AI Agent

Norm Enforcement for AI Agents: Robustly Shaping Behavior in Multi-Agent Systems

人工智能代理的规范执行：在多智能体系统中稳健塑造行为

Yaowen Ye, Jacob Steinhardt

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

AI总结 研究多智能体系统中语言模型代理的规范执行机制，针对简单机制易被利用的问题，确定估计代理可靠性及加重惩罚更新估计这两个关键要素，所构建机制可抵御利用且低成本惩罚违规，是塑造智能体行为的可扩展手段。

Comments ICML2026 Trustworthy AI for Good Workshop

A Multi-Agent Framework for Zero-Dimensional Reduced-Order Model Planning

用于零维降阶模型规划的多智能体框架

Bingteng Sun, Hao Yin, Yiling Chen, Renjie Xiao, Lei Xie, Shanyou Wang, Ruonan Wang, Shubao Chen, Qingzong Xu, Lin Lu, Qiang Du, Junqiang Zhu

机构 * Institute of Engineering Thermophysics, Chinese Academy of Sciences（中国科学院工程热物理研究所） ； National Key Laboratory of Science and Technology on Advanced Light-duty Gas-turbine（先进轻型燃气轮机技术重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Qingdao Institute of Aeronautical Technology（青岛航空技术研究院） ； Nanjing Future Energy System Research Institute（南京未来能源系统研究院） 纠错

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

AI总结 本文针对复杂零维降阶模型规划中依赖人工、传统方法局限等问题，提出多智能体架构Z-COPA，其核心是专用图表示法，将规划转化为图结构优化问题，经多基准测试验证，该框架性能卓越且打破传统范式，提供新规划技术方法。

World Models as Adversaries: Multi-Agent Self-Play Fine-Tuning for Robust Motion Planning

作为对手的世界模型：用于鲁棒运动规划的多智能体自我博弈微调

Tong Nie, Yuewen Mei, Junlin He, Yihong Tang, Jian Sun, Wei Ma

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Tongji University（同济大学） ； McGill University（麦吉尔大学） ； Mila-Quebec AI Institute（米拉-魁北克人工智能研究所） 纠错

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

AI总结 研究在密集交通中自动驾驶车辆鲁棒运动规划问题，提出对抗世界建模（AWM）框架，通过多智能体自我博弈微调，引入解耦求解器，经实验验证该方法能生成可转移对抗交互，使规划器在多种场景有竞争力。

[AAFLOW+] Stateful Operator Abstraction with Zero-Copy Distributed KV Cache Orchestration for Multi-Agent Workflows

[AAFLOW+] 用于多智能体工作流的具有零拷贝分布式键值缓存编排的有状态算子抽象

Arup Kumar Sarker, Alexander James Halpern, Mills Staylor, Aymen Alsaadi, Gregor von Laszewski, Yue Cheng, Shantenu Jha, Geoffrey Fox

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

AI总结 研究多智能体语言模型系统文本中心问题，提出AAFLOW+扩展，构建通信感知图并提供多种算子，实现零拷贝执行，通过分析成本模型验证，大幅降低TTFT、计算成本、键值内存并提高吞吐量，提升多智能体系统效率

Comments 21 pages, 10 Figures, 12 Tables

Route, Communicate, and Reason: Gated Routing and Adaptive Depth for Efficient Multi-Agent Reasoning

路由、通信与推理：用于高效多智能体推理的门控路由与自适应深度

Sudipto Ghosh, Tanmoy Chakraborty

机构 * Yardi School of Artificial Intelligence, Indian Institute of Technology Delhi（印度理工学院德里分校雅迪人工智能学院） ； Department of Electrical Engineering, Indian Institute of Technology Delhi（印度理工学院德里分校电气工程系） 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 研究针对多智能体推理中未解决的问题，提出GRADE分层多智能体系统，用四个轻量级学习门控及CoGRPO训练方法，智能体模型可热插拔。该系统在多个任务上优于基线，消融实验明确关键因素，证明校准对热插拔必要。

Recursive Multi-Agent Systems

递归多智能体系统

Jiaru Zou, Rui Pan, Ruizhong Qiu, Pan Lu, Shizhe Diao, Jindong Jiang, Hanghang Tong, Tong Zhang, Markus J. Buehler, Jingrui He, James Zou

机构 * UIUC（伊利诺伊大学香槟分校） ； Stanford University（斯坦福大学） ； NVIDIA（英伟达） ； MIT（麻省理工学院） 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 本文提出递归多智能体框架RecursiveMAS，通过递归计算提升多智能体协作效率，实验证明其在多个基准测试中准确率提升8.3%，推理速度提升1.2-2.4倍，token使用减少34.6%-75.6%。

Comments Project Website: https://recursivemas.github.io

Automated Textbook Auditing with Multi-Agent LLM Systems

使用多智能体大语言模型系统进行自动化教科书审核

Ciprian Cristescu, Adrian-Marius Dumitran, Angela-Liliana Dumitran, Gabriel Stefan

机构 * University of Bucharest（布加勒斯特大学） ； Dimitrie Cantemir Christian University（迪米特里·坎泰米尔基督教大学） 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 研究旨在确保教材质量，提出人工智能教科书审核器这一多智能体管道，通过事实技术与语法双轨道分析生成报告，经判断智能体过滤误报，支持两种摄取模式且可领域适配，在两本教科书上验证可减少人工查找问题工作量。

Comments Presented @ iTextbooks 2026: 7th Workshop on Intelligent Textbooks at AIED'2026

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