AI Agent

BioProVLA-Agent: An Affordable, Protocol-Driven, Vision-Enhanced VLA-Enabled Embodied Multi-Agent System with Closed-Loop-Capable Reasoning for Biological Laboratory Manipulation

BioProVLA-Agent：一种经济实惠、基于协议、视觉增强的VLA启用的具身多智能体系统，具备闭环推理能力，用于生物实验室操作

Zhaohui Du, Zhe Wang, Dongzhan Zhou, Minting Pan, Hongmei Fei, Xiwen Cao, Ting Xiao, Qi Wang, Huanbo Jin, Jiaming Gu, Quan Lu, Zhe Liu

机构 * Key Laboratory of Smart Manufacturing in Energy Chemical Process Ministry of Education, East China University of Science and Technology, Shanghai, CN（能源化工过程智能制造教育部重点实验室，东华大学，上海，中国） ； Department of Computer Science and Engineering, East China University of Science and Technology, Shanghai, CN（东华大学计算机科学与工程系，上海，中国） ； Department of Laboratory Medicine, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, CN（复旦大学附属瑞金医院检验医学科，上海，中国） ； School of Information Science and Technology, Shihezi University, Shihezi, CN（石河子大学信息科学与技术学院，石河子，中国） 纠错

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

AI总结 本文提出BioProVLA-Agent，通过协议驱动和视觉增强，实现生物实验室操作中的具身多智能体系统，具备闭环推理能力，提升在湿实验室环境中的执行稳定性。

Comments 17 pages, 10 figures

Agentic SABRE: An Uncertainty-Aware Neuro-Symbolic Multi-Agent Framework for Adaptive Ransomware Detection

智能SABRE：一种用于自适应勒索软件检测的不确定性感知神经符号多智能体框架

Henry Kabuye, Biju Issac, Jeyamohan Neera

机构 * School of Computer Science, Northumbria University（诺森比亚大学计算机科学学院） 纠错

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

AI总结 针对勒索软件检测难题，提出智能SABRE框架，融合语义与行为证据，用蒙特卡洛随机失活推理量化不确定性，通过决策层编排器及可解释阈值进行风险和不确定性感知分类，还集成事后可解释机制。

Comments 34 pages

GaP: A Graph-as-Policy Multi-Agent Self-Learning Harness For Variational Automation Tasks

GaP：面向变分自动化任务的图即策略多智能体自学习框架

Kaiyuan Chen, Shuangyu Xie, Letian Fu, Justin Yu, William Pacini, Sandeep Bajamahal, Hudson Kim, Jaimyn Drake, Daehwa Kim, Haoru Xue, Jonathan Francis, Christian Juette, Peter Schaldenbrand, Muhammet Yunus Seker, Ruwan Wickramarachchi, Uksang Yoo, Guanzhi Wang, Adithyavairavan Murali, Balakumar Sundaralingam, S. Shankar Sastry, Spencer Huang, Yuke Zhu, Linxi "Jim" Fan, Ken Goldberg

机构 * University of California, Berkeley（加利福尼亚大学伯克利分校） ； NVIDIA（英伟达） ； Carnegie Mellon University（卡内基梅隆大学） ； Bosch（博世） 纠错

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

AI总结 针对变分自动化任务无模型策略可靠性不足问题，提出图即策略多智能体编码框架GaP，通过生成计算图并行迭代优化，在虚实8项基准上表现远超基线。

LectūraAgents: A Multi-Agent Framework for Adaptive Personalized AI-Assisted Learning and Embodied Teaching

LectūraAgents：面向自适应个性化AI辅助学习与具身教学的多智能体框架

Jaward Sesay, Yue Yu, Siwei Dong, Börje F. Karlsson

机构 * Beijing Institute of Technology（北京理工大学） ； Peking University（北京大学） ； Cornell University（康奈尔大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

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

AI总结 提出LectūraAgents多智能体框架，通过层次化架构和自适应具身教学机制（如手势、高亮等）实现端到端个性化学习，并设计教学动作-语音对齐算法提升连贯性，在多个课程级别上优于现有方法。

Comments LecturaAgents TR

Self-Supervised Goal-Reaching Results in Multi-Agent Cooperation and Exploration

自我监督的目标达成促成多智能体合作与探索

Chirayu Nimonkar, Shlok Shah, Catherine Ji, Benjamin Eysenbach

机构 * Princeton University（普林斯顿大学） 纠错

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

AI总结 研究多智能体有效协调探索所需最少要素，通过自我监督目标达成，以访问目标状态可能性最大化代替奖励最大化，实证表明该方法在多智能体基准测试中表现优且更稳健。

Comments Project website with code and videos: https://chirayu-n.github.io/gcmarl

Seven Security Challenges in Cross-domain Multi-agent LLM Systems

跨域多智能体LLM系统中必须解决的七个安全挑战

Ronny Ko, Jiseong Jeong, Shuyuan Zheng, Chuan Xiao, Tae-Wan Kim, Makoto Onizuka, Won-Yong Shin

机构 * Osaka University（大阪大学） ； Seoul National University（首尔大学） ； Yonsei University（延世大学） 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 本文针对跨域多智能体LLM系统，提出七类新型安全挑战，包括攻击示例、评估指标和未来研究方向。

Journal ref npj AI(2026)

Conflict-Based Search for Multi-Agent Path Finding with Elevators

基于冲突搜索的带电梯多智能体路径规划

Haitong He, Xuemian Wu, Shizhe Zhao, Zhongqiang Ren

机构 * Global College, Shanghai Jiao Tong University, China（上海交通大学全球学院） ； Harbin Institute of Technology, China（哈尔滨工业大学） 纠错

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

AI总结 研究带电梯多智能体路径规划（MAPF-E）问题，核心方法是冲突搜索，主要贡献为找到多智能体从起点到不同楼层目标点的无冲突路径，考虑电梯使用及规划中复杂交互。

DrugAgent: Reliable Multi-Agent Integration of Conflicting Biomedical Evidence for Drug-Target Interaction Assessment

DrugAgent：用于药物-靶点相互作用评估的冲突生物医学证据的可靠多智能体整合

Yoshitaka Inoue, Tianci Song, Xinling Wang, Rui Kuang, Tianfan Fu, Augustin Luna

机构 * Department of Computer Science and Engineering, University of Minnesota（计算机科学与工程系，明尼苏达大学） ； Computational Biology Branch, National Library of Medicine（国家医学图书馆计算生物学分支） ； Khoury College of Computer Sciences, Northeastern University（东北大学计算机科学学院） ； State Key Laboratory for Novel Software Technology at Nanjing University, School of Computer Science, Nanjing University（南京大学新型软件技术国家重点实验室，南京大学计算机科学学院） ； Developmental Therapeutics Branch, National Cancer Institute（国家癌症研究所发育治疗分支） 纠错

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

AI总结 研究药物-靶点相互作用评估中整合异构数据问题，核心方法是基于大语言模型的多智能体系统DrugAgent，贡献是能进行异构证据支持的DTI评估，补充独立DTI预测，还提供相关策略。

Agent4cs: A Multi-agent System for Code Summarization in Large Hierarchical Codebases

Agent4cs：面向大型分层代码库的代码摘要多智能体系统

Yongjian Tang, Ezgi Sarikayak, Doruk Tuncel, Jie M. Zhang, Thomas Runkler

机构 * Siemens AG（西门子股份公司） ； Technical University of Munich（慕尼黑工业大学） ； Kings College London（伦敦国王学院） 纠错

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

AI总结 提出多智能体框架Agent4cs，通过自底向上方式对大型代码库进行摘要，包含摘要、关键词提取和质量保证三个智能体，在语义一致性和关键词覆盖率上分别提升8%和38%。

Comments Accepted to the main track of the 23rd European Conference on Multi-Agent Systems (EUMAS 2026)

Relational Multi-Agent Reinforcement Learning for Dynamic Pricing in High-Speed Railway Markets

面向高速铁路市场动态定价的关系型多智能体强化学习

Enrique Adrian Villarrubia-Martin, David Muñoz-Valero, Luis Rodriguez-Benitez, Giovanni Montana, Luis Jimenez-Linares

机构 * Department of Technologies and Information Systems, Universidad de Castilla-La Mancha（卡斯蒂利亚-拉曼恰大学技术与信息系统系） ； Warwick Manufacturing Group, University of Warwick（华威大学华威制造集团） 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 针对高铁市场部分可观测、禁直接通信的动态定价难题，提出实体图建模与改进多智能体强化学习算法，较基线方法提升收益与稳定性。

Comments 46 pages, 14 figures

Regime-Conditional Stabilisation of LLM-Augmented Cooperative Multi-Agent Reinforcement Learning

大语言模型增强的合作多智能体强化学习的状态条件稳定化

Faid Keddouri, Sohaib Houhou, Aissa Boulmerka, Nadir Farhi

机构 * National School of Artificial Intelligence (ENSIA)（国立人工智能学院（ENSIA）） ； Cosys-Grettia, Univ Gustave Eiffel（古斯塔夫·埃菲尔大学Cosys-Grettia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 研究大语言模型与合作多智能体强化学习集成时训练动态，指出非策略学习中动态更新奖励权重违反平稳假设。提出基于阶段的冻结计划和指数移动平均平滑两种稳定策略并评估，揭示奖励信号平稳性是必要设计约束。

Council Mode: A Heterogeneous Multi-Agent Consensus Framework for Reducing LLM Hallucination and Bias

理事会模式：一种异质多智能体共识框架，用于减少大语言模型的幻觉和偏见

Shuai Wu, Xue Li, Yanna Feng, Yufang Li, Zhijun Wang, Ran Wang

机构 * Lead Researcher（研究员） ； Research Assistant（研究员） ； Academic Advisor（学术顾问） ； Research Consultant（研究顾问） 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 本文提出理事会模式，通过多智能体共识框架减少LLM的幻觉和偏见，实验显示在HaluEval和TruthfulQA上 hallucination率降低35.9%，质量得分提升10.2个百分点，且在偏见方面表现更优。

Comments 24 pages, 8 figures, 16 tables

Multi-Agent Reinforcement Learning for V2X Resource Allocation: Disentangling MARL Challenges Through Benchmarking

用于车联网资源分配的多智能体强化学习：通过基准测试解开多智能体强化学习挑战

Siyuan Wang, Lei Lei, Pranav Maheshwari, Sam Bellefeuille, Kan Zheng

机构 * College of Engineering, University of Guelph（圭尔夫大学工程学院） ； College of Electrical Engineering and Computer Sciences, Ningbo University（宁波大学电气与电子工程学院） 纠错

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

AI总结 研究将车联网资源分配建模为多智能体干扰博弈层次结构，构建基准学习任务与数据集，评估多种多智能体强化学习算法，揭示不同范式优缺点，为评估算法提供基础。

JaxMARL: Multi-Agent RL Environments and Algorithms in JAX

JaxMARL: JAX中的多智能体强化学习环境与算法

Alexander Rutherford, Benjamin Ellis, Matteo Gallici, Jonathan Cook, Andrei Lupu, Gardar Ingvarsson, Timon Willi, Ravi Hammond, Akbir Khan, Christian Schroeder de Witt, Alexandra Souly, Saptarashmi Bandyopadhyay, Mikayel Samvelyan, Minqi Jiang, Robert Tjarko Lange, Shimon Whiteson, Bruno Lacerda, Nick Hawes, Tim Rocktaschel, Chris Lu, Jakob Nicolaus Foerster

机构 * University of Oxford（牛津大学） ； Universitat Politècnica de Catalunya（巴塞罗那理工大学） ； University College London（伦敦大学学院） ； University of Maryland（马里兰大学） ； Technical University Berlin（柏林技术大学） 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 JaxMARL是首个基于Python的开源库，结合GPU效率支持大量常用多智能体强化学习环境和基线算法，实验显示其训练流程在时间上比现有方法快14倍，多轮训练时快12500倍，缓解了多智能体强化学习领域的评估危机。

Agentic-SecPBFT: Agentic AI-Driven Proactive Security Framework for Wireless PBFT Consensus in Mobile Ad-Hoc Networks

Agentic-SecPBFT：用于移动自组织网络中无线PBFT共识的智能AI驱动主动安全框架

Haoxiang Luo, Yinqiu Liu, Ruichen Zhang, Guangyuan Liu, Gang Sun, Hongfang Yu, Zhu Han, Dong In Kim

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

AI总结 针对移动自组织网络中PBFT协议的安全问题，利用智能AI范式构建多智能体系统，智能体用分层MADQN算法实时学习执行安全策略，提升共识过程完整性，模拟显示其性能良好。

OptiAgent: End-to-End Optimization Modeling via Multi-Agent Iterative Refinement

OptiAgent：基于多智能体迭代精化的端到端优化建模

Adriana Laurindo Monteiro, Nayse Fagundes, Gabriel Mattos Langeloh, Gustavo de Oliveira Kanno, Priscila Louise Aguirre, Thiago Costa Rizuti da Rocha, Victor Leme Beltran

机构 * Instituto de Ciência e Tecnologia do Itaú（伊塔乌科技学院） 纠错

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

AI总结 针对运筹学问题自然语言描述转可求解数学形式与可执行代码的需求，OptiAgent采用多智能体迭代自校正与多回路验证架构，在多数优化任务基准上取得SOTA性能，建模过程可审计。

MMAO-Cls: Metabolic Multi-Agent Optimization for Joint Feature Selection and Classifier Tuning

MMAO-Cls：用于联合特征选择与分类器调优的代谢多智能体优化

Jinliang Xu, Liping Ma

机构 * Beijing, China（北京，中国） ； Department of Disease Control and Prevention, The Seventh Medical Center of Chinese PLA General Hospital（疾病防控部，中国人民解放军第七医疗中心） 纠错

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

AI总结 提出MMAO-Cls，将代谢多智能体优化器用于分类模型选择，通过混合空间编码实现特征选择与超参数调优的联合优化，在保持紧凑特征子集的同时取得有竞争力的测试性能。

AOI: Context-Aware Multi-Agent Operations via Dynamic Scheduling and Hierarchical Memory Compression

AOI：通过动态调度和分层内存压缩实现的上下文感知多智能体操作

Zishan Bai, Hanxuan Chen, Jiayi Gu, Wenqian Weng, Enze Ge, Jiacheng Shi, Yichao Zhang, Zhimo Han, Riyang Bao, Xinyuan Song, Jacqueline Pang, Junfeng Hao

机构 * Columbia University（哥伦比亚大学） ； Hunan University（湖南大学） ； Central University of Finance and Economics（中央财经大学） ； Chongqing University（重庆大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； AI Agent Lab, Vokram Group（Vokram集团人工智能代理实验室） ； College of William and Mary（威廉与玛丽学院） ； University of Texas（得克萨斯大学） ； Zhengzhou University of Light Industry（郑州轻工业大学） ； Emory University（埃默里大学） ； Department of Nephrology, Affiliated Hospital of Guangdong Medical University（广东医科大学附属医院肾病科） 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AOI框架，通过动态任务调度和分层内存压缩，提升复杂IT基础设施的自主运维能力，实现72.4%的上下文压缩和94.2%的任务成功率。

Comments new revision

AgentDynEx: Nudging the Mechanics and Dynamics of Multi-Agent Simulations

AgentDynEx: 调节多智能体模拟的机制与动态

Jenny Ma, Riya Sahni, Karthik Sreedhar, Lydia B. Chilton

机构 * 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

AI总结 AgentDynEx通过配置矩阵和nudging技术帮助设置多智能体模拟，平衡机制与动态，提升模拟复杂性与动态表现。

Comments 40 pages, 9 figures

Explicit Credit Assignment through Local Rewards and Dependence Graphs in Multi-Agent Reinforcement Learning

多智能体强化学习中通过局部奖励和依赖图进行显式信用分配

Bang Giang Le, Viet Cuong Ta

机构 * Human-Machine Interaction Laboratory（人机交互实验室） 纠错

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

AI总结 研究多智能体强化学习中促进合作的方法，结合全局奖励和局部奖励优点，利用智能体交互图更细粒度识别贡献，减轻局部奖励合作问题，实验表明该方法灵活且优于传统设置。

Transformer-Based Multi-Agent Reinforcement Learning for Networked Systems with Long-Range Interactions

基于Transformer的具有长程交互的网络系统多智能体强化学习

Vidur Sinha, Muhammed Ustaomeroglu, Guannan Qu

机构 * Department of Electrical and Computer Engineering, Carnegie Mellon University（电气与计算机工程系，卡内基梅隆大学） 纠错

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

AI总结 研究针对现有多智能体强化学习在处理长程交互及网络泛化性上的局限，提出均值场稳定性分析等，贡献了基于Transformer的STACCA框架，提升了在相关网络控制任务中的性能与泛化性。

Comments 12 pages, 9 figures

Optimal-Agent-Selection: State-Aware Routing Framework for Efficient Multi-Agent Collaboration

最优智能体选择：用于高效多智能体协作的状态感知路由框架

Jingbo Wang, Sendong Zhao, Haochun Wang, Yuzheng Fan, Ting Liu

机构 * Research Center for Social Computing and Information Retrieval（社会计算与信息检索研究中⼼） 纠错

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

AI总结 针对多智能体系统中智能体调度和协调策略的不足，提出状态感知路由框架STRMAC，通过编码交互历史和智能体知识选择合适智能体，并引入自进化数据生成法，实验表明其性能达最优。

MAD-PINN: A Decentralized Physics-Informed Machine Learning Framework for Safe and Optimal Multi-Agent Control

MAD-PINN：一种用于安全和最优多智能体控制的分散式物理信息机器学习框架

Manan Tayal, Aditya Singh, Shishir Kolathaya, Somil Bansal

机构 * Center for Cyber-Physical Systems, Indian Institute of Science（印度科学研究院中心 for 联合体系统） ； Department of Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系） ； Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空与航天工程系） 纠错

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

AI总结 针对大规模多智能体系统安全与性能协同优化难题，提出MAD-PINN框架。利用基于上图的公式化方法，通过物理信息神经网络近似求解，采用分散训练与执行策略，实验表明其性能优越且具可扩展性。

Comments 9 Pages, 4 Figures, 4 Tables. First two authors have contributed equally

TAMA: A Human-AI Collaborative Thematic Analysis Framework Using Multi-Agent LLMs for Clinical Interviews

TAMA：一种使用多智能体大语言模型进行临床访谈的人机协作主题分析框架

Huimin Xu, Seungjun Yi, Terence Lim, Jiawei Xu, Andrew Well, Carlos Mery, Aidong Zhang, Yuji Zhang, Heng Ji, Keshav Pingali, Yan Leng, Ying Ding

机构 * School of Information, University of Texas at Austin（信息学院，德克萨斯大学奥斯汀分校） ； Department of Biomedical Engineering, University of Texas at Austin（生物医学工程系，德克萨斯大学奥斯汀分校） ； College of Natural Sciences, University of Texas at Austin（自然科学院，德克萨斯大学奥斯汀分校） ； Graphen, Inc.（Graphen公司） ； Department of Cardiac Surgery, Division of Pediatric Cardiac Surgery, Vanderbilt University School of Medicine（心脏外科系，范德比尔特大学医学中心） ； Pediatric Heart Institute, Monroe Carell Jr. Children’s Hospital at Vanderbilt（儿童心脏研究所，范德比尔特儿童医院） ； Department of Computer Science, University of Virginia（计算机科学系，弗吉尼亚大学） ； Department of Computer Science, University of Illinois at Urbana-Champaign（计算机科学系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Computer Science, University of Texas at Austin（计算机科学系，德克萨斯大学奥斯汀分校） ； McCombs School of Business, University of Texas at Austin（麦克阿瑟商学院，德克萨斯大学奥斯汀分校） ； Dell Medical School, University of Texas at Austin（德克萨斯大学奥斯汀分校德莱尔医学院） 纠错

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

AI总结 提出人机协作主题分析框架TAMA，利用多智能体系统结构化对话及心脏专家专业知识，用于临床访谈分析，在罕见病访谈转录本分析中性能优于单智能体方法。

Comments Manuscript accepted to ACM Transactions on Computing for Healthcare

CogRad: A Cognitively-Inspired Multi-Agent Framework for Radiology Report Generation

CogRad：一种用于放射学报告生成的受认知启发的多智能体框架

Saif Ur Rehman Khan, Hasaan Maqsood, Sebastian Vollmer, Andreas Dengel, Muhammad Nabeel Asim

机构 * German Research Center for Artificial Intelligence（德国人工智能研究中心） ； Intelligentx GmbH（智能X有限公司） ； Department of Core Informatics, Graduate School of Informatics, Osaka Metropolitan University（大阪城市大学信息科学研究生院核心信息学系） 纠错

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

AI总结 提出受认知启发的多智能体框架CogRad，围绕放射科医生阅读过程的四个阶段构建报告生成，通过多智能体协作提升报告质量，在多个数据集上取得最佳成绩。

Swarm-Driven Multi-Agent Reasoning for Smart City Security

用于智慧城市安全的群体驱动多智能体推理

Saeid Jamshidi, Kawser Wazed Nafi, Carol Fung, Foutse Khomh

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

AI总结 研究智慧城市安全问题，提出基于大语言模型的多智能体方法TPSC-Sec，通过专门智能体分析并经威胁信息素群体共识机制聚合假设，还引入Adaptive Verified TPSC，实验表明该方法能实现高效安全推理。

MUTE: Return-Preserving Communication Unlearning for Efficient Multi-Agent Coordination

MUTE：用于高效多智能体协调的保留回报通信遗忘

Rui Zuo, Qinwei Huang, Mingyang Li, Zhenhang Zhang, Simon Khan, Qinru Qiu

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

AI总结 研究多智能体强化学习中智能体间通信问题，提出MUTE框架，将通信减少视为价值引导的机器遗忘问题，用注意力估计器量化反事实消息值，通过双目标机制实现通信稀疏化并保留原始联合策略回报。

SafeGuard: A Multi-Agent Perception-Reasoning Framework for Social-Risk AI-Generated Video Detection

SafeGuard：用于社会风险AI生成视频检测的多智能体感知-推理框架

Wenlin Wu, Sheng Zhou, Peipei Song, Wenhao Wang, Junbin Xiao, Xun Yang

机构 * University of Science and Technology of China（中国科学技术大学） ； King Abdullah University of Science and Technology（阿卜杜拉国王科技大学） ； Vast Intelligence Lab（旷视智能实验室） 纠错

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

AI总结 针对AI生成视频检测挑战，提出SafeGuard多智能体框架，通过感知求解器与验证器协作，引入SafeVid基准，实验证明其泛化性佳，提升检测准确率。

Comments Accepted to ECCV 2026, The code and dataset are publicly available at https://github.com/williamw99/SafeGuard

Cross-Domain Query Translation for Network Troubleshooting: A Multi-Agent LLM Framework with Privacy Preservation and Self-Reflection

跨领域查询翻译用于网络故障排除：一种具有隐私保护和自反思的多智能体LLM框架

Nguyen Phuc Tran, Brigitte Jaumard, Karthikeyan Premkumar, Salman Memon

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

AI总结 本文提出了一种多智能体LLM架构，用于弥合非技术终端用户与电信领域专家在私有网络环境中的沟通差距。该框架通过多智能体基于反思的推理协调专门的语言模型，解决三个关键挑战：(1) 使用双阶段分层方法准确分类与电信网络问题相关的用户查询；(2) 通过匿名化语义相关个人身份信息（PII）来保护用户隐私，同时保持诊断效用；(3) 将技术专家的响应翻译成用户可理解的语言。

Comments Accepted for publication in EuCNC & 6G Summit 2026. copyright 2026 IEEE. Personal use is permitted, but republication/redistribution requires IEEE permission

Journal ref EuCNC & 6G Summit 2026

ECTraj: Enhanced Consistency Training for Multi-Agent Trajectory Prediction

增强多智能体轨迹预测的一致性模型

Alen Mrdovic, Qingze, Liu, Danrui Li, Mathew Schwartz, Kaidong Hu, Sejong Yoon, Mubbasir Kapadia, Vladimir Pavlovic

机构 * Rutgers University - New Brunswick（罗格斯大学-新不伦瑞克分校） ； New Jersey Institute of Technology（新泽西理工学院） ； The College of New Jersey（新泽西学院） 纠错

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

AI总结 本文提出ECTraj，通过改进训练和条件生成方法，提升多智能体轨迹预测的一致性模型性能，实现更快推理和更准确预测，建立新的基准。