AI Agent

BridgeDrive: Diffusion Bridge Policy for Closed-Loop Trajectory Planning in Autonomous Driving

BridgeDrive: 基于扩散桥的闭环轨迹规划扩散策略

Shu Liu, Wenlin Chen, Weihao Li, Zheng Wang, Lijin Yang, Jianing Huang, Yipin Zhang, Zhongzhan Huang, Ze Cheng, Hao Yang

机构 * Bosch (China) Investment Ltd（博世（中国）投资有限公司） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.LG

AI总结 BridgeDrive提出一种基于锚点的扩散桥策略，通过实时闭环轨迹规划提升自动驾驶的安全性和效率。

Comments Accepted for publication at ICLR 2026

IPD: Boosting Sequential Policy with Imaginary Planning Distillation in Offline Reinforcement Learning

IPD: 通过离线规划蒸馏提升序列策略

Yihao Qin, Yuanfei Wang, Hang Zhou, Peiran Liu, Hao Dong, Yiding Ji

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Peking University（北京大学） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.LG

AI总结 IPD通过引入离线规划蒸馏技术，提升离线强化学习中序列策略的决策稳定性和性能。

Neuro-Symbolic Skill Discovery for Conditional Multi-Level Planning

神经符号技能发现用于条件多级规划

Hakan Aktas, Yigit Yildirim, Ahmet Firat Gamsiz, Deniz Bilge Akkoc, Erhan Oztop, Emre Ugur

机构 * Department of Computer Science and Technology The University of Cambridge（计算机科学与技术系 剑桥大学） ； Department of Computer Engineering Bogazici University（计算机工程系 boazici大学） ； SISREC Osaka University（Osaka大学SISREC） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出了一种神经符号学习架构，通过少量演示获取可推广的高级符号技能，并在多级规划中实现复杂任务的执行。

Comments 18 pages, 4 figures

SideQuest: Model-Driven KV Cache Management for Long-Horizon Agentic Reasoning

SideQuest: 为长时间范围代理推理的模型驱动KV缓存管理

Sanjay Kariyappa, G. Edward Suh

机构 * NVIDIA 纠错

专题命中 规划决策 ：agentic(title,abstract)；分类 cs.AI、cs.LG

AI总结 SideQuest通过利用大型推理模型自身进行KV缓存压缩，有效减少代理任务中的内存使用，同时保持较高的准确性。

Assessing Deanonymization Risks with Stylometry-Assisted LLM Agent

通过风格学辅助LLM代理评估去匿名化风险

Boyang Zhang, Yang Zhang

机构 * CISPA Helmholtz Center for Information Security（CISPA海德堡信息安全中心） 纠错

专题命中 规划决策 ：agent(title,abstract)；分类 cs.CL、cs.LG

AI总结 本文提出SLA方法，通过风格学与LLM推理结合，评估和缓解文本去匿名化风险，实验表明其在各类场景中具有高推断准确性，并提出引导重组成策略以降低作者身份可识别性。

Stop-Think-AutoRegress: Language Modeling with Latent Diffusion Planning

停止-思考-自动回归：结合潜在扩散规划的语言建模

Justin Lovelace, Christian Belardi, Sofian Zalouk, Adhitya Polavaram, Srivatsa Kundurthy, Kilian Q. Weinberger

机构 * Department of Computer Science, Cornell University（计算机科学系，康奈尔大学） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.CL、cs.LG

AI总结 STAR-LDM通过引入思考阶段的潜在扩散规划，实现了更高效的全局规划和生成，显著提升了语言理解和叙事连贯性任务的表现。

Comments COLM 2025

Diffusion Modulation via Environment Mechanism Modeling for Planning

通过环境机制建模进行扩散调制用于规划

Hanping Zhang, Yuhong Guo

机构 * School of Computer Science, Carleton University（计算机科学学院，卡尔顿大学） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.LG

AI总结 通过环境机制建模的扩散调制方法提升了离线强化学习中轨迹生成的准确性与一致性。

Fast-ThinkAct: Efficient Vision-Language-Action Reasoning via Verbalizable Latent Planning

Fast-ThinkAct: 通过可言说的潜在规划实现高效的视觉-语言-动作推理

Chi-Pin Huang, Yunze Man, Zhiding Yu, Min-Hung Chen, Jan Kautz, Yu-Chiang Frank Wang, Fu-En Yang

机构 * NVIDIA（英伟达） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.LG

AI总结 Fast-ThinkAct通过可言说的潜在规划实现高效的视觉-语言-动作推理，显著降低推理延迟并保持长周期规划能力。

Comments CVPR 2026. Project page: https://jasper0314-huang.github.io/fast-thinkact/

Compositional Planning with Jumpy World Models

基于跳跃世界模型的组合规划

Jesse Farebrother, Matteo Pirotta, Andrea Tirinzoni, Marc G. Bellemare, Alessandro Lazaric, Ahmed Touati

机构 * FAIR at Meta ； Mila -- Qu\'ebec AI Institute ； McGill University 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出基于跳跃世界模型的组合规划方法，通过学习多步动态预测模型提升长时间任务的规划性能，实现复杂任务的解决。

AI Agents as Universal Task Solvers

AI代理作为通用任务求解器

Alessandro Achille, Stefano Soatto

机构 * AWS Agentic AI（AWS 代理人工智能） 纠错

专题命中 规划决策 ：AI agent(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出将AI代理视为随机动态系统，通过归纳推理框架，探讨学习推理的算法结构，揭示任务解决时间与算法信息的关系，并指出在无限制模型规模下，奖励信号可能导致暴力求解而非可转移策略。

In-Context Planning with Latent Temporal Abstractions

基于潜在时间抽象的上下文规划

Baiting Luo, Yunuo Zhang, Nathaniel S. Keplinger, Samir Gupta, Abhishek Dubey, Ayan Mukhopadhyay

机构 * Vanderbilt University（范德比大学） ； William & Mary（威廉与玛丽学院） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.LG

AI总结 I-TAP通过学习离散时间抽象空间，实现高效且鲁棒的上下文规划，在部分可观测和随机动态环境中表现优异。

Robust Time Series Causal Discovery for Agent-Based Model Validation

面向智能体模型验证的鲁棒时间序列因果发现

Gene Yu, Ce Guo, Wayne Luk

专题命中 规划决策 ：agent(title,abstract)；分类 cs.AI、cs.LG

AI总结 本研究提出鲁棒交叉验证方法，用于提升智能体模型验证中因果结构学习的鲁棒性和准确性。

Comments A peer-reviewed version titled "VCDF: A Validated Consensus-Driven Framework for Time Series Causal Discovery" is accepted to Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD) 2026. Please cite the PAKDD version

Vision and Language: Novel Representations and Artificial intelligence for Driving Scene Safety Assessment and Autonomous Vehicle Planning

视觉与语言：新颖的表示方法和人工智能用于驾驶场景安全评估与自动驾驶规划

Ross Greer, Maitrayee Keskar, Angel Martinez-Sanchez, Parthib Roy, Shashank Shriram, Mohan Trivedi

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文研究了视觉-语言表示在自动驾驶安全评估和规划中的应用，提出轻量级危险检测、轨迹规划框架整合及自然语言约束方法，强调表示-任务对齐的重要性。

ALMo: Interactive Aim-Limit-Defined, Multi-Objective System for Personalized High-Dose-Rate Brachytherapy Treatment Planning and Visualization for Cervical Cancer

ALMo：交互式目标-限制定义的多目标系统，用于宫颈癌高剂量率近距离治疗计划与可视化

Edward Chen, Natalie Dullerud, Pang Wei Koh, Thomas Niedermayr, Elizabeth Kidd, Sanmi Koyejo, Carlos Guestrin

机构 * Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Stanford University School of Medicine（斯坦福大学医学院） ； Paul G. Allen School of Computer Science & Engineering（保罗·G·艾伦计算机科学与工程学院） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.LG

AI总结 ALMo是一种用于宫颈癌高剂量率近距离治疗的交互式多目标系统，通过自动化参数设置和直观的剂量学权衡控制，提高治疗计划质量和效率。

Comments Abstract accepted at Symposium on Artificial Intelligence in Learning Health Systems (SAIL) 2025

DiffusionRollout: Uncertainty-Aware Rollout Planning in Long-Horizon PDE Solving

DiffusionRollout：长时间尺度PDE求解中的不确定性感知 rollout 计划

Seungwoo Yoo, Juil Koo, Daehyeon Choi, Minhyuk Sung

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.LG

AI总结 DiffusionRollout通过自适应选择步长策略，提升长时间尺度PDE求解的预测可靠性与准确性。

Comments TMLR

STAR : Bridging Statistical and Agentic Reasoning for Large Model Performance Prediction

STAR：连接统计推理与代理推理以提升大模型性能预测

Xiaoxiao Wang, Chunxiao Li, Junying Wang, Yijin Guo, Zijian Chen, Chunyi Li, Xiaohong Liu, Zicheng Zhang, Guangtao Zhai

机构 * Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 规划决策 ：agentic(title,abstract)；分类 cs.AI、cs.LG

AI总结 STAR框架通过结合统计推理与代理推理，有效提升大模型性能预测的准确性与可靠性，尤其在数据稀疏情况下表现突出。

Comments 10 pages, 8 figures, 17 tables. Code available at https://github.com/xiaoxiaostudy/star

Where Bits Matter in World Model Planning: A Paired Mixed-Bit Study for Efficient Spatial Reasoning

位在世界模型规划中的作用：一种混合位研究以实现高效的空问推理

Suraj Ranganath, Anish Patnaik, Vaishak Menon

机构 * University of California San Diego（加州大学圣地亚哥分校） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.LG

AI总结 本研究通过混合位方法探讨位分配对世界模型规划的影响，发现不同比特分配策略在空间推理中的表现差异显著，提出模块意识和预算意识的量化策略作为未来研究方向。

Comments Workshop submission

Patch the Distribution Mismatch: RL Rewriting Agent for Stable Off-Policy SFT

修补分布不匹配：用于稳定离策略SFT的RL重写代理

Jiacheng Wang, Ping Jian, Zhen Yang, Zirong Chen, Keren Liao, Zhongbin Guo

机构 * School of Computer Science & Technology, Beijing Institute of Technology（计算机科学与技术学院，北京理工大学） 纠错

专题命中 规划决策 ：agent(title,abstract)；分类 cs.CL、cs.LG

AI总结 本文提出基于强化学习的RL重写代理，通过优化分布对齐和多样性，提升下游SFT效果并减少遗忘。

SMaRT: Select, Mix, and ReinvenT -- A Strategy Fusion Framework for LLM-Driven Reasoning and Planning

SMaRT: 选择、混合与再发明 -- 一种用于大语言模型驱动推理与规划的策略融合框架

Nikhil Verma, Manasa Bharadwaj, Wonjun Jang, Harmanpreet Singh, Yixiao Wang, Homa Fashandi, Chul Lee

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.CL

AI总结 SMaRT框架通过融合多样化推理策略，提升大语言模型在推理与规划任务中的性能和鲁棒性。

Agentic Jigsaw Interaction Learning for Enhancing Visual Perception and Reasoning in Vision-Language Models

代理拼图交互学习：提升视觉感知与推理能力在视觉-语言模型中

Yu Zeng, Wenxuan Huang, Shiting Huang, Xikun Bao, Yukun Qi, Yiming Zhao, Qiuchen Wang, Lin Chen, Zehui Chen, Huaian Chen, Wanli Ouyang, Feng Zhao

机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； East China Normal University（华东师范大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

专题命中 规划决策 ：agentic(title,abstract)；分类 cs.AI、cs.CL

AI总结 AGILE通过代理拼图交互学习提升视觉-语言模型的感知与推理能力，显著提高拼图任务性能并增强多模态模型的泛化能力。

A Unified Experimental Architecture for Informative Path Planning: from Simulation to Deployment with GuadalPlanner

信息路径规划的统一实验架构：从仿真到部署的GuadalPlanner

Alejandro Mendoza Barrionuevo, Dame Seck Diop, Alejandro Casado Pérez, Daniel Gutiérrez Reina, Sergio L. Toral Marín, Samuel Yanes Luis

机构 * Department of Electronic Engineering, University of Sevilla（电子工程系，塞维利亚大学） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.LG、cs.SE

AI总结 本文提出GuadalPlanner，通过统一架构实现信息路径规划算法在仿真与现实部署间的无缝衔接，支持多种环境和策略，提升算法评估的一致性与可扩展性。

Towards Reinforcement Learning from Neural Feedback: Mapping fNIRS Signals to Agent Performance

迈向基于神经反馈的强化学习：将fNIRS信号映射到智能体表现

Julia Santaniello, Matthew Russell, Benson Jiang, Donatello Sassaroli, Robert Jacob, Jivko Sinapov

专题命中 规划决策 ：agent(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出通过fNIRS信号预测智能体表现，利用分类器和回归器提升RLHF性能，并验证了跨受试者泛化能力。

Comments Accepted to the Association for the Advancement of Artificial Intelligence (AAAI) 2026. To appear in the AAAI 2026 Proceedings

Personalized Learning Path Planning with Goal-Driven Learner State Modeling

基于目标驱动学习者状态建模的个性化学习路径规划

Joy Jia Yin Lim, Ye He, Jifan Yu, Xin Cong, Daniel Zhang-Li, Zhiyuan Liu, Huiqin Liu, Lei Hou, Juanzi Li, Bin Xu

机构 * Department of Computer Science and Technology, Beijing National Research Center for Information Science and Technology（计算机科学与技术系，信息科学国家研究中心） ； Tsinghua University（清华大学） ； Institution of Education（教育研究所） ； Department of Statistics and Data Science（统计与数据科学系） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.CL

AI总结 Pxplore通过整合强化学习与LLM，实现基于目标驱动的个性化学习路径规划，提升学习路径的连贯性和有效性。

Comments Accepted at The Web Conference 2026 (WWW'26)

Evaluating Robustness and Adaptability in Learning-Based Mission Planning for Active Debris Removal

评估基于学习的任务规划在主动清除任务中的鲁棒性和适应性

Agni Bandyopadhyay, Günther Waxenegger-Wilfing

机构 * Faculty of Mathematics and Computer Science, Julius-Maximilians-Universität Würzburg（数学与计算机科学学院，维尔堡大学） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文评估了基于学习的任务规划在主动清除任务中的鲁棒性和适应性，比较了三种规划器在不同约束条件下的性能，发现领域随机化PPO在适应性上表现更优，而MCTS在处理约束变化时更稳定但计算成本高。

Comments Presented at Conference: International Conference on Space Robotics (ISPARO,2025) At: Sendai,Japan

Latent Chain-of-Thought as Planning: Decoupling Reasoning from Verbalization

潜在的思维链作为规划：将推理与言说解耦

Jiecong Wang, Hao Peng, Chunyang Liu

机构 * Beihang University（北航大学） ； Didi Chuxing（滴滴出行） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.CL

AI总结 PLaT通过解耦推理与言说，实现了更灵活的推理过程和更高的可扩展性。

Natural Language Instructions for Scene-Responsive Human-in-the-Loop Motion Planning in Autonomous Driving using Vision-Language-Action Models

基于视觉-语言-动作模型的自动驾驶场景响应式人机协同运动规划的自然语言指令

Angel Martinez-Sanchez, Parthib Roy, Ross Greer

机构 * University of California, Merced（加州大学默塞德分校） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.LG

AI总结 本研究利用视觉-语言-动作模型，通过指令条件规划提升自动驾驶的鲁棒性和轨迹对齐性能。

Planning-Augmented Sampling with Early Guidance for High-Reward Discovery

带有早期引导的规划增强采样用于高回报发现

Rui Zhu, Yudong Zhang, Xuan Yu, Chen Zhang, Xu Wang, Yang Wang

机构 * University of Science（科学大学） ； Shanghai AI Laboratory, Shanghai, China（上海人工智能实验室） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出一种规划增强的采样框架，通过结合蒙特卡洛树搜索和可控软贪婪机制，提升高回报发现的速度和样本质量，同时保持多样性。

The Energy Impact of Domain Model Design in Classical Planning

经典规划中领域模型设计的能量影响

Ilche Georgievski, Serhat Tekin, Marco Aiello

机构 * University of Stuttgart（斯图加特大学） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.SE

AI总结 本文研究了领域模型设计对经典规划器能耗的影响，通过配置框架分析不同领域特征对能量消耗和运行时间的影响。

Comments 2026 IEEE/ACM 5th International Conference on AI Engineering - Software Engineering for AI (CAIN '26)

Monte Carlo Tree Diffusion for System 2 Planning

蒙特卡洛树扩散用于系统2规划

Jaesik Yoon, Hyeonseo Cho, Doojin Baek, Yoshua Bengio, Sungjin Ahn

机构 * New York University（纽约大学） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.LG

AI总结 蒙特卡洛树扩散结合扩散模型和MCTS的优势，通过树结构的去噪过程提升规划性能，实验证明其在长时间任务中优于现有方法。

Comments 23 pages, 7 figures, ICML 2025 Spotlight

Enterprise Resource Planning Using Multi-type Transformers in Ferro-Titanium Industry

钢铁行业中的多类型变压器用于企业资源计划

Samira Yazdanpourmoghadam, Mahan Balal Pour, Vahid Partovi Nia

机构 * Department of Mathematics and Industrial Engineering（数学与工业工程系） ； Polytechnique Montreal（蒙特利尔理工学院） ； Department of Mechanical, Industrial and Aerospace Engineering（机械、工业和航空航天工程系） ； Concordia University（Concordia大学） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出利用多类型变压器解决钢铁行业中的企业资源计划问题，展示其在作业车间调度和背包问题上的高效性能。