结 本文提出了一种学习增强的拍卖-共识框架，通过强化学习训练神经出价策略来改进多机器人系统的任务分配，保留了传统的拍卖和共识阶段以实现去中心化协调。

Comments The 23rd International Conference on Ubiquitous Robots, 9 figures, 6 pages

Return Probability for the Switch--Walk--Switch Lamplighter Walk on a Regular Tree

正则树上开关行走的返回概率

Chenyang An, Minghao Pan

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

AI总结 研究正则树上开关行走的返回概率渐进行为，通过数学方法推导出精确的渐近公式，并展示AI系统生成严格数学证明的能力。

Decentralized Inexact Cubic Newton Method with Consensus Procedure

去中心化近似三次牛顿法与共识过程

Artem Agafonov, Anton Novitskii, Alexander Rogozin, Yury Sokolov, Dmitry Kamzolov, Alexander Dyakonov, Martin Takáč, Alexander Gasnikov

专题命中 多智能体 ：agent(abstract)

AI总结 本文研究了去中心化的二次优化问题，提出了一种适用于凸优化的去中心化三次牛顿方法，并开发了能够准确跟踪共识和局部迭代不一致性的理论。该方法在L1梯度光滑性和L2Hessian Lipschitz连续性假设下，与精确三次牛顿方法具有相同的迭代复杂度，并通过额外的多项式对数通信轮次开销达到所需的共识精度。此外，还提出了适用于强凸目标的加速去中心化三次牛顿方法，其迭代复杂度与精确加速三次牛顿方法一致。最后，尽管通用方法需要交换完整的d×dHessian矩阵，但通过仅传输向量的方式实现了在高维情况下更实用的实现。

Distributed Multi-Coverage for Robot Swarms

机器人群的分布式多覆盖

Mariem Guitouni, Aaron T. Becker

机构 * University of Houston（德克萨斯大学休斯顿分校） 纠错

专题命中 多智能体 ：planning(abstract)

AI总结 本文提出了一种分布式多覆盖算法，用于解决机器人群在局部感知、局部通信和无全局协调的情况下，维持关键资产可靠覆盖的问题，同时应对机器人故障等约束条件。

Comments Accepted at ANTS 2026 (International Conference on Swarm Intelligence), published by Springer Nature