AI Agent

Decomposing Financial Market Dynamics via Mechanism Analysis in an Evolutionary Multi-Agent Simulation

通过演化多智能体模拟中的机制分析分解金融市场动态

Zhibao Chen

机构 * Zhibao Chen（陈志宝） 纠错

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

AI总结 通过可插拔机制实验，发现选择、微观结构、行为和共识网络分别控制多样性、真实性、脆弱性，近似解耦。

Comments 6 pages, 2 figures

Holmes: Multimodal Agentic Diagnosis for Mixed-Language Mobile Crashes at Industrial Scale

Holmes: 工业级混合语言移动崩溃的多模态智能诊断

Jia Li, Wenyuan Ma, Ting Peng, Haibin Zheng, Yuetang Deng

机构 * The Chinese University of Hong Kong（香港中文大学） ； Tencent Inc.（腾讯公司） 纠错

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

AI总结 提出多智能体系统Holmes，通过多模态运行时信号合成重构崩溃上下文，采用层次化检索-探索-推理架构，在70M行代码中实现87.6%函数级定位准确率，将平均排查时间降低98%至约77秒。

Comments Accepted at FSE'26 Industry Track

GRADE: Graph Representation of LLM Agent Dependency and Execution

GRADE: LLM智能体依赖与执行的图表示

Yue 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)；tool use(abstract)；multi-agent(abstract)；分类 cs.LG

AI总结 提出GRADE，将LLM智能体的运行建模为具有执行边和依赖边的图，依赖边通过分级推断，在多个数据集上优于运行规模指标，并可用于故障定位。

Comments 18 pages, 5 figures, 8 tables. Code: https://github.com/yzhao062/grade

Grounded Scaling: Why Agentic AI Needs Deterministic Environments

Grounded Scaling: 为什么代理型AI需要确定性环境

Liang Ding, Xintong Wang

机构 * Alibaba Group（阿里巴巴集团） 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 本文论证环境确定性是影响长链代理任务成功的关键因素，提出确定性-效率界限、验证者-古德哈特下限等理论，并构建供应确定性指数和确定性成熟度模型。

AutoRAS: Learning Robust Agentic Systems with Primitive Representations

AutoRAS: 学习具有原始表示的鲁棒智能系统

Yang Yue, Xuancheng Zhu, Yuyang Ma, Guoshun Nan, Zihan Dou, Jingru Shan, Congyu Guo, Ji Zhang, Hua Wang, Jingfeng Zhang

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Guangxi Transportation Science and Technology Group Co., Ltd.（广西交通科技集团有限公司） ； Fudan University（复旦大学） 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 提出AutoRAS框架，通过生成符号原始序列并利用执行安全信号和流式序列级目标优化，自动设计鲁棒智能系统，在正常和对抗设置下均表现最佳。

Comments Accepted by ICML2026

SwarmX: Agentic Scheduling for Low-Latency Agentic Systems

SwarmX: 面向低延迟智能体系统的智能调度

Yeqi Huang, Yanwei Ye, Guomin Chen, Wenhao Su, Bin Gong, Jialian Li, Zhan Lu, Yangshen Deng, Xuan Sun, Le Xu, Luo Mai

机构 * University of Edinburgh（爱丁堡大学） ； Tencent（腾讯） 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 提出SwarmX系统，通过调度专用神经预测器捕获提示、设备、运行时和目标模型特征，结合路由器与缩放器实现尾延迟感知决策，在近千GPU和百万CPU核的生产部署中，相比现有调度器将尾延迟降低61.5%，吞吐量提升2倍。

Comments 14 pages

AXE: Grey-Box Exploitability Confirmation for Localized Vulnerability Reports

AXE：针对局部漏洞报告的灰盒可利用性确认

Amirali Sajadi, Tu Nguyen, Kostadin Damevski, Preetha Chatterjee

机构 * Virginia Commonwealth University（弗吉尼亚 Commonwealth 大学） 纠错

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

AI总结 提出多智能体框架AXE，利用CWE分类和代码位置等轻量级元数据，通过解耦规划、代码探索和动态执行反馈实现Web漏洞利用，在CVE-Bench上达到30%成功率，比黑盒基线提升3倍。

Collaborative Human-Agent Protocol (CHAP)

协作式人机协议 (CHAP)

Arsalan Shahid, Gordon Suttie, Philip Black

机构 * Brightbeam AI 纠错

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

AI总结 提出CHAP协议，通过结构化事件记录（差异、理由、哈希）和可组合配置文件，解决多人类多智能体协作中人类判断信号丢失的问题。

Towards Adaptive Categories: Dimensional Governance for Agentic AI

迈向自适应分类：面向智能体AI的维度治理

Zeynep Engin, David Hand

机构 * The Digital Statecraft Academy（数字国家学府） ； Department of Computer Science, University College London (UCL)（伦敦大学学院计算机系） ； Department of Mathematics, Imperial College London（伦敦帝国学院数学系） 纠错

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

AI总结 提出维度治理框架，通过追踪决策权、过程自主性和问责制（3A）的动态分布，实现自适应分类，以应对传统分类框架在动态AI系统中的不足。

Comments 12 pages core text, 15 pages including references, 2 figures

Decentralized Autonomous Traffic Management through Corridor Networks

通过走廊网络的去中心化自主交通管理

Jasmine Jerry Aloor, Aadarsh Govada, Hamsa Balakrishnan

机构 * Department of Aeronautics and Astronautics（航空航天系） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Maryland（马里兰大学） 纠错

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

AI总结 针对高密度自主航空交通，提出基于多智能体强化学习的去中心化走廊网络交通流管理方法，零样本迁移至复杂网络，无需集中协调或重训练。

Comments Presented at the Second US-Europe Air Transportation Research and Development Symposium (ATRDS2026)

PaperClaw: Harnessing Agents for Autonomous Research and Human-in-the-Loop Refinement

PaperClaw：利用智能体实现自主研究与人在回路精炼

Weiwei Ye, Hangchen Liu, Dongyuan Li, Renhe Jiang

机构 * Open scholarly indexes（开放学术索引） ； Priem et al.（Priem 等） ； Lo et al.（Lo 等） ； Si et al.（Si 等） ； Baek et al.（Baek 等） ； Wang et al.（Wang 等） ； Yang et al.（Yang 等） ； Wei et al.（Wei 等） ； Yao et al.（Yao 等） ； Shinn et al.（Shinn 等） ； Madaan et al.（Madaan 等） ； Packer et al.（Packer 等） ； Park et al.（Park 等） ； Zhong et al.（Zhong 等） ； Huang et al.（Huang 等） ； Ji et al.（Ji 等） ； Min et al.（Min 等） 纠错

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

AI总结 提出PAPERCLAW多智能体系统，从研究领域到论文完成全自主，支持人在回路精炼，通过迭代假设验证生成可检验论文。

FairTutor: Equity-Aware Pedagogical LLM Routing for Budget-Constrained AI Tutoring

FairTutor: 预算受限AI辅导中的公平感知教学LLM路由

Qingyang Xu

机构 * Independent researcher, Shanghai, China（独立研究者，上海，中国） 纠错

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

AI总结 提出FairTutor框架，通过教学驱动的多智能体编排实现成本效益AI辅导，在降低71.6%服务成本的同时达到97.1%的优质教学质量，并引入AIED优势差距指标衡量公平性。

Comments AI for Education Day at SIGKDD 2026, 14 pages, 2 figures

AI Scientists as Engines of Discovery: A Case for Development within Reformed Institutions

作为发现引擎的AI科学家：在改革机构内发展的案例

Raul Jimenez, Boris Bolliet, Francisco Villaescusa-Navarro, Rabih Zbib, Benjamin Wandelt, David N. Spergel, Thomas Meier, Jessica Montgomery, Hana Aliee, Licia Verde

机构 * Institute of Cosmos Sciences (ICCUB), University of Barcelona（巴塞罗那大学宇宙科学研究所） ； ICREA ； Cavendish Astrophysics, University of Cambridge（剑桥大学卡文迪什天体物理学） ； Kavli Institute for Cosmology, University of Cambridge（剑桥大学卡维里宇宙学研究所） ； Center for Computational Astrophysics, Flatiron Institute（弗拉蒂隆研究所计算天体物理中心） ； Department of Astrophysical Sciences, Princeton University（普林斯顿大学天体物理科学系） ； Avature ； Department of Physics and Astronomy, Johns Hopkins University（约翰霍普金斯大学物理与天文学系） ； Department of Applied Mathematics and Statistics, Johns Hopkins University（约翰霍普金斯大学应用数学与统计学系） ； Flatiron Institute（弗拉蒂隆研究所） ； Munich Center for Machine Learning, LMU Munich（慕尼黑大学慕尼黑机器学习中心） ； Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系） ； School of Clinical Medicine, University of Cambridge（剑桥大学临床医学院） 纠错

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

AI总结 本文论证多智能体AI系统将从被动工具进化为“AI科学家”，通过原型框架Denario加速发现周期，并提出机构需为验证、问责、可解释性和双重用途安全进行改革。

A Greatest Common Divisor Criterion of Certain Binomial Coefficients

某些二项式系数的最大公约数判据

Dakai Guo, Ruichen Qiu, Yichuan Cao, Ruyong Feng, Xiao-Shan Gao

专题命中 多智能体 ：agent(abstract,abstract_cn)；AI agent(abstract)

AI总结 证明OEIS A080170中的二项式系数最大公约数判据，该判据等价于n/P > P，其中n=k+1，P是整除n的最大素幂。

Comments 13 pages

Mind the Noise: Sensitivity of Transformer-based Interaction-Aware Trajectory Prediction Models to Noisy Data

注意噪声：基于Transformer的交互感知轨迹预测模型对噪声数据的敏感性

Shahab Salehi, Luca Lusvarghi, Miguel Sepulcre, Javier Gozalvez

机构 * Networked Systems Lab, Universidad Miguel Hernandez de Elche（网络系统实验室，米格尔·洪德斯大学） 纠错

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

AI总结 研究基于Transformer的交互感知轨迹预测模型在噪声数据下的性能退化，发现预测精度在低噪声下降低1.3倍，高噪声下降低3.9倍，强调需要更真实的训练数据和噪声缓解策略。

Sim2O: Efficient Offline-to-Online MARL via Joint Action Composition

Sim2O: 通过联合动作组合实现高效的离线到在线多智能体强化学习

Bingchang Song, Yiqin Yang

机构 * Department of Computer Science and Engineering, Washington University in St. Louis（圣路易斯华盛顿大学计算机科学与工程系） ； The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences, Beijing, China（中国科学院自动化研究所复杂系统认知与决策智能重点实验室） 纠错

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

AI总结 提出Sim2O框架，通过动态混合离线与在线动作提案并利用集中式价值函数评估组合，实现高效的多智能体离线到在线适应，无需辅助训练目标。

A Topology-Aware, Memory-Centric Architecture that Separates Root-Cause Derivation from Root-Cause Explanation

一种拓扑感知、以记忆为中心的架构，将根本原因推导与根本原因解释分离

Momil Seedat

机构 * Independent Research Prototype（独立研究原型） 纠错

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

AI总结 提出OPS CORTEX多智能体原型，通过四层操作记忆分离根本原因推导（基于依赖图与阈值时序）与解释（LLM），解决微服务故障诊断中上下文丢失问题。

DeALOG: Decentralized Multi-Agents Log-Mediated Reasoning Framework

DeALOG: 去中心化多智能体日志中介推理框架

Abhijit Chakraborty, Ashish Raj Shekhar, Shiven Agarwal, Vivek Gupta

机构 * Arizona State University（亚利桑那州立大学） 纠错

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

AI总结 提出去中心化多智能体框架DeALOG，通过共享自然语言日志实现多模态问答，各专业智能体协作检测和验证错误，无需中央控制，提升鲁棒性。

SIMSplat: Language-Aligned 4D Gaussian Splatting for Driving Scenario Generation

SIMSplat: 面向驾驶场景生成的语言对齐4D高斯泼溅

Sung-Yeon Park, Adam Lee, Juanwu Lu, Can Cui, Luyang Jiang, Rohit Gupta, Kyungtae Han, Ahmadreza Moradipari, Ziran Wang

机构 * Purdue University（普渡大学） ； University of California, Berkeley（加州大学伯克利分校） ； Toyota InfoTech Labs（丰田信息科技实验室） 纠错

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

AI总结 提出SIMSplat，一种基于场景图的4D高斯泼溅框架，通过嵌入语言对齐特征实现自由文本查询、对象级编辑和多智能体仿真，在驾驶场景生成中显著提升定位精度和任务完成率。

Stationary Robust Mean-Field Games under Model Mismatches

模型失配下的平稳鲁棒平均场博弈

Yue Wang

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； University of Central Florida（中央佛罗里达大学） 纠错

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

AI总结 针对多智能体强化学习中训练与真实环境的模型失配问题，提出基于分布鲁棒的无限时域平稳平均场博弈框架，证明均衡存在性并给出首个收敛算法，建立有限种群近似均衡的误差界。

Comments Accepted by UAI 2026

Whistleblowing and the machine -- towards a considered position

告密与机器——迈向一个深思熟虑的立场

Marija Slavkovik, Liuwen Yu, Leon van der Torre, Reka Markovich

机构 * University of Bergen（卑尔根大学） ； University of Luxembourg（卢森堡大学） 纠错

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

AI总结 探讨人工智能体与自主系统在数字多智能体环境中的告密行为，主张机器告密应基于现有社会告密理论，并呼吁政府监管机构制定明确立场。

Comments Presented at AAMAS-26 Workshop on Rebellion and Disobedience in AI, see https://sites.google.com/view/rad-ai/rad-ai/cfp?authuser=0

A Gated Graph Neural Network Approach to Fast-Convergent Dynamic Average Estimation

一种面向快速收敛动态平均估计的门控图神经网络方法

Antonio Marino, Claudio Pacchierotti, Paolo Robuffo Giordano

机构 * Universitè de Rennes, CNRS, Inria, IRISA（雷恩大学，法国国家科学研究中心，法国国家信息与自动化研究所，雷恩计算机科学研究所） ； CNRS（法国国家科学研究中心） 纠错

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

AI总结 提出基于门控图神经网络的分布式动态平均估计方法，通过建模为分布式自回归器实现快速收敛，并引入正则化和编解码机制提升性能。

Comments 18 pages

Journal ref J. ACM 16, 3, Article 68 (May 2025), 18 pages (2025)

AInterviewer: A Platform for Designing and Conducting AI-led Qualitative Interviews

AInterviewer：一个用于设计和进行AI主导的定性访谈的平台

Tobias Priesholm Gardhus, Nikolas Vitsakis, Fie Lejre Frederiksen, Anna Rogers, Hjalmar Bang Carlsen

机构 * University of Copenhagen（哥本哈根大学） ； IT University of Copenhagen（哥本哈根IT大学） 纠错

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

AI总结 提出AInterviewer平台，通过多智能体管道结合调查软件的标准化与LLM的灵活性，实现可复现、安全、透明的AI主导定性访谈。

DUET: Decentralized Bilevel Optimization without Lower-Level Strong Convexity

DUET: 无需下层强凸性的去中心化双层优化

Zhen Qin, Zhuqing Liu, Songtao Lu, Yingbin Liang, Jia Liu

机构 * Department of Electrical and Computer Engineering, The Ohio State University（俄亥俄州立大学电气与计算机工程系） ； Department of Computer Science and Engineering, University of North Texas（北卡罗来纳州立大学计算机科学与工程系） ； Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系） 纠错

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

AI总结 针对去中心化双层优化中下层强凸性限制，提出单循环算法DUET，通过引入递减二次正则化消除该假设，并利用梯度跟踪处理数据异质性，实现近似KKT稳定点收敛。

Comments Published as a conference paper at ICLR 2025

Journal ref Published as a conference paper at ICLR 2025

Artificial collectives of specialists and generalists excel at different tasks

专家与通才的人工集体在不同任务中表现出色

John Meluso, Laurent Hébert-Dufresne, Christoph Riedl, H. Oliver Gao

机构 * Cornell University（康奈尔大学） ； University of Vermont（佛罗里达大学） ； Santa Fe Institute（圣达菲研究所） ； Northeastern University（东北大学） 纠错

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

AI总结 通过优化代理的系统实验，研究代理解释能力、理性边界和任务质量如何影响集体绩效，发现通才集体在生成、选择和协调任务上更优，而专家集体在谈判任务上更优。

Comments 10 pages, 4 figures

An AI Co-Data-Scientist for Prioritizing Candidate Biomarkers from Wearable Sensor Data

AI协同数据科学家：从可穿戴传感器数据中优先筛选候选生物标志物

Yubin Kim, Salman Rahman, Samuel Schmidgall, Chunjong Park, A. Ali Heydari, Ahmed A. Metwally, Hong Yu, Xin Liu, Xuhai Xu, Yuzhe Yang, Hyeonhoon Lee, Hyewon Jeong, Kyungho Lim, MingYu Lu, Dongjae Lee, Theodora Pappa, Hanseul Cho, Maxwell A. Xu, Zhihan Zhang, Cynthia Breazeal, Tim Althoff, Petar Sirkovic, Ivor Rendulic, Annalisa Pawlosky, Nicolas Stroppa, Juraj Gottweis, Elahe Vedadi, Alan Karthikesalingam, Pushmeet Kohli, Mark Malhotra, Shwetak Patel, Samir Tulebaev, Hae Won Park, Vivek Natarajan, Hamid Palangi, Daniel McDuff

机构 * Google Research（谷歌研究） ； Massachusetts Institute of Technology（麻省理工学院） ； Google DeepMind（谷歌DeepMind） ； Seoul National University Hospital（首尔国立大学医院） ； Yonsei University College of Medicine（延世大学医学院） ； University of Washington（华盛顿大学） ； Korea University Guro Hospital（韩国大学Guro医院） ； Mass General Brigham（麻省总医院） ； Brigham and Women’s Hospital（哈佛医学院布莱尔妇女医院） ； Google Cloud AI（谷歌云AI） 纠错

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

AI总结 提出CoDaS系统，集成多智能体假设生成、统计分析和对抗验证，从可穿戴数据中优先筛选心理健康和代谢终点相关候选生物标志物，经临床验证与专家判断一致。

Evolving Many Worlds: Towards Open-Ended Discovery in Petri Dish NCA via Population-Based Training

演化多重世界：通过基于种群的训练在 Petri 培养皿 NCA 中实现开放式发现

Uljad Berdica, Jakob Foerster, Frank Hutter, Arber Zela

机构 * FLAIR, University of Oxford（奥克斯大学FLAIR实验室） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； University of Freiburg（弗赖堡大学） ； Prior Labs（Prior实验室） ； EPFL（瑞士联邦理工学院洛桑分校） 纠错

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

AI总结 提出 PBT-NCA 元进化算法，通过复合目标（历史行为新颖性与当代视觉多样性）演化 Petri 培养皿神经细胞自动机种群，自发产生持续涌现的生命现象，实现开放式演化。

Comments 10 pages, 12 figures

United Minds or Isolated Agents? Exploring Coordination of LLMs under Cognitive Load Theory

统一思维还是孤立代理？探索认知负荷理论下LLM的协调

HaoYang Shang, Xuan Liu, Zi Liang, Jie Zhang, Haibo Hu, Song Guo

机构 * Hong Kong University of Science and Technology（香港科技大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 受认知负荷理论启发，提出CoThinker多智能体框架，通过智能体分工和结构化通信降低认知负荷，在复杂推理任务上提升性能，但在低负荷任务上协调开销占优。

Group Selection Promotes Prosocial Prompts in Populations of LLM Agents

群体选择促进LLM智能体群体中的亲社会提示

Luis Celiktemel, Edward Eichhorn, Levin Brinkmann, Robin Schimmelpfennig, Aron Vallinder, Yaomin Jiang, Edward Hughes, Iyad Rahwan

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

AI总结 研究通过多智能体模拟框架，发现群体选择机制能促进LLM智能体群体中的亲社会提示演化，稳定合作行为，而个体选择则导致集体背叛。

Comments 23 pages, 6 figures

Robust Data-Driven Nash Equilibrium Seeking under Partial-Decision Information

部分决策信息下鲁棒数据驱动纳什均衡求解

Linqi Wang, Yifei Li, Wenjie Liu, Yuzhou Wei, Gang Wang, Lihua Xie

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

AI总结 针对受外生扰动的未知线性多智能体系统，提出一种结合纳什均衡模型、分布式通信协议、内模扰动抑制和数据驱动稳定策略的框架，通过半定规划直接从含噪输入-状态数据合成控制器，实现闭环稳定和渐近收敛到纳什均衡。