AI Agent

A Stepwise Questioning Expert-Editor Multi-Agent Framework for Long-Document Summarization

一种用于长文档摘要的逐步提问专家 - 编辑多智能体框架

Lingyun Shen, Xuejia Guo

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

AI总结 针对大语言模型长文档摘要性能挑战，提出专家 - 编辑逐步提问多智能体方法，通过不同方面提问和提供修订线索完善摘要，经实验验证了该方法在长文档科学数据集上的有效性。

Comments 12 pages,3 figures,2 tables

A Knowledge-Based Multi-Agent Framework for Security Control Recommendation

一种基于知识的安全控制推荐多智能体框架

Carolina Fernández-Martínez, Shuaib Siddiqui, Vanesa Daza

机构 * Cybersecurity & Blockchain Research Group, i2CAT Foundation（网络安全与区块链研究组，i2CAT基金会） ； Department of Information and Communication Technologies, Universitat Pompeu Fabra（信息与通信技术系，庞培法华大学） 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 针对缺乏网络安全知识团队强化本地IT环境难的问题，提出基于知识的安全DSS，利用统一数据集，基于MAID模型，通过无悔在线学习推荐安全控制子族，经不同数据集验证，取得较好性能和准确性。

Comments Elsevier Knowledge-Based Systems (KNOSYS), 2026

Transfer Learning Across Policy Regimes in Adaptive Multi-Agent Systems

自适应多智能体系统中跨政策体系的迁移学习

Roberto Garrone

机构 * Open University of Cyprus（塞浦路斯开放大学） 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 研究自适应多智能体系统中跨政策体系的迁移学习问题，比较白板学习者和迁移学习者，通过实验表明先前监管经验在政策关系稳定时可复用，变化时需谨慎对待，在方法上给出相应策略。

Comments 17 pages, 3 figures, 8 tables. Simulation-based methodological study of positive and negative transfer across adaptive policy regimes

Multi-Agent Routing as Set-Valued Prediction: A WildChat Benchmark and Cost-Aware Evaluation

多智能体路由作为集值预测：一个WildChat基准与成本感知评估

Ananto Nayan Bala, Faisal Muhammad Shah

机构 * Ahsanullah University of Science and Technology（阿萨努拉科学与技术大学） 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 提出基于WildChat的多智能体路由基准，包含3000个提示和12个智能体目录，采用集值评估指标和成本感知加权路由，实验表明监督方法优于零样本LLM。

Comments 9 pages, 8 figures

When Local Monitors Miss Compositional Harm: Diagnosing Distributed Backdoors in Multi-Agent Systems

当局部监测器遗漏组合性危害时：诊断多智能体系统中的分布式后门

Yibo Hu, Ren Wang

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

AI总结 研究多智能体系统中分布式后门问题及局部监测器漏洞，提出可观测性边界概念，通过实验证明局部监测器在局部无害时会失效，还展示了特定监测器和门的效果，指出找到能暴露负载的表示形式是未解决问题。

Efficient Test-Time Optimization for Multi-Agent Proof Autoformalization

多智能体证明自动形式化的高效测试时优化

Tian-Shuo Liu, Shiyuan Zhang, Zijie Geng, Haoyu Liu, Runjie Xu, Pengyuan Wang, Lei Yuan, Yang Yu

机构 * Polixir Technologies（波利希瑞技术公司） ； University of Science and Technology of China（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)；分类 cs.AI

AI总结 研究多智能体证明自动形式化，提出ToMap框架，将其构建为分解器-形式化器-证明器管道，经瓶颈分析聚焦于分解器优化，通过特定循环和标准指导更新，实验显示该方法提升了性能且降低测试成本。

Multi-Agent LLMs Fail to Explore Each Other

多智能体语言模型无法相互探索

Hyeong Kyu Choi, Jiatong Li, Wendi Li, Xin Eric Wang, Sharon Li

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

AI总结 研究多智能体系统中LLM智能体相互探索的问题，提出轻量级框架MACE，通过结构化同伴选择促进探索，改善了探索行为和任务性能，凸显当前LLM智能体局限，强调明确引导探索对多智能体自主性的重要性。

Closed-Loop Control with Rule-Aligned Small Language Models and Multi-Agent Self-Correction

基于规则对齐的小语言模型和多智能体自我校正的闭环控制

Yuchen Wang, Javal Vyas, Tong Liu, Mehmet Mercangoz

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

AI总结 研究能否对紧凑型小语言模型再训练用于控制推理并嵌入验证器引导的校正循环，通过组相对策略优化对齐模型，结合多种智能体，在随机热控模拟中取得高准确率和低延迟，支持该架构用于边缘可重构自主控制。

Comments Accepted by IEEE CCTA 2026

PerspectiveGap: A Benchmark for Multi-Agent Orchestration Prompting

PerspectiveGap: 多智能体编排提示的基准测试

Youran Sun, Xingyu Ren, Kejia Zhang, Xinpeng Liu, Jiaxuan Guo

机构 * University of Maryland（马里兰大学） ； The Chinese University of Hong Kong（香港中文大学） ； 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.CL

AI总结 提出PerspectiveGap基准，评估LLM为多智能体系统编写编排提示的能力，实验显示模型平均通过率仅14.9%，表明该能力独特且未被充分评估。

Multi-Agent Cooperative Transportation: Optimal and Efficient Task Allocation and Path Finding

多智能体协作运输：最优且高效的任务分配与路径寻找

Ning Zhou, Nikolai W. F. Bode, Edmund R. Hunt

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

AI总结 本文提出CT-TAPF问题，整合团队形成、任务分配与无碰撞路径寻找，提出CT-TCBS最优求解器和子最优求解器，通过增量扩展策略和全局任务视角提升效率，验证了在协作多智能体问题中的有效性。

Journal ref AAMAS 2026: Proc. of the 25th International Conference on Autonomous Agents and Multiagent Systems

Multi-Agent Reinforcement Learning for C-V2X RAT Selection

用于蜂窝车联网无线接入技术选择的多智能体强化学习

Moritz Schaffenroth, Uwe Kölbel, Heike Lepke, Alexander Prinz, Alfred Höß

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

AI总结 研究蜂窝车联网无线接入技术选择决策问题，用多智能体强化学习算法MAPPO解决，与五个基线比较。在城市场景及通信用例中评估，结果显示按时交付率提高，训练时间减半，表明自适应通信策略有益，多智能体建模可解决决策问题。

Understanding Implicit Trust Errors in Core Carrier Networks through Multi-Agent Flaw Discovery and Analysis

通过多智能体缺陷发现与分析理解核心承载网络中的隐式信任错误

Ziyu Lin, Ziting Wang, Xinfeng Li, Wei Dong, XiaoFeng Wang

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

AI总结 研究蜂窝核心网络向云原生部署过渡时出现的隐式信任错误问题，设计iFinder多智能体系统，通过总结已知缺陷形成检测模式来发现新漏洞，运行该系统发现多个未知漏洞，确认了会话劫持等问题。

Comments To appear in the 35th USENIX Security Symposium (USENIX Security 2026)

A Distributionally Robust Multi-agent Reinforcement Learning Framework for Intelligent Intersection Control

一种用于智能交叉口控制的分布鲁棒多智能体强化学习框架

Shuwei Pei, Joran Borger, Arda Kosay, Bayu Jayawardhana, Muhammed O. Sayin, Saeed Ahmed

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

AI总结 研究针对多智能体强化学习在交通信号控制中应对不利情况能力不足的问题，提出集成自适应上下文博弈最坏情况估计器的分布鲁棒框架，经实验验证其能提升鲁棒性和效率，且策略有零样本泛化能力。

Recursive Multi-Agent Trading System: Iterative Optimized Portfolio Strategy Under Geopolitical Uncertainty

递归多智能体交易系统：地缘政治不确定性下的迭代优化投资组合策略

Jing Yang, Yichao Wu, Jianan Liu, Penghao Liang, Mengwei Yuan, Xianyou Li, Weiran Yan

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

AI总结 提出递归多智能体交易系统（RMATS），通过递归管理器代理协调四个专业代理（情绪、报告、分析和风险），在561个交易日和24个资产的多类资产上实现最大回撤9.62%，低于MVO和FinBERT情绪，并在5个地缘政治压力情景中的3个中表现出最低事件期回撤，证明其作为风险控制导向架构的有效性。

Cost and Accuracy of Long-Term Memory in Distributed Multi-Agent Systems Based on Large Language Models

基于大语言模型的分布式多智能体系统中长期记忆的成本与准确性

Benedict Wolff, Jacopo Bennati

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

AI总结 针对分布式多智能体系统中长期记忆的成本与准确性评估空白，构建独立可复现测试平台，比较多种架构并发现检索不完整是准确率差距主因，RAG基线以更低总拥有成本达到高准确率。

Comments Copyright IEEE 2026. Manuscript accepted at IEEE COMPSAC 2026. Not for redistribution. Published version: https://doi.org/10.1109/XXXXXX

Agentic AI-RAN Empowering Synergetic Sensing, Communication, Computing, and Control

智能人工智能无线接入网络助力协同感知、通信、计算和控制

Lingxiao Sun, Zhaoyang Zhang, Zihan Lin, Zirui Chen, Weijie Zhou, Zhaohui Yang, Tony Q. S. Quek

专题命中 多智能体 ：agentic(title,summary_cn)

AI总结 研究6G低空无线网络中，智能人工智能无线接入网络（Agentic AI-RAN）架构助力协同SC3任务执行。提出面向任务的架构解决资源受限边缘环境异构负载协调难题，经无人机系统原型验证，该框架在6G关键任务低空网络中具可行性。

Comments 7 pages, 5 figures, 1 table; revised version with minor corrections

Agentic generation of verifiable rules for deterministic, self-expanding reaction classification

用于确定性、自扩展反应分类的可验证规则的智能体生成

Daniel Armstrong, Maarten Dobbelaere, Valentas Olikauskas, Helena Avila, Octavian Susanu, Jérôme Waser, Philippe Schwaller

机构 * École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院） ； Laboratory for Chemical Technology, Ghent University（根特大学化学技术实验室） ； NCCR Catalysis（瑞士国家研究能力中心催化项目） 纠错

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

AI总结 提出多智能体LLM框架，通过验证循环自动生成反应规则，将标准分类从68类扩展到14,073类，并实现97.7%的未知反应分类准确率。

How Much Does Correctness Cost? Budgeted Placement of Strong Correctors in a Weak Multi-Agent Swarm

正确性的代价是多少？弱多智能体群体中强校正器的预算放置

Igor Itkin

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

AI总结 研究一群廉价不可靠智能体如何通过少数强大昂贵的预言机达成正确共识，探讨花费及放置位置。通过建模将群体视为图上共识，利用相干性衡量质量，得出相关结论，包括次模性、预算 - 正确性边界等，还分析了成本 - 质量定律的曲率。

Comments 30 pages, 9 figures, 1 table.. Code and data: https://github.com/YehudaItkin/budgeted-oracle-placement

Learning in Blocks: A Multi Agent Debate Assisted Personalized Adaptive Learning Framework for Language Learning

基于块的学习：一种多智能体辩论辅助的个性化自适应语言学习框架

Nicy Scaria, Silvester John Joseph Kennedy, Deepak Subramani

机构 * Indian Institute of Science, India（印度科学研究院） ； Talking Yak, India（Talking Yak） ； Indian Institute of Technology Patna, India（帕纳布印度理工学院） 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 本文提出基于块的学习框架，利用多智能体辩论技术评估语言能力，结合评分和推荐机制，通过间隔复习和掌握进度提升语言学习效果。

Comments Published as main paper in AIED 2026

Journal ref Artificial Intelligence in Education. AIED 2026. Lecture Notes in Computer Science(), vol 16582. Springer, Cham

Dec-MARVEL: Decentralized Multi-Agent Exploration without Communication under Budget Constraints

Dec-MARVEL：预算约束下无通信的去中心化多智能体探索

Janghyun Cho, Jimmy Chiun, Guillaume Sartoretti, Changjoo Nam

机构 * Sogang University（西江大学） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 针对多无人机探索受多种限制的问题，提出Dec-MARVEL框架，各机器人通过偶然观察协调，图注意力智能体融合多种特征选动作，经特定训练方式训练，在多场景试验中表现出色，实现模拟到现实的成功迁移与实际部署。

Comments 8 pages, 5 figures

Emergence of Internal State-Modulated Swarming in Multi-Agent Patch Foraging System

多智能体觅食系统中内部状态调节群体行为的涌现

Siddharth Chaturvedi, Ahmed EL-Gazzar, Marcel van Gerven

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

AI总结 本文研究了多智能体在非合作觅食任务中，通过部分可观测环境自发形成聚集行为的机制，验证了内部状态对觅食策略的影响。

Comments 9 pages, 9 figures, 1 table, 1 algorithm

Heterogeneous Agent Cohorts for Safe Open-Ended Exploration with Runtime Constraint Memory

用于安全开放式探索的异构智能体群组及运行时约束记忆

Tengjiao Liu

机构 * Google DeepMind（谷歌DeepMind） 纠错

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

AI总结 研究针对语言模型智能体安全与探索困境，提出将关注点分离到专门角色，通过蒙特卡洛树搜索编译失败为‘伤疤’约束补丁，在空间语义沙盒实验中，该方法能到达远程目标、防止违规、减少令牌消耗，还能在资源约束下降低成本。

Comments 12 pages, 1 figure, 12 tables

Robo-Reporters: Evaluating Autonomous AI Agents as Algorithmic Gatekeepers in Computational Journalism

机器人记者：评估作为计算新闻学中算法把关人的自主人工智能代理

Obada Kraishan, Kulsawasd Jitkajornwanich, Kerk Kee

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

AI总结 研究对比四种人工智能代理架构在新闻任务中的表现，通过200个对照实验，发现架构对任务时长和计算策略有显著影响，多智能体协作准确率最高，整体式架构有特定信息源拒绝率，还揭示了透明度方面差异，为新闻编辑室提供架构选择指导。

Comments 12 pages, 4 figures, 3 tables

Capture, Shield, or Neutralize: Engagement-Aware Pursuit-Evasion

捕获、防护或中和：基于交战感知的追逃

Ananya Acharya, Trenton Goyette, Masoud Ataei, Adrian Stoica, Vikas Dhiman, Mohammad Javad Khojasteh

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

AI总结 研究多智能体对抗环境下的追逃问题，提出分层控制架构，将战略规划与安全保证解耦。通过零和滚动时域博弈及MPC求解，利用横向速度惩罚和CBF保证安全。模拟实验表明该框架能灵活切换策略，不同规则下性能稳健且控制逻辑不变。

Safety from Honesty in a Disinterested AI Predictor

无兴趣AI预测器中的诚实安全性

Yoshua Bengio, Oliver Richardson, Tomáš Gavenčiak, Michael Cohen, Rory Svarc, Damiano Fornasiere, Gael Gendron, David Hyland, Aton Kamanda, Adam Oberman, Francis Rhys Ward, Anna Gavenčiak, Jacob Livingston Slosser, Vincent Mai, Iulian Serban, Joumana Ghosn

机构 * LawZero ； Université de Montréal（蒙特利尔大学） ； Mila ； University of California Berkeley（加州大学伯克利分校） ； McGill University（麦吉尔大学） ； Arb Research ； Center for Theoretical Study Charles University in Prague（布拉格查理大学理论研究中心） ； University of Oxford（牛津大学） ； Sapien Institute（Sapien研究所） 纠错

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

AI总结 提出一种形式化安全论证，通过数据表示和训练过程确保预测器诚实预测而不成为追求目标的智能体，并证明危险预测器出现的概率可控。

Auditing Belief-Conditioned LLM Agents in Hidden-Information Social Deduction Games

在隐藏信息社交推理游戏中审计基于信念的大语言模型智能体

Yuan Gao, Jiangyi Yang, Yao Zhao, Yichi Zhang

机构 * University of Melbourne（墨尔本大学） 纠错

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

AI总结 研究在9人狼人杀环境中评估大语言模型智能体的难题，构建可审计框架，通过1080场游戏实验发现主动信念条件下好人方结果更好，虽未明确信念内容作用机制，但框架有使效应可测等贡献，将外部信念定位为可审计认知基线。

Comments 29 pages, 8 figures, 3 tables. Preprint

Runtime Safety Filtering for Learned Small UAS Separation Policies under GNSS Degradation

全球导航卫星系统（GNSS）退化情况下学习到的小型无人机分离策略的运行时安全过滤

Alex Zongo, Peng Wei

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

AI总结 研究在GNSS退化时小型无人机分离策略的运行时安全过滤问题，对比动作过滤和观测过滤两种方法，发现动作过滤安全改进小，观测过滤能减少近90%的空中碰撞且更稳健，表明保留策略决策权限更优。

Comments Accepted for publication at the 2026 IEEE/AIAA Digital Avionics Systems Conference (DASC). 9 pages, 8 figures

Paradoxes of Game Theoretic Equilibria and Price of Anarchy

博弈论均衡与无政府价格的悖论

Georgios Piliouras, Ian Gemp, Siqi Liu, Luke Marris

机构 * Google Deepmind（谷歌DeepMind） 纠错

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

AI总结 研究博弈论均衡与无政府价格的悖论，指出将多智能体学习简化为静态均衡和黑箱后悔分析存在问题，通过分析内部纳什均衡、拥堵博弈等情况揭示相关不足，并研究非原子极限下的均衡变化，强调需重新评估基于动态的最坏情况均衡框架。

Inferring Inventory Dynamics from Supply Chain Networks: A Graph Learning Approach with Autonomous Validation

从供应链网络推断库存动态：一种具有自主验证的图学习方法

Tiancheng Gao, Xiang Zhang, Wei Lan, Bin Liu

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

AI总结 针对中小企业库存数据稀缺致预测难问题，提出多智能体半监督推理框架，构建图机器学习模型结合多个计量模型，能从供应链网络推断库存动态，有效验证预测，且与经济理论相符，解决无真实观测时的预测验证难题。

Can LLMs Perform Deep Technical Comprehension of Computer Architecture Papers?

大语言模型能否对计算机体系结构论文进行深度技术理解？

Nishant Aggarwal, Ayushi Dubal, Sreeraj Kannakarankodi, Ian McDougall, Adarsh Mittal, Vishnu Ramadas, Noah Scott, Ranganath Selagamsetty, Weichu Yang, Karthikeyan Sankaralingam

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

AI总结 研究大语言模型对计算机体系结构论文的深度理解，通过开源管道Gauntlet进行分析，经与人类分析对比及消融实验，发现其多智能体结构有优势，尤其合成阶段，还将相关资源作为社区资源发布。

Comments 4 pages, 1 figure