AI Agent

Multi-agent Assessment with QoS Enhancement for HD Map Updates in a Vehicular Network

多智能体评估与QoS增强用于车载网络中HD地图更新

Jeffrey Redondo, Nauman Aslam, Juan Zhang, Zhenhui Yuan

机构 * Department of Computer and Information Sciences, Northumbria University（北安普顿大学计算机与信息科学系） ； School of Engineering, University of Warwick（沃里克大学工程学院） 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 本文提出一种多智能体方法，通过优化状态和动作空间，提升车载网络中HD地图更新的QoS性能，实验显示在多个场景下性能显著提升。

LDP: An Identity-Aware Protocol for Multi-Agent LLM Systems

LDP：一种面向多智能体LLM系统的身份感知协议

Sunil Prakash

机构 * Indian School of Business（印度管理学院） 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 LDP是一种面向多智能体LLM系统的身份感知协议，通过五种机制提升委托效率与可控性。

Comments 16 pages, 9 figures, 8 tables, 4 appendices

A Recipe for Stable Offline Multi-agent Reinforcement Learning

一种稳定离线多智能体强化学习的配方

Dongsu Lee, Daehee Lee, Amy Zhang

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

AI总结 本文提出一种稳定离线多智能体强化学习的配方，通过尺度不变价值归一化技术解决非线性价值分解的不稳定性问题，提升训练稳定性与性能。

Comments Preprint

LatentMem: Customizing Latent Memory for Multi-Agent Systems

LatentMem: 为多智能体系统定制潜在记忆

Muxin Fu, Xiangyuan Xue, Yafu Li, Zefeng He, Siyuan Huang, Xiaoye Qu, Yu Cheng, Yang Yang

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

AI总结 LatentMem通过定制智能体特定的记忆和优化策略，提升了多智能体系统的性能表现。

SMAT: Staged Multi-Agent Training for Co-Adaptive Exoskeleton Control

SMAT: 分阶段多智能体训练用于协同适应外骨骼控制

Yifei Yuan, Ghaith Androwis, Xianlian Zhou

机构 * Department of Biomedical Engineering, New Jersey Institute of Technology（生物医学工程系，新泽西理工学院） ； Kessler Foundation（凯斯勒基金会） 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 SMAT通过分阶段多智能体训练实现外骨骼控制的协同适应，提升行走辅助效果与机械功率输出。

Stochastic Self-Organization in Multi-Agent Systems

多智能体系统中的随机自组织

Nurbek Tastan, Samuel Horvath, Karthik Nandakumar

机构 * Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（莫扎德·本·扎耶德人工智能大学） ； Michigan State University (MSU)（密歇根州立大学） 纠错

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

AI总结 本文提出SelfOrg框架，通过实时适应通信结构，实现多智能体系统的随机自组织，提升协作效率与鲁棒性。

Comments Accepted to ICLR 2026

MICA: Multi-Agent Industrial Coordination Assistant

MICA：多智能体工业协调助手

Di Wen, Kunyu Peng, Junwei Zheng, Yufan Chen, Yitian Shi, Jiale Wei, Ruiping Liu, Kailun Yang, Rainer Stiefelhagen

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄大学） ； INSAIT ； Hunan University（湖南大学） ； Carl Zeiss Stiftung（卡尔蔡司基金会） ； University of Excellence（卓越大学） ； Helmholtz Association（海德堡协会） ； State of Baden-Württemberg（巴登-符腾堡州） ； German Research Foundation（德国研究基金会） ； National Natural Science Foundation of China（国家自然科学基金委员会） ； Hunan Provincial Research and Development Project（湖南省研发项目） ； State Key Laboratory of Autonomous Intelligent Unmanned Systems（自主智能无人系统国家重点实验室） 纠错

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

AI总结 MICA是一种基于感知和语音交互的多智能体系统，通过自适应步骤融合技术提升工业任务的执行效率和可靠性。

Comments Accepted to ICRA 2026. The source code will be made publicly available at https://github.com/Kratos-Wen/MICA

Generative Evolutionary Meta-Solver (GEMS): Scalable Surrogate-Free Multi-Agent Reinforcement Learning

生成进化元求解器（GEMS）：可扩展的无代理多智能体强化学习

Alakh Sharma, Gaurish Trivedi, Kartikey Singh Bhandari, Yash Sinha, Dhruv Kumar, Pratik Narang, Jagat Sesh Challa

机构 * Birla Institute of Technology and Science, Pilani（比拉理工学院） 纠错

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

AI总结 GEMS 提出了一种无代理的多智能体强化学习框架，通过生成器和潜在锚点替代传统种群方法，实现更快的训练速度和更低的内存消耗，同时保持博弈论保证。

Comments Accepted at Transactions on Machine Learning Research (TMLR)

Journal ref Transactions on Machine Learning Research (2026)

Alignment Backfire: Language-Dependent Reversal of Safety Interventions Across 16 Languages in LLM Multi-Agent Systems

对齐反噬：在16种语言的LLM多智能体系统中语言依赖性的安全干预逆转

Hiroki Fukui

机构 * Research Institute of Criminal Psychiatry / Sex Offender Medical Center（犯罪精神病研究所以及性犯罪医疗中心） ； Department of Neuropsychiatry, Kyoto University（京都大学神经精神病学系） 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 本研究发现，在不同语言的LLM多智能体系统中，对齐干预可能导致安全措施的逆转，揭示了语言空间对对齐效果的决定性影响。

Comments 89 pages, 4 figures, 4 supplementary figures, 12 supplementary tables; preprint

Learning to Generate and Extract: A Multi-Agent Collaboration Framework For Zero-shot Document-level Event Arguments Extraction

学习生成与提取：一种多智能体协作框架用于零样本文档级事件论证提取

Guangjun Zhang, Hu Zhang, Yazhou Han, Yue Fan, Yuhang Shao, Ru Li, Hongye Tan

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

AI总结 本文提出多智能体协作框架，通过生成与评估代理协同提升零样本文档级事件论证提取的性能与数据质量。

Comments Accepted by AAAI 2026

Multimodal Multi-Agent Ransomware Analysis Using AutoGen

基于AutoGen的多模态多智能体勒索软件分析

Asifullah Khan, Aimen Wadood, Mubashar Iqbal, Umme Zahoora

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

AI总结 本文提出基于AutoGen的多模态多智能体框架，通过融合静态、动态和网络信息，提升勒索软件分类的准确性和稳定性。

Comments 46 pages, 11 figures and 10 tables

MOSAIC: A Unified Platform for Cross-Paradigm Comparison and Evaluation of Homogeneous and Heterogeneous Multi-Agent RL, LLM, VLM, and Human Decision-Makers

MOSAIC：一个用于跨范式比较和评估同质和异质多智能体RL、LLM、VLM和人类决策者的统一平台

Abdulhamid M. Mousa, Yu Fu, Rakhmonberdi Khajiev, Jalaledin M. Azzabi, Abdulkarim M. Mousa, Peng Yang, Yunusa Haruna, Ming Liu

机构 * School of Optics and Photonics, Beijing Institute of Technology, Beijing 100081, China（北京理工大学光学工程学院） ； School of Automation Science and Electrical Engineering, Beihang University, Beijing 100191, China（北京航空航天大学自动化科学与电气工程学院） ； Faculty of Science, Ain Shams University, Cairo, Egypt（爱思唯命大学科学学院） 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 MOSAIC是一个开源平台，通过统一接口和跨范式评估框架，支持在相同环境中比较不同决策范式的智能体，促进可重复的跨领域研究。

Comments 13 pages, 2 figures

When Is Diversity Rewarded in Cooperative Multi-Agent Learning?

在合作多智能体学习中，多样性何时会被奖励？

Michael Amir, Matteo Bettini, Amanda Prorok

机构 * Department of Computer Science and Technology University of Cambridge（计算机科学与技术系剑桥大学） 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 研究通过理论分析和算法验证，探讨了多智能体学习中异质性团队奖励机制，提出HetGPS算法用于发现异质性优势的奖励场景。

MO-MIX: Multi-Objective Multi-Agent Cooperative Decision-Making With Deep Reinforcement Learning

MO-MIX：基于深度强化学习的多目标多智能体协作决策制定

Tianmeng Hu, Biao Luo, Chunhua Yang, Tingwen Huang

机构 * School of Automation, Central South University（中南大学自动化学院） ； Texas A&M University at Qatar（卡塔尔大学塔拉斯阿姆大学） 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 MO-MIX通过集中训练与分散执行框架，解决多目标多智能体协作决策问题，提升非支配解的均匀性并降低计算成本。

Comments 15 pages, 10 figures, published in IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)

Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 45, no. 10, pp. 12098-12112, Oct. 2023

When Agents "Misremember" Collectively: Exploring the Mandela Effect in LLM-based Multi-Agent Systems

当智能体“误忆”时：探索基于大语言模型的多智能体系统中的曼德拉效应

Naen Xu, Hengyu An, Shuo Shi, Jinghuai Zhang, Chunyi Zhou, Changjiang Li, Tianyu Du, Zhihui Fu, Jun Wang, Shouling Ji

机构 * Zhejiang University（浙江大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Palo Alto Networks（帕洛阿尔托网络公司） ； OPPO Research Institute（OPPO研究院） ； Zhejiang Key Laboratory of Decision Intelligence（浙江决策智能重点实验室） 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 本文研究了基于大语言模型的多智能体系统中的曼德拉效应，提出MANBENCH基准并提出缓解策略，实现74.40%的效应减少。

Comments ICLR 2026

Heterogeneous Multi-Agent Reinforcement Learning with Attention for Cooperative and Scalable Feature Transformation

异构多智能体强化学习与注意力机制用于协作和可扩展的特征转换

Tao Zhe, Huazhen Fang, Kunpeng Liu, Qian Lou, Tamzidul Hoque, Dongjie Wang

机构 * University of Kansas（堪萨斯大学） ； Michigan State University（密歇根州立大学） ； Clemson University（克莱姆森大学） ； University of Central Florida（佛罗里达中央大学） 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 本文提出异构多智能体强化学习框架，通过注意力机制实现高效、可扩展的特征转换，提升下游任务性能。

Comments Accepted at KDD 2026 Research Track

Puzzle it Out: Local-to-Global World Model for Offline Multi-Agent Reinforcement Learning

解开谜题：用于离线多智能体强化学习的局部到全局世界模型

Sijia Li, Xinran Li, Shibo Chen, Jun Zhang

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； South China University of Technology（华南理工大学） 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 提出局部到全局世界模型，通过局部预测提升全局状态动态推断，结合不确定性采样机制提升离线多智能体强化学习的泛化能力。

Multi-agent deep reinforcement learning with centralized training and decentralized execution for transportation infrastructure management

多智能体深度强化学习：集中训练与分布式执行用于交通基础设施管理

M. Saifullah, K. G. Papakonstantinou, A. Bhattacharya, S. M. Stoffels, C. P. Andriotis

机构 * organization= Department of Civil ； Environmental Engineering , addressline= The Pennsylvania State University , city= University Park , postcode= 16802 , state= PA , country= USA ； organization= Faculty of Architecture \& the Built Environment , addressline= Delft University of Technology , postcode= 2628 BL , state= Delft , country= The Netherlands 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DDMAC-CTDE框架，用于交通基础设施管理中的多智能体深度强化学习，通过集中训练与分布式执行解决高维状态和动作空间问题，并在基准环境中验证其有效性。

G2CP: A Graph-Grounded Communication Protocol for Verifiable and Efficient Multi-Agent Reasoning

G2CP：一种基于图的可验证和高效的多智能体推理通信协议

Karim Ben Khaled, Davy Monticolo

机构 * University of Lorraine, LORIA（洛林大学，LORIA） 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 G2CP通过图操作实现多智能体高效、可验证的推理通信，提升任务准确率并消除幻觉传播。

From Competition to Coordination: Market Making as a Scalable Framework for Safe and Aligned Multi-Agent LLM Systems

从竞争到协调：市场制作作为安全且对齐的多智能体大语言模型系统的可扩展框架

Brendan Gho, Suman Muppavarapu, Afnan Shaik, Tyson Tsay, Atharva Mohan, James Begin, Kevin Zhu, Archana Vaidheeswaran, Vasu Sharma

机构 * Algoverse AI Research（Algoverse AI研究院） 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 本文提出一种基于市场机制的多智能体大语言模型协调框架，通过结构化经济交换提升推理准确性和透明度，实现自我组织和可验证推理，为安全、对齐的AI系统提供可扩展解决方案。

Carbon-aware decentralized dynamic task offloading in MIMO-MEC networks via multi-agent reinforcement learning

基于多智能体强化学习的碳感知分布式动态任务卸载在MIMO-MEC网络中的应用

Mubshra Zulfiqar, Muhammad Ayzed Mirza, Basit Qureshi

机构 * School of Computer Science and Artificial Intelligence（计算机科学与人工智能学院） ； Wuhan University of Technology（武汉理工大学） ； School of Computer Science and Information Engineering（计算机科学与信息工程学院） ； Qilu Institute of Technology（齐鲁工业大学） ； Department of Computer Science（计算机科学系） ； Prince Sultan University（普天大学） 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 本文提出基于多智能体强化学习的碳感知分布式动态任务卸载框架，通过优化减少碳排放和能源浪费，提升MIMO-MEC网络的可持续性。

VILLAIN at AVerImaTeC: Verifying Image-Text Claims via Multi-Agent Collaboration

VILLAIN 在 AVerImaTeC 上：通过多智能体协作验证图像-文本声明

Jaeyoon Jung, Yejun Yoon, Kunwoo Park

机构 * School of AI Convergence, Soongsil University（人工智能融合学院，顺世大学） ； MAUM AI Inc.（MAUM人工智能公司） ； Department of Intelligent Semiconductors, Soongsil University（智能半导体系，顺世大学） 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 VILLAIN 通过多智能体协作验证图像-文本声明，实现事实核查系统的高效准确验证。

Comments A system description paper for the AVerImaTeC shared task at the Ninth FEVER Workshop (co-located with EACL 2026)

AutoNumerics: An Autonomous, PDE-Agnostic Multi-Agent Pipeline for Scientific Computing

AutoNumerics: 一种自主的、与偏微分方程无关的多智能体流水线用于科学计算

Jianda Du, Youran Sun, Haizhao Yang

机构 * University of Maryland（马里兰大学） 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 AutoNumerics通过多智能体框架自主设计并验证数值求解器，基于自然语言描述实现高效准确的偏微分方程求解。

Causally-Guided Automated Feature Engineering with Multi-Agent Reinforcement Learning

基于多智能体强化学习的因果引导自动化特征工程

Arun Vignesh Malarkkan, Wangyang Ying, Yanjie Fu

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

AI总结 CAFE通过因果引导的多智能体强化学习提升自动化特征工程的鲁棒性和效率。

Comments 11 Pages, References and Appendix

Graphon Mean-Field Subsampling for Cooperative Heterogeneous Multi-Agent Reinforcement Learning

图论均值场子采样用于协作异质多智能体强化学习

Emile Anand, Richard Hoffmann, Sarah Liaw, Adam Wierman

机构 * California Institute of Technology（加州理工学院） ； Harvard University（哈佛大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 GMFS通过子采样异质智能体交互，实现可扩展的协作多智能体强化学习，具有poly(κ)样本复杂度和O(1/√κ)最优性差距。

Comments 43 pages, 5 figures, 1 table

Multi-Agent Comedy Club: Investigating Community Discussion Effects on LLM Humor Generation

多智能体喜剧俱乐部：探究社区讨论对LLM幽默生成的影响

Shiwei Hong, Lingyao Li, Ethan Z. Rong, Chenxinran Shen, Zhicong Lu

机构 * George Mason University（乔治·马歇尔大学） ； University of South Florida（佛罗里达州立大学） ； 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.CL

AI总结 本研究通过多智能体实验探讨社区讨论对LLM生成幽默的影响，发现讨论条件在Craft/Clarity和社会反应指标上显著优于基线条件。

Comments 18 pages, 5 figures

Socially-Weighted Alignment: A Game-Theoretic Framework for Multi-Agent LLM Systems

社交加权对齐：多智能体大语言模型系统的博弈论框架

Furkan Mumcu, Yasin Yilmaz

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

AI总结 本文提出社交加权对齐框架，通过引入社交权重解决多智能体LLM系统中的个体理性与集体稳定矛盾，通过理论分析和模拟验证了关键阈值的存在。

A Multi-Agent Framework for Medical AI: Leveraging Fine-Tuned GPT, LLaMA, and DeepSeek R1 for Evidence-Based and Bias-Aware Clinical Query Processing

面向医疗AI的多智能体框架：利用微调的GPT、LLaMA和DeepSeek R1进行基于证据和偏见意识的临床查询处理

Naeimeh Nourmohammadi, Md Meem Hossain, The Anh Han, Safina Showkat Ara, Zia Ush Shamszaman

机构 * Department of Computing ； Games, Teesside University, Middlesbrough, United Kingdom Centre for Digital Innovation, Teesside University, Middlesbrough, United Kingdom Faculty of Business \& Technology, University of Sunderland, Sunderland, United Kingdom 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 本文提出一个多智能体框架，利用微调的GPT、LLaMA和DeepSeek R1，结合证据检索和偏见检查，提升医疗问答的可靠性与准确性。

Comments 27 pages, 14 figures, 5 tables

TDPNavigator-Placer: Thermal- and Wirelength-Aware Chiplet Placement in 2.5D Systems Through Multi-Agent Reinforcement Learning

TDPNavigator-Placer: 通过多智能体强化学习实现2.5D系统中热和布线长度感知的芯片片放置

Yubo Hou, Furen Zhuang, Partha Pratim Kundu, Sezin Ata Kircali, Jie Wang, Mihai Dragos Rotaru, Dutta Rahul, Ashish James

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

AI总结 TDPNavigator-Placer通过多智能体强化学习，实现2.5D系统中热和布线长度感知的芯片片放置优化，提升性能平衡。

Journal ref The 27th IEEE Electronics Packaging Technology Conference (EPTC 2025)

Co-jump: Cooperative Jumping with Quadrupedal Robots via Multi-Agent Reinforcement Learning

Co-jump: 通过多智能体强化学习实现四足机器人协同跳跃

Shihao Dong, Yeke Chen, Zeren Luo, Jiahui Zhang, Bowen Xu, Jinghan Lin, Yimin Han, Ji Ma, Zhiyou Yu, Yudong Zhao, Peng Lu

机构 * Adaptive Robotic Controls Lab (ArcLab), Department of Mechanical Engineering, University of Hong Kong（香港大学机械工程系自适应机器人控制实验室） ； EngineAI 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 本研究通过多智能体强化学习实现四足机器人协同跳跃，显著提升垂直跳跃能力，无需显式通信或预设运动原语。

Comments 14 pages, 7 figures