AI Agent

EMAS: Stabilizing Multi-Agent System Evolution through Evidence-Guided Revision

EMAS：通过证据引导的修正稳定多智能体系统演化

Chao Fei, Qingyi Si, Kaihua Liang, Yanghua Xiao, Panos Kalnis, Hongcheng Guo

机构 * King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学） ； Fudan University（复旦大学） 纠错

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

AI总结 EMAS 是一种不更新 LLM 参数、利用样本经验修正 MAS 拓扑与提示词的方法，在四个基准和两个 LLM 上提升了准确率并降低了 token 成本，表现优于多数基线方法。

CyberLLM: A Multi-Agent LLM Framework for Autonomous Detection and Guarded Response in Automotive Cybersecurity

CyberLLM：面向汽车网络安全的多智能体大语言模型框架，用于自主检测与受管控响应

Nenad Petrovic, Oussama Jeddou, Feres Ben Fraj, Vahid Zolfaghari, Fengjunjie Pan, Andre Schamschurko, Alois Knoll

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

AI总结 CyberLLM是由大语言模型编排的多智能体框架，结合确定性检测层与大语言模型精化，在安全防护下实现汽车漏洞自主检测与修复，在基准测试中覆盖约70%漏洞且零误报，验证了LLM智能体自主防御的可行性。

Why Study Emergent Behavior When You Can Regulate It? Aligning Multi-Agent Systems with Reward Prediction

为何要研究涌现行为？你可以对其进行调控！让多智能体系统与奖励预测对齐

Assaf Caftory, Almog Zemach, Moshe Butman, Doron Friedman

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

AI总结 本文提出多智能体奖励预测（MARP）框架，通过学习共享奖励模型调控多智能体涌现行为，在收获游戏中验证其能使智能体行为对齐多样社会目标，为调控涌现行为提供了数据驱动的方法。

Kimi K2.5: Visual Agentic Intelligence

Kimi K2.5：视觉代理智能

Kimi Team, Tongtong Bai, Yifan Bai, Yiping Bao, S. H. Cai, Yuan Cao, Ziwei Chai, Y. Charles, H. S. Che, Cheng Chen, Guanduo Chen, Huarong Chen, Jia Chen, Jianlong Chen, Jun Chen, Kefan Chen, Liang Chen, Ruijue Chen, Xinhao Chen, Yanru Chen, Yanxu Chen, Yicun Chen, Yimin Chen, Yingjiang Chen, Yuankun Chen, Yujie Chen, Yutian Chen, Zhirong Chen, Ziwei Chen, Dazhi Cheng, Yean Cheng, Minghan Chu, Jialei Cui, Jiaqi Deng, Muxi Diao, Hao Ding, Mengfan Dong, Mengnan Dong, Yuxin Dong, Yuhao Dong, Angang Du, Chenzhuang Du, Dikang Du, Lingxiao Du, Yulun Du, Yu Fan, Shengjun Fang, Qiulin Feng, Yichen Feng, Garimugai Fu, Kelin Fu, Hongcheng Gao, Tong Gao, Yuyao Ge, Shangyi Geng, Chengyang Gong, Xiaochen Gong, Zhuoma Gongque, Qizheng Gu, Xinran Gu, Yicheng Gu, Longyu Guan, Shuhao Guan, Yuanying Guo, Xiaoru Hao, Dailan He, Tianhong He, Weiran He, Wenyang He, Yibo He, Yunjia He, Chao Hong, Hao Hu, Jiaxi Hu, Yangyang Hu, Zhenxing Hu, Ke Huang, Ruiyuan Huang, Weixiao Huang, Zhiqi Huang, Chaobo Jia, Tao Jiang, Zhejun Jiang, Xinyi Jin, Yu Jing, Guokun Lai, Aidi Li, C. Li, Cheng Li, Fang Li, Guanghe Li, Guanyu Li, Haitao Li, Haoyang Li, Jia Li, Jingwei Li, Junxiong Li, Lincan Li, Mo Li, Weihong Li, Wentao Li, Xinhang Li, Xinhao Li, Yang Li, Yanhao Li, Yiwei Li, Yuxiao Li, Zhaowei Li, Zhaoxi Li, Zheming Li, Weilong Liao, Jiawei Lin, Xiaohan Lin, Yibo Lin, Zhishan Lin, Zichao Lin, Cheng Liu, Chenyu Liu, Hongzhang Liu, Liang Liu, Shaowei Liu, Shudong Liu, Shuran Liu, Tianwei Liu, Tianyu Liu, Weizhou Liu, Xiangyan Liu, Yangyang Liu, Yanming Liu, Yibo Liu, Yuanxin Liu, Zhengying Liu, Zhongnuo Liu, Enzhe Lu, Haoyu Lu, Zhiyuan Lu, G. Luo, Junyu Luo, Tongxu Luo, Yashuo Luo, Long Ma, Shaoguang Mao, Yuan Mei, Xin Men, Fanqing Meng, Zhiyong Meng, Yibo Miao, Minqing Ni, Kun Ouyang, Siyuan Pan, Bo Pang, Yuchao Qian, Ruoyu Qin, Zeyu Qin, Jiezhong Qiu, Bowen Qu, Zeyu Shang, Youbo Shao, Tianxiao Shen, Zhennan Shen, Juanfeng Shi, Lidong Shi, Shengyuan Shi, Feifan Song, Pengwei Song, Tianhui Song, Xiaoxi Song, Hongjin Su, Jianlin Su, Zhaochen Su, Lin Sui, Jinsong Sun, Junyao Sun, Tongyu Sun, Flood Sung, Yunpeng Tai, Chuning Tang, Heyi Tang, Xiaojuan Tang, Zhengyang Tang, Jiawen Tao, Shiyuan Teng, Chaoran Tian, Pengfei Tian, Bowen Wang, Chensi Wang, Chuang Wang, Congcong Wang, Dingkun Wang, Dinglu Wang, Dongliang Wang, Feng Wang, Hailong Wang, Haiming Wang, Hao Wang, Hengzhi Wang, Huaqing Wang, Hui Wang, Jiahao Wang, Jinhong Wang, Jiuzheng Wang, Kaixin Wang, Linian Wang, Qibin Wang, Shengjie Wang, Shuyi Wang, Si Wang, Wei Wang, Xiaochen Wang, Xinyuan Wang, Yao Wang, Yejie Wang, Yipu Wang, Yiqin Wang, Yucheng Wang, Yuzhi Wang, Zhaoji Wang, Zhaowei Wang, Zhengtao Wang, Zhexu Wang, Zifan Wang, Zihan Wang, Zizhe Wang, Chu Wei, Ming Wei, Chuan Wen, Zichen Wen, Chengjie Wu, Haoning Wu, Junyan Wu, Rucong Wu, Wenhao Wu, Yuefeng Wu, Yuhao Wu, Yuxin Wu, Zijian Wu, Chenjun Xiao, Jin Xie, Xiaotong Xie, Yuchong Xie, Bowei Xing, Boyu Xu, Jianfan Xu, Jing Xu, Jinjing Xu, L. H. Xu, Lin Xu, Suting Xu, Weixin Xu, Xinbo Xu, Xinran Xu, Yangchuan Xu, Yichang Xu, Yuemeng Xu, Zelai Xu, Ziyao Xu, Junjie Yan, Yuzi Yan, Guangyao Yang, Hao Yang, Junwei Yang, Kai Yang, Ningyuan Yang, Xiaofei Yang, Xinlong Yang, Xinyu Yang, Ying Yang, Yi Yang, Yi Yang, Zhen Yang, Zhilin Yang, Zonghan Yang, Haotian Yao, Dan Ye, Haoran Ye, Wenjie Ye, Zhuorui Ye, Peng Yebo, Bohong Yin, Chengzhen Yu, Longhui Yu, Tao Yu, Tianxiang Yu, Enming Yuan, Mengjie Yuan, Xiaokun Yuan, Yang Yue, Weihao Zeng, Dunyuan Zha, Haobing Zhan, Dehao Zhang, Hao Zhang, Jin Zhang, Puqi Zhang, Qiao Zhang, Rui Zhang, Xiaobin Zhang, Xiaoyun Zhang, Y. Zhang, Yadong Zhang, Yangkun Zhang, Yichi Zhang, Yizhi Zhang, Yongting Zhang, Yu Zhang, Yushun Zhang, Yutao Zhang, Yutong Zhang, Zheng Zhang, Chenguang Zhao, Feifan Zhao, Jinxiang Zhao, Shuai Zhao, Xiangyu Zhao, Xuanle Zhao, Yikai Zhao, Zijia Zhao, Huabin Zheng, Ruihan Zheng, Shaojie Zheng, Tengyang Zheng, Junfeng Zhong, Longguang Zhong, Weiming Zhong, M. Zhou, Runjie Zhou, Xinyu Zhou, Zaida Zhou, Jinguo Zhu, Liya Zhu, Xinhao Zhu, Yuxuan Zhu, Zhen Zhu, Jingze Zhuang, Weiyu Zhuang, Ying Zou, Xinxing Zu

机构 * Kimi Team（Kimi 团队） 纠错

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

AI总结 Kimi K2.5通过联合优化文本和视觉模态，提出Agent Swarm框架，实现多模态代理智能的先进性能和高效任务处理。

Comments Kimi K2.5 tech report

A Multi-Agent Framework for Automated Coarse-Grained Molecular Dynamics of Polymers

用于聚合物自动化粗粒度分子动力学的多智能体框架

Joohee Choi, Junhyeong Lee, Seunghwa Ryu

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST）） 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CGMas多智能体框架，可自动完成聚合物粗粒度分子动力学的拓扑构建等全流程，完成27项任务，22项密度匹配度在5%内，模拟时间大幅缩短，确立了智能体式LLM用于聚合物粗粒化的可行性。

Plan-and-Avoid: Real-Time Aircraft Trajectory Coordination in a Multi-Agent Environment

规划与避让：多智能体环境下的实时飞行器轨迹协调

Huseyin Emre Tekaslan, Ella M. Atkins, Natasha Neogi

机构 * Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学） ； NASA Langley Research Center（NASA兰利研究中心） 纠错

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

AI总结 该研究提出Plan-and-Avoid框架，针对多智能体空域环境，通过实时生成协作建议，在900余起强制着陆案例测试中，以5.7秒最坏响应时间实现优先级轨迹的低延迟安全间隔协调。

Does Splitting a Triage Decision Across Agents Hide Bias or Help Catch It? A Multi-Agent Simulation Study of LLM-Based Resource Allocation Under Audit Capacity Constraints

在智能体间拆分分诊决策是隐藏偏差还是有助于发现偏差？审计能力约束下基于大语言模型的资源分配多智能体模拟研究

Paul-Peter Arslan

机构 * Institute for Future Technologies（未来技术研究所） 纠错

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

AI总结 该研究通过多智能体模拟发现，在LLM资源分配中拆分决策为多智能体流程未显著改变偏差发生率，但审计能力影响偏差发现率，风险排序审核可提升覆盖范围。

Comments 6 pages, 2 figures, 3 tables. Code and data available at https://github.com/Polpii/policy-town

Multi-Agent Forensic Reasoning for Generalizable Deepfake Video Detection

用于可泛化深度伪造视频检测的多智能体取证推理

Xuechao Zou, Shun Zhang, Kai Li, Yi Zhou, Xinyu Sun, Yuhui Chen, Zhe Wu, Congyan Lang, Junliang Xing

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

AI总结 针对深度伪造检测的现有方法泛化性不足问题，本文构建含10万视频的FaceVid-Forensics-100K数据集，提出多智能体取证推理框架，在域外测试集上性能优于GPT、Gemini等模型。

Comments 22 pages, 8 figures, 14 tables

Online Security Learning in Cooperative Multi-Agent Systems under Hidden Byzantine Attacks

隐藏拜占庭攻击下多智能体系统的在线安全学习

Ximing Sun, Yue Wang

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

AI总结 本文针对隐藏拜占庭攻击下的多智能体系统在线协同控制问题，分析攻击者信息对模型几何特性的影响，推导安全学习的信息论极限，提出鲁棒学习者并给出遗憾界，为可靠多智能体系统提供理论与算法基础。

Comments preprint; Work in progress

Robot guide with multi-agent control and automatic scenario generation with LLM

基于多智能体控制与大语言模型自动场景生成的机器人引导系统

Elizaveta D. Moskovskaya, Anton D. Moscowsky

机构 * National Research Center "Kurchatov Institute"（国家研究快机构"库恰托夫研究所"） 纠错

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

AI总结 该研究开发了结合多智能体资源管理与LLM自动场景生成的混合社交机器人控制架构，在MENTOR-1导游机器人上验证了其能提升长期讲故事任务中机器人交互的自然性与丰富度。

Comments 14 pages, 4 figures, 4 tables, 1 demo-video and repository link. There were major changes: an introduction, a review, and a new experiment. Some tables and figures have also been changed

Byzantine-Resilient Federated Multi-Agent Optimization Framework for Cyber-Secure Interconnected Microgrids

面向网络安全互联微电网的拜占庭弹性联邦多智能体优化框架

Ali Peivand, Seyyed Mostafa Nosratabadi

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

AI总结 提出BR-FedMAPPO框架，结合三重表面移动目标防御与自适应隔离策略，通过两阶段拜占庭弹性聚合规则抵御隐蔽虚假数据注入攻击，保护分布式学习通道并维持经济调度性能。

PHOENIX: Fine-Tuned SLM-Powered Autonomous Satellite Lifetime Extension via Predictive Self-Healing and Multi-Agent AI Recovery

PHOENIX：通过预测性自修复与多智能体AI恢复实现的经微调小型语言模型驱动的自主卫星寿命延长

Sumaiya Islam, Harsha Kumara Moraliyage

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

AI总结 该研究针对CubeSat在轨故障无法及时修复导致寿命不足的问题，提出PHOENIX系统，利用微调SLM与多智能体AI实现自主故障修复，基于ESA基准验证了初步效果。

Comments 6 pages, 2 figures. Accepted at IEEE IRAI 2026 (International Conference on Responsible Artificial Intelligence)

Deal Me Maybe: The Role of Emotions in Multi-Agent Negotiation

或许与我成交：情绪在多智能体谈判中的作用

Massimiliano Luca, Apoorva Singh, Bruno Lepri

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

AI总结 该研究探讨提示条件下的情绪对LLM多智能体价格谈判的影响，发现愤怒买方成交率极低，快乐买方成交率最高但价格较差，情绪效应具有角色依赖性，引发商业中情绪条件智能体的担忧。

AutoMOOSE: An Agentic AI for Autonomous Phase-Field Simulation

AutoMOOSE：一种用于自主相场模拟的智能体AI

Sukriti Manna, Henry Chan, Subramanian K. R. S. Sankaranarayanan

机构 * Department of Mechanical and Industrial Engineering, University of Illinois Chicago（伊利诺伊大学芝加哥分校机械与工业工程系） ； Center for Nanoscale Materials, Argonne National Laboratory（阿贡国家实验室纳米尺度材料中心） 纠错

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

AI总结 AutoMOOSE通过智能体框架实现自主相场模拟全流程，无需人工干预即可生成输入文件、并行执行模拟并验证结果，展示了AI在材料发现中的潜力。

A Precise Treatment of Soft Quotient Topology and Soft Covering Maps

软商拓扑与软覆盖映射的精确处理

Souvik Mandal, Ankur Sarkar

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

AI总结 该研究建立软商拓扑基础理论，提出软覆盖映射精确定义，将其应用于多智能体运动规划以降低组合复杂性。

Comments 18 Pages. Comments are welcome

Classification of $σ$-validity in iterated announcements

σ有效性的分类

Eiji Yamada

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

AI总结 研究Agotnes等人关于σ有效性的猜想，通过重新表述问题，对多主体K45、单主体KD45和多主体S5进行了分类，证明原猜想错误，揭示真假宣告的不对称性。

Comments 21 pages, 4 figures. v2: Added proofs of the nonexistence of non-trivially 0k1-valid and 01k0-valid formulas in multi-agent KD45, thereby completing the classification for this class. Revised related statements and proofs throughout

DATAREEL: Automated Data-Driven Video Story Generation with Animations

DATAREEL：基于动画的自动化数据驱动视频故事生成

Ridwan Mahbub, Syem Aziz, Mizanur Rahman, Mahir Ahmed, Shadikur Rahman, Shafiq Joty, Enamul Hoque

机构 * York University（约克大学） ； Bangladesh University of Business and Technology（孟加拉国商业与技术大学） ； RBC, Canada（加拿大RBC） ； Nanyang Technological University（南洋理工大学） ； Salesforce AI Research（Salesforce人工智能研究） 纠错

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

AI总结 本文提出DataReel基准，通过328个真实故事评估模型生成动画数据视频故事的能力，采用多智能体框架提升自动化生成效果。

Comments Under Review

DRL-Based Secure Transmission for Rotatable Antenna-Enabled Low-Altitude ISAC Systems

基于深度强化学习的可旋转天线低空集成感知与通信系统安全传输

Chuan Liu, Hongyi Bian, Wei Gao, Qi Zhang, Yu Yao, Liang Yang, Feng Shu

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

AI总结 本文针对配备可旋转天线的低空ISAC系统，联合优化发射波束成形矩阵与天线指向矩阵以最大化最小保密速率，提出MAPPO-T算法，仿真验证其性能优于标准MAPPO算法及传统固定定向天线系统。

Analyzing the Interaction of Optimal Strategies in Mean-Payoff Bidding Games

分析平均收益竞标博弈中最优策略的相互作用

Shaull Almagor, Guy Avni, Julian Ewaied

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

AI总结 本文针对多智能体系统中智能体互动分析的挑战，聚焦两智能体图上的平均收益竞标博弈，分析对抗优化策略的互动，证明特定条件下博弈最终周期性并开发效用计算算法。

Learning Long-Term Educational Investment Policies under Residential Sorting

居住分类下的长期教育投资政策学习

Honglei Guo, Shuo Chen, Mingjie Bi, Zeyang Sun, Xiaoxi Wang, Yuhan Zhao

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

AI总结 该研究针对居住分类下公立教育投资分配的公平与效率问题，构建动态多智能体框架，用强化学习得出的政策在模拟中实现了良好的入学机会与公平性平衡，减少了教育领域的社会经济分层。

When Coordination Becomes a Threat: Communication Attacks in LLM-Controlled Multi-Robot Systems

当协调成为威胁：大语言模型控制的多机器人系统中的通信攻击

Zhen Huang, Zhihuang Liu, Weijia Shi, Yifan Yang, Weishang Wu, Zhiping Cai

机构 * College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机科学与技术学院） ； School of Informatics, Xiamen University（厦门大学信息学院） 纠错

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

AI总结 该研究针对LLM控制的多机器人系统，提出两种通信攻击并在三种架构下验证其风险，引入CPV门可降低违规率，为相关安全问题提供了应对方案。

Comments 17 pages, 8 figures, 4 tables

Dynamics and Convergences for Markov Coevolutionary Opinion Formation Games in Dynamic Social Networks

动态社交网络中马尔可夫协同进化意见形成博弈的动力学与收敛性

Po-An Chen, Chi-Jen Lu, Chuang-Chieh Lin, Jim Shi, Chih-Chieh Hung

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

AI总结 研究动态社交网络中K-NN马尔可夫博弈的收敛性，整合多智能体强化学习和在线学习技术，分析乐观梯度上升算法在一般和马尔可夫博弈中的收敛情况，得出较弱意义上收敛到近似纳什均衡的结果。

SSTQ:Privacy-Preserving Vector Quantization via Subsampled Stochastic TurboQuant

SSTQ：基于子采样随机 TurboQuant 的隐私保护向量量化

Adel Javanmard, David P. Woodruff, Vahab Mirrokni

机构 * University of Southern California（南加州大学） ； Google Research（谷歌研究院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本研究针对分布式优化中隐私保护与通信成本的矛盾，提出 SSTQ 框架，实现了更优的均方误差缩放，在联邦学习任务中展现出良好效用与通信效率。

Comments 42 pages, 4 figures, 2 tables

Scalable High-Fidelity Macromolecular Docking for GPU-Accelerated Supercomputers

面向GPU加速超级计算机的可扩展高保真大分子对接

Xiangyu Meng, Peng Chen, Mingzhen Li, Jianmin Wang, Sen Wang, Guangming Tan, Weile Jia, Mohamed Wahib, Tao Luo, Xun Wang

专题命中 多智能体 ：agent(abstract)；分类 cs.AI

AI总结 本文提出SparkleDock框架，通过优化GSO并行性、适配Tensor Core及负载均衡调度，在GPU上大幅加速大分子对接，实现512 GPU下数秒完成大规模高保真虚拟筛选。

Comments To be published in the International Conference for High Performance Computing, Networking, Storage, and Analysis(SC) 26

Bayesian Fair Division: Truthfulness in Picking Sequence with Correlated Valuations

贝叶斯公平分配：具有相关估值的选取序列中的真实性

Xiaolin Bu, Biaoshuai Tao

专题命中 多智能体 ：agent(abstract)

AI总结 本文针对两智能体的贝叶斯公平分配模型，证明估值正相关时序列分配机制的讲真话构成贝叶斯纳什均衡，但该真实性无法扩展到多智能体场景，揭示了序列机制真实性的根本局限。

Comments 28 pages, 1 figure