AI Agent

PD$^3$: A Project Duplication Detection Framework via Adapted Multi-Agent Debate

PD$^3$：一种通过适应性多智能体辩论的项目重复检测框架

Dezheng Bao, Yueci Yang, Chutian Yu, Xin Chen, Zeguo Fei, Xiang Yuan, Lijun Zhang, Jiangqian Huang, Zhengxuan Jiang, Daoze Zhang, Junru Chen, Yang Yang

机构 * Zhejiang University（浙江大学） ； State Grid Power Supply Co. Ltd.（国网电力供应有限公司） 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 研究项目重复检测问题，提出PD$^3$框架，通过适应性多智能体辩论，结合局部多智能体辩论与全局循环调度检索项目集，能保证公平比较并产生相关分数和反馈，在真实项目上优于基线，还部署平台节省资金。

Comments 17 pages, 9 figures

SAGE: A Socially-Aware Generative Engine for Heterogeneous Multi-Agent Navigation

SAGE：用于异构多智能体导航的社会感知生成引擎

Lan Hu, Minghui Liwang, Wenbo Zhu, Xinlei Yi, Yiguang Hong, Xianbin Wang, Zhenzhen Jiao, Seyyedali Hosseinalipour

机构 * Guohao School, Tongji University（同济大学国豪书院） ； Shanghai Research Institute for Intelligent Autonomous Systems（上海智能无人系统科学中心） ； Tongji University（同济大学） ； Western University（西安大略大学） ； Aeromind Technology Co., Ltd.（深圳智元科技有限公司） ； University at Buffalo-SUNY（纽约州立大学布法罗分校） 纠错

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

AI总结 针对开放人机环境中异构多智能体导航问题，提出SAGE，通过有向异构图和异构图变换器编码交互，扩散生成模块建模轨迹，无训练安全-社会能量引导机制优化轨迹，实验验证其有效性及可扩展性。

Comments 16 pages, 5 figures, and 14 tables. Includes supplementary experimental details

Strategizing at Speed: A Learned Model Predictive Game for Multi-Agent Drone Racing

高速策略化：多无人机竞速的学习型模型预测博弈

Andrei-Carlo Papuc, Lasse Peters, Sihao Sun, Laura Ferranti, Javier Alonso-Mora

机构 * Department of Cognitive Robotics, Delft University of Technology（认知机器人学系，代尔夫特理工大学） 纠错

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

AI总结 针对多无人机竞速中策略深度与计算延迟的权衡问题，提出一种学习型模型预测博弈（LMPG）方法，通过摊销模型预测博弈计算来降低延迟，在仿真和硬件实验中优于模型预测博弈和模型预测控制。

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 8, pp. 9056-9063, Aug. 2026

SWARM+: Scalable and Resilient Multi-Agent Consensus for Decentralized Data-Aware Workload Management

SWARM+: 用于去中心化数据感知工作负载管理的可扩展且弹性多智能体共识

Komal Thareja, Krishnan Raghavan, Hamza Safri, Anirban Mandal, Ewa Deelman

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

AI总结 提出SWARM+，一种通过分层多智能体共识实现去中心化工作负载管理的系统，在提高可扩展性和弹性的同时支持数据感知调度策略。

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

Rethinking Query Optimization for Multi-Agent Systems [Vision]

重新思考多智能体系统的查询优化 [视觉]

Zoi Kaoudi, Ioana Giurgiu

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

AI总结 研究多智能体系统的查询优化问题，提出NOMA框架，针对其面临的多维搜索等挑战，通过控制实验揭示差异，最优计划为异构配置，实际部署存在低效率，还提出集成优化循环设定研究议程。

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。

On dynamic multi-agent pathfinding methods: review, simulations and modifications

动态多智能体路径规划方法：综述、仿真与改进

Gabriel Fejziaj, Salama Hassona, Wieslaw Marszalek

机构 * Department of Computer Science, Opole University of Technology（计算机科学系，奥波尔技术大学） 纠错

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

AI总结 本文系统研究动态多智能体路径规划（D-MAPF）中的六种代表性算法，并提出一种基于模板的A**算法，通过离线几何路径生成与在线时间适应解耦，在频繁变化和有限感知环境中提高解质量。

Adaptive-Horizon Conflict-Based Search for Closed-Loop Multi-Agent Path Finding

自适应视界冲突搜索用于闭环多智能体路径规划

Jiarui Li, Federico Pecora, Runyu Zhang, Gioele Zardini

机构 * Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院） ； Schwarzman College of Computing（施瓦茨曼计算学院） 纠错

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

AI总结 提出ACCBS算法，通过动态调整规划视界和重用约束树，在有限计算预算下快速生成高质量可行解，兼具渐近最优性和扰动适应性。

CAMEO: A Conditional and Quality-Aware Multi-Agent Image Editing Orchestrator

CAMEO: 一种条件感知与质量驱动的多智能体图像编辑编排器

Yuhan Pu, Hao Zheng, Ziqian Mo, Zirui Pang, Hill Zhang, Tianyi Fan, Shuhong Wu, Jiaheng Wei

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Harbin Institute of Technology（哈尔滨工业大学） ； Shenzhen University（深圳大学） ； Claremont McKenna College（克莱蒙特麦肯纳学院） ； Research Institute of Petroleum Exploration and Development, CNPC（石油勘探开发研究院，中石油） 纠错

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

AI总结 提出CAMEO多智能体框架，将条件图像编辑重构为质量感知的反馈驱动过程，通过分解编辑阶段、嵌入评估循环，在异常插入和人体姿态切换任务中平均胜率提升20%。

CORRECT: COndensed eRror RECognition via knowledge Transfer in multi-agent systems

CORRECT: 多智能体系统中基于知识迁移的浓缩错误识别

Yifan Yu, Moyan Li, Shaoyuan Xu, Jinmiao Fu, Xinhai Hou, Fan Lai, Bryan Wang

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

AI总结 提出CORRECT框架，利用在线缓存蒸馏错误模式，实现轻量级、免训练的错误定位，在多智能体系统中提升错误识别效率，并在七个应用上取得最高19.8%的步骤级错误定位提升。

Multi-Agent Reasoning with Consistency Verification Improves Uncertainty Calibration in Medical MCQA

基于一致性验证的多智能体推理改进医学多项选择题问答中的不确定性校准

John Ray B. Martinez

机构 * Department of Data Science and Analytics（数据科学与分析系） 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 提出多智能体框架，结合领域专家智能体与两阶段验证及S分数加权融合，在医学MCQA中显著降低校准误差并提升判别能力。

Comments 20 pages, 6 figures. Preprint under review

BrainPilot: Automating Brain Discovery with Agentic Research

BrainPilot：通过智能研究实现大脑发现自动化

Haoxuan Li, Tianci Gao, Jianhe Li, Yang Fan, Runze Shi, Weiran Wang, Tianxiang Zhao, Zezhao Wu, Xiaoyang Jiang, Qihui Zhang, Jia Li, Xiao Xiao, Kai Du, Xiaoxuan Jia, Chao Xie, Lu Mi

机构 * College of AI, Tsinghua University（清华大学人工智能学院） ； Shanghai Qizhi Institute（上海期智研究院） ； Business School, Renmin University of China（中国人民大学商学院） ； School of Physics, Beihang University（北京航空航天大学物理学院） ； School of Information and Software Engineering, University of Electronic Science and Technology of China（电子科技大学信息与软件工程学院） ； Behavioral and Cognitive Neuroscience Center, Institute of Science and Technology for Brain-Inspired Intelligence, Fudan University（复旦大学脑科学与智能技术研究院行为与认知神经科学中心） ； College of Engineering, Georgia Institute of Technology（佐治亚理工学院工程学院） ； School of Life Sciences & IDG/McGovern Institute for Brain Research, Tsinghua University（清华大学生命科学学院&清华-IDG/麦戈文脑科学研究院） ； School of Computing and Artificial Intelligence, Southwest Jiaotong University（西南交通大学计算机与人工智能学院） ； Weixian College, Tsinghua University（清华大学未央学院） ； Department of Psychological and Cognitive Sciences, Tsinghua University（清华大学心理学与认知科学系） 纠错

专题命中 多智能体 ：agentic(title)；agent(abstract)；AI agent(abstract)；tool use(abstract)

AI总结 研究针对脑科学研究整合证据难、人工智能代理有缺陷的问题，提出完全开源的多智能体系统BrainPilot，它有可追溯日志和验证结果，含知识库与技能库，经实验评估，其开源模型以低成本达先进框架性能。

Learning Latency-Aware Orchestration for Multi-Agent Systems

学习面向延迟的并行多智能体系统编排

Xi Shi, Mengxin Zheng, Qian Lou

机构 * University of Central Florida（中央佛罗里达大学） 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 本文提出LAMaS框架，通过显式优化关键路径降低多智能体系统并行执行的延迟，提升效率和性能。

Comments Preprint. Previously this version appeared as arXiv:2607.13359 which was submitted as a new work by accident

Bandwidth-Efficient Multi-Agent Communication through Information Bottleneck and Vector Quantization

通过信息瓶颈和向量量化实现带宽高效的多智能体通信

Ahmad Farooq, Kamran Iqbal

机构 * Department of Electrical and Computer Engineering, University of Arkansas at Little Rock（电气与计算机工程系，阿肯色大学小岩分校） 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 本研究通过信息瓶颈与向量量化方法，实现多智能体通信的带宽高效优化，提升协调性能并减少带宽消耗。

Comments Accepted at IEEE ICRA 2026, Vienna, Austria. 8 pages, 4 figures, 4 tables. v2: replaces v1 with the accepted camera-ready version and corrects a typo in the bandwidth reduction (41.4% -> 71.4%) in the abstract, Sec. I, Fig. 2 caption, Sec. VI and Sec. VII. Sec. V-A and Table I (800 vs 2800 bits/episode) were already correct; no results or conclusions changed

Not Just RLHF: Why Alignment Alone Won't Fix Multi-Agent Sycophancy

不只是RLHF：为何仅对齐不足以解决多智能体趋同

Adarsh Kumarappan, Ananya Mujoo

机构 * California Institute of Technology（加州理工学院） ； Evergreen Valley College（艾弗绿谷学院） 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 本文研究了多智能体系统在模拟同伴分歧下的错误率问题，发现预训练基础模型与指令模型存在相似的替换模式，且错误率较高。通过激活修补发现错误集中在中间层，修复后可恢复大部分正确率差距。研究还指出压力抑制了清洁推理特征，而非激活新的趋同回路。

FinRpt: Dataset, Evaluation System and LLM-based Multi-agent Framework for Equity Research Report Generation

FinRpt：用于权益研究报告生成的数据集、评估系统及基于大语言模型的多智能体框架

Song Jin, Shuqi Li, Shukun Zhang, Rui Yan

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

AI总结 本文首次明确权益研究报告生成任务，推出含数据集、评估系统的FinRpt基准，提出多智能体框架FinRpt-Gen，实验验证其有效性，相关代码与数据集公开。

Comments AAAI 2026

Streaming Communication in Multi-Agent Reasoning

多智能体推理中的流式通信

Zhen Yang, Xiaogang Xu, Wen Wang, Cong Chen, Xander Xu, Ying-Cong Chen

机构 * HKUST(GZ)（香港科技大学（广州）） ； Alibaba Group（阿里巴巴集团） ； ZJU（浙江大学） ； HKUST（香港科技大学） 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 提出流式多智能体推理系统StreamMA，通过将推理步骤实时流式传输给下游智能体来降低延迟，并意外地提升了效果，同时首次给出流式、串行和单协议三种模式的闭式联合分析。

Comments project page: https://zhenyangcs.github.io/StreamMA-website/

Courtroom-Style Multi-Agent Debate with Progressive RAG and Role-Switching for Controversial Claim Verification

courtroom 风格多智能体辩论与渐进式 RAG 和角色切换用于争议性主张验证

Masnun Nuha Chowdhury, Nusrat Jahan Beg, Umme Hunny Khan, Syed Rifat Raiyan, Md Kamrul Hasan, Hasan Mahmud

机构 * Systems and Software Lab (SSL), Department of Computer Science and Engineering（系统与软件实验室（SSL），计算机科学与工程系） 纠错

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

AI总结 本文提出 PROClaim 框架，通过结构化对抗辩论和角色切换提升争议性主张验证的可靠性，实验显示其在 Check-COVID 数据集上准确率达 81.7%。

Comments Under review, 29 pages, 7 figures, 17 tables

When Only the Final Text Survives: Implicit Execution Tracing for Multi-Agent Auditing

当只有最终文本幸存时：多智能体归因的隐式执行追踪

Yi Nian, Haosen Cao, Shenzhe Zhu, Henry Peng Zou, Qingqing Luan, Yudi Zhang, Yue Zhao

机构 * University of Southern California（南加州大学） ； University of Toronto（多伦多大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Independent Researcher（独立研究员） 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 本文提出隐式执行追踪框架，通过在生成过程中嵌入代理特定的统计信号，实现多智能体系统的归因和执行轨迹恢复，即使在元数据缺失的情况下也能保持生成质量。

Procedural Fairness in Multi-Agent Bandits

多智能体老虎机中的程序公平性

Joshua Caiata, Carter Blair, Kate Larson

机构 * University of Waterloo（滑铁卢大学） ； Harvard University（哈佛大学） 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 本文提出程序公平性作为多智能体老虎机中的公平性目标，强调平等决策权和结果比例性，证明不同公平性观念优先不同价值观，主张加强程序公平性研究。

AdaMARP: An Adaptive Multi-Agent Interaction Framework for General Immersive Role-Playing

AdaMARP: 一种自适应多智能体交互框架用于通用沉浸式角色扮演

Zhenhua Xu, Dongsheng Chen, Shuo Wang, Jian Li, Chengjie Wang, Meng Han, Yabiao Wang

机构 * Zhejiang University（浙江大学） ； Tencent Youtu Lab（腾讯优图实验室） 纠错

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

AI总结 AdaMARP提出了一种自适应多智能体交互框架，通过沉浸式信息格式和显式场景管理器提升角色扮演的沉浸感和适应性，实验表明其在角色一致性、环境基础性和场景转换等方面优于现有系统。

Comments ACL2026 Findings

AutoWorld: Learning Multi-Agent Traffic Simulation with Self-Supervised World Models

AutoWorld: 通过自监督世界模型扩展多智能体交通仿真

Mozhgan Pourkeshavarz, Tianran Liu, Nicholas Rhinehart

机构 * University of Toronto（多伦多大学） 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 本文提出AutoWorld框架，利用未标记的LiDAR数据自监督学习世界模型，提升多智能体交通仿真的真实感与性能，实验表明未标记数据能有效提升仿真效果。

Embodiment-Induced Coordination Regimes in Tabular Multi-Agent Q-Learning

体感诱导的表格多智能体Q学习协调模式

Muhammad Ahmed Atif, Nehal Naeem Haji, Mohammad Shahid Shaikh, Muhammad Ebad Atif

机构 * Dhanani School of Science and Engineering（丹尼尼科学与工程学院） 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 该研究通过表格化网格世界验证集中价值学习在多智能体Q学习中的协调效果，发现其在不同运动模式和角色下效果不一，协调性可能因体感限制而成为负担。

Toward Adaptable Multi-Agent Reinforcement Learning: An Assumption-Aware Review

迈向适应性多智能体强化学习：基于假设感知的综述

Siyi Hu, Mohamad A Hady, Jianglin Qiao, Jimmy Cao, Mahardhika Pratama, Ryszard Kowalczyk

机构 * Curtin University（Curtin 大学） ； Adelaide University（阿德莱德大学） ； The University of Sydney（悉尼大学） ； Systems Research Institute Polish Academy of Sciences（波兰科学院系统研究所） 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 该综述提出‘适应性’分类法组织多智能体强化学习变化，区分学习、策略、场景驱动适应性三个维度，明确现有概念关系及MARL评估未明确之处，为MARL在实际部署中应对假设变化提供思路。

Assistax: A Multi-Agent Hardware-Accelerated Reinforcement Learning Benchmark for Assistive Robotics

Assistax: 一个用于辅助机器人的多智能体硬件加速强化学习基准

Leonard Hinckeldey, Elliot Fosong, Rimvydas Rubavicius, Elle Miller, Trevor McInroe, Fan Zhang, Patricia Wollstadt, Stefano V. Albrecht, Subramanian Ramamoorthy

机构 * University of California, Berkeley（加州大学伯克利分校） ； 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.AI、cs.LG

AI总结 提出Assistax基准，利用JAX硬件加速和基于多智能体强化学习的辅助机器人任务，实现高达370倍加速，并测试机器人的零样本协调能力。

Comments Accepted at the Reinforcement Learning Conference 2026

OMAC: A Holistic Optimization Framework for LLM-Based Multi-Agent Collaboration

OMAC：一种面向基于大语言模型的多智能体协作的综合优化框架

Shijun Li, Hilaf Hasson, Joydeep Ghosh

机构 * Department of Electrical and Computer Engineering, The University of Texas at Austin, Austin, United States（得克萨斯大学奥斯汀分校电子与计算机工程系） ； Intuit AI Research, Mountain View, United States（Intuit AI研究） 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 本文提出OMAC框架，通过五个关键优化维度提升基于大语言模型的多智能体系统性能，采用语义初始化器和对比比较器算法实现单维和多维联合优化。

Comments Accepted as a Oral paper at ICML 2026

CAM: A Causality-based Analysis Framework for Multi-Agent Code Generation Systems

CAM：基于因果分析的多智能体代码生成系统分析框架

Zongyi Lyu, Zhenlan Ji, Songqiang Chen, Liwen Wang, Yuheng Huang, Shuai Wang, Shing-Chi Cheung

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The University of Tokyo（东京大学） 纠错

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

AI总结 CAM提出一种基于因果分析的框架，用于分析多智能体代码生成系统中中间特征对系统正确性的贡献，通过实证分析揭示了依赖上下文的特征和混合架构的优势。

Comments 20 pages, 12 tables, 5 figures

CTC: The Composite Task Challenge for Cooperative Multi-Agent Reinforcement Learning

CTC：合作多智能体强化学习的复合任务挑战

Yurui Li, Yuxuan Chen, Xiaoli Yang, Shijian Li, Gang Pan

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

AI总结 针对合作多智能体强化学习中缺乏评估分工与合作基准任务的问题，提出复合任务挑战（CTC），基于特定原则构建任务，评估多种方法发现现有方法有局限，引入引导性方案虽证明可解但性能欠佳，凸显 CTC 对推进该领域研究的价值。