AI Agent

Who Are You Explaining To? A Multi-Agent System for Audience-Aware XAI Narratives

你在向谁解释？面向受众感知的XAI叙事多智能体系统

Francesco Musicco, Danilo Danese, Giuseppe Fasano, Angela Lombardi, Alberto Carlo Maria Mancino, Tommaso Di Noia

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

AI总结 针对现有XAI叙事无法适配不同受众的问题，提出XstrAI多智能体框架，结合三类LLM智能体与修正循环，在糖尿病、中风风险预测任务中，其叙事适配性与保真度优于多数基线。

Beyond Cash Flows: A Multi-Agent AI Framework for Valuing Clinical-Stage, Cross-Border Biotechnology

超越现金流：用于临床阶段跨境生物技术估值的多智能体AI框架

Yuhan Fang

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

AI总结 本文针对临床阶段生物技术估值的现金流假设失效问题，提出多智能体AI框架，其含估值层、跨市场协调层与冲突融合机制，基于作者过往实践确立智能体投资系统设计原则。

MoRSE: Task-Oriented Multi-Agent System with Mixture of Role-Subtask Experts

MoRSE：面向任务的混合角色-子任务专家多智能体系统

Peiwen Li, Shiyang Zhang, Yangtian Zhang, Sizhuang He, David van Dijk, Rex Ying

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 MoRSE是一种面向任务的多智能体系统，通过角色-子任务专家混合机制与分层组相对策略优化，在代码生成基准上提升了任务及逐步性能，且专业化增益可跨任务类别与领域泛化。

Comments 25 pages, 8 figures, 9 tables

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。

History Matters: Meta-policy Delegation with Heterogeneous Multi-agent Reinforcement Learning

历史至关重要：异构多智能体强化学习的元策略委托

Ziqing Lu, Avinash Reddy Mudireddy, Sarra Alqahtani, Weiyu Xu

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

AI总结 本文针对异构多智能体系统的资源受限任务委托问题，提出依赖交互历史的元策略委托框架与多维货币机制，基于多智能体强化学习实现高效协作与低成本任务完成。

AgenticVAU: Multi-Agent Explore-Verify Reasoning for Video Anomaly Understanding

AgenticVAU：用于视频异常理解的多智能体探索-验证推理框架

Yuxiang Duan, Huining Li, Ao Li, Shuai Feng, Lanju Kong, Ning Liu, Jian Zhang, Xingdong Sheng, Yuntao Du

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

AI总结 本文提出无需训练的多智能体框架AgenticVAU，通过四个专门智能体协作完成视频异常理解的探索-验证过程，在VAU-Bench数据集上优于零样本推理及强化学习基线方法。

Attacking and Defending Multi-Agent Collaborative Filtering Systems Through Connectivity

通过连通性对多智能体协同过滤系统发起攻击与防御

Anjun Hu, Hanting Xie, Saranya Govindan, Jas Kandola, Kurt Cutajar

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

AI总结 本研究将MAS的攻击与防御方法适配到AgentCF框架下的智能体CF场景，表征连通性对攻防结果的影响，还探索了流行病启发指标用于CF配置的健壮性评估。

Comments 10 pages, 10 figures, 20th ACM Conference on Recommender Systems (RecSys '26)

MDGAM-Based Cooperative Task Scheduling for Communication-Constrained Distributed Multi-Agent Systems

基于MDGAM的通信受限分布式多智能体系统协同任务调度

Licheng Wang, Mingtao Huang, Yuan Shen

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

AI总结 针对通信受限分布式多智能体系统的任务调度问题，本文提出基于MDGAM的神经调度框架，结合GRMAPG算法，经实验验证其可提升任务完成性能。

ParticleGen: A Multi-Agent System for Particle Effects Generation

ParticleGen：用于粒子效果生成的多智能体系统

Junhao Zhuge, Junyi Yang, Yuqing Wang, Kangzhan Wang, Sipeng Yang, Xiaogang Jin

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

AI总结 本研究提出多智能体框架ParticleGen，可从自然语言描述合成结构化可编辑粒子系统，经Unreal Engine 5的Niagara系统多场景验证，能降低创作门槛、提升迭代效率。

Agent Harness Distillation: Inference-Time Harness Extraction and Exploitation in Autonomous Multi-Agent Systems

智能体调控蒸馏：自主多智能体系统中的推理时调控提取与利用

Yu Cui, Wuli Yang, Yirui Shi, Junhao Xia, Hui Jiang, Lei Gao, Chenfu Bao

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

AI总结 本文提出AHD框架，将AMAS推理时调控提取形式化为新安全问题，实验证实其可提取调控致IP泄露，还提出对应欺骗防御，揭示AMAS新安全威胁。

Comments This work is currently in progress

Scaling LLM-Driven Multi-Agent Systems: Design Principles and Architectural Scalability Analysis

扩展大语言模型驱动的多智能体系统：设计原则与架构可扩展性分析

Linus Sander, Fengjunjie Pan, Vahid Zolfaghari, Andre Schamschurko, Nenad Petrovic, Alois Knoll

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

AI总结 该研究提炼出可扩展多智能体系统的四项设计原则，构建参考架构并在基准任务上评估，发现LLM超能力阈值时扩展可提升准确率但成本近似线性增长，性能在中等复杂度达峰，一致性是核心挑战。

ThreatForest: Multi-Agent Attack Tree Generation with Pluggable TTP Framework Mapping

ThreatForest：基于可插拔TTP框架映射的多智能体攻击树生成方法

Cristian Leo, Anton Dykyi, Danny Cortegaca, Daniel Begimher, Prakash Jha

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

AI总结 ThreatForest是首个将代码仓库转化为带TTP映射攻击树及对应缓解措施的端到端多智能体系统，其嵌入编码器是TTP映射准确率的核心瓶颈，相关基准框架可用于同类系统测试。

Comments 20 pages, 12 tables, 1 figure

Towards Faithful Sentimental Image Captioning via Evidence-Aware Multi-Agent Reasoning

通过证据感知多智能体推理实现忠实的情感图像字幕生成

Tiecheng Cai, Zexian Yang, Chao Chen, Shanshan Lin, Xiangwen Liao

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

AI总结 研究情感图像字幕生成中平衡情感表达与视觉保真度的问题，提出SEA-Cap系统，通过情感证据挖掘器提取线索，利用多智能体协作工作流程，依视觉证据审核完善字幕，有效减轻幻觉并达最优性能。

Defer to Plan: Adaptive Multi-Agent Fusion for End-to-End V2X Driving

听从计划：用于端到端车路协同驾驶的自适应多智能体融合

Nuoran Li, Zhang Zhang, Yueran Zhao, Tianze Wang, Chao Sun

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

AI总结 研究车路协同辅助自动驾驶中现有方法不足，提出端到端协同驾驶系统，用MotionNetwork融合信息、注意力机制压缩特征、自回归解码器融合多智能体特征及引入MoE架构，提升驾驶分数并保持通信效率。

Comments Accepted at IEEE ICME 2026

CHMAS: A Coupled Hierarchical Framework for Multi-Agent Reinforcement Learning

CHMAS：一种用于多智能体强化学习的耦合分层框架

Dongming Wang, Jie Xu, Yanyu Zhang, Wei Ren

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

AI总结 本文针对多智能体强化学习跨时间尺度平衡协调与执行的挑战，提出CHMAS框架，将决策分解为集中战略规划与分布式战术执行，有双向信息流和反馈机制，还给出异步更新协议，经理论分析与实验验证，该框架有效。

Comments Presented at the 2026 American Control Conference (ACC 2026). This version corrects the author names in Reference 1. The technical content, results, and conclusions are unchanged

Stigmergic Graph Memory: An Environment-Aware Approach for Many-to-Many Multi-Agent Pickup and Delivery

stigmergic图记忆：一种用于多对多多智能体取货和送货的环境感知方法

Aditya Dutta, Joon-Seok Kim

机构 * Aditya Dutta, Joon-Seok Kim ∗（Aditya Dutta, Joon-Seok Kim） 纠错

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

AI总结 研究多对多多智能体取货和送货问题，提出SGM方法，通过记录仓库节点和边的近期执行信号排序端点与路由偏好，在多种布局、负载条件下实验，结果显示该方法能提高仓库吞吐量。

Comments 16 pages total: 7 pages main text, 2 pages references, and 7 pages appendix

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。

Adoption and Ecosystem Health: A Longitudinal Analysis of Open-Source Multi-Agent Frameworks

采用与生态系统健康：开源多智能体框架的纵向分析

Xi Zhang, Papi Menon, Vivian Chu, Koray Cosguner

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

AI总结 通过分析15个主要开源AI智能体框架的80万+星标、7.4万PR等数据，发现星标数不可靠，提出以贡献者密度、跨生态参与度和留存率衡量生态系统健康。

Comments 24 pages, 10 figures

OrchestrXR: A Multi-Agent System for Idea-to-Prototype XR Study Authoring

OrchestrXR: 用于从创意到原型XR研究创作的多智能体系统

Shuqi Liao, Chenfei Zhu, Karthik Ramani, Voicu Popescu

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

AI总结 提出OrchestrXR，一个多智能体人机协同工作流，通过结构化模式、多智能体编排和交互界面，支持从研究创意到Unity原型的XR研究创作，用户研究验证其有效性。

Cache Merging as a Convergent Replicated State for Multi-Agent Latent Reasoning

缓存合并作为多智能体潜在推理的收敛复制状态

Carlos Baquero, Luís Brito

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

AI总结 提出CanonicalMerge方法，通过按内容排序KV缓存实现交换律合并，确保多智能体潜在推理中缓存合并的确定性，在保持准确率的同时提供结构保证。

Deep Research in Physical Sciences: A Multi-Agent Framework and Comprehensive Benchmark

物理科学中的深度研究：多智能体框架与综合基准

Yigeng Jiang, Tengchao Yang, Taoyong Cui, Jiaxing Wan, Yuan Wang, Weida Wang, Zhiyu Liu, Chuyi Peng, Binzhao Luo, Maoli Gao, Huaihai Huang, Yuqianer Zeng, Ziyang Zheng, Dongchen Huang, Chao Chen, Zichao Liu, Weiping Shen, Shuchen Pu, Siyu Zhou, Runmin Ma, Yusong Hu, Fei Chao, Bo Zhang, Xiawu Zheng, Zifu Wang, Lei Bai, Yunqi Cai, Shufei Zhang

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

AI总结 提出PhySciBench基准评估LLM在物理科学中的深度研究能力，并开发DelveAgent多智能体框架，通过自适应规划、双粒度记忆和分层反思机制提升准确率并降低推理成本。

Comments v3: fix error and add data, codes publicly link on Abstract

PEAR: Permutation-Equivariant Adaptive Routing Multi-Agent Debate

PEAR: 置换等变自适应路由多智能体辩论

Yang Feng, Ziwei Xu, Xia Hu, Fengxiang He

机构 * University of Edinburgh（爱丁堡大学） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

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

AI总结 提出PEAR协议，通过动态重配置通信角色和稀疏拓扑，消除固定拓扑中的位置偏差，提升多智能体辩论的准确性和鲁棒性。

LegalHalluLens: Typed Hallucination Auditing and Calibrated Multi-Agent Debate for Trustworthy Legal AI

LegalHalluLens: 类型化幻觉审计与校准的多智能体辩论以实现可信赖的法律AI

Lalit Yadav, Akshaj Gurugubelli

机构 * Independent Researcher, Sunnyvale, CA, USA（独立研究者，美国加州太阳谷） ； Independent Researcher, San Diego, CA, USA（独立研究者，美国加州圣地亚哥） 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 针对法律AI中聚合指标掩盖的错误集中性和方向性问题，提出LegalHalluLens审计框架，通过类型化幻觉画像、风险方向指数（RDI）和校准辩论管道，将幻觉检测减少45%，并揭示聚合指标隐藏的失败模式。

Comments 15 pages, 5 figures; Published at the Second Workshop on Agents in the Wild: Safety, Security, and Beyond (AIWILD) at ICML 2026

Reward Modeling for Multi-Agent Orchestration

多智能体编排的奖励建模

King Yeung Tsang, Zihao Zhao, Vishal Venkataramani, Haizhou Shi, Zixuan Ke, Semih Yavuz, Shafiq Joty, Hao Wang

机构 * Rutgers University（罗杰斯大学） ； Salesforce AI Research（Salesforce人工智能研究） 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OrchRM框架，通过自监督学习从多智能体执行中间产物构建奖励模型，无需人工标注，实现高效编排器训练和测试时扩展，在多个领域提升性能并降低计算成本。

Comments Preprint; work in progress

Maestro: Workload-Aware Cross-Cluster Scheduling for LLM-Based Multi-Agent Systems

Maestro: 面向基于LLM的多智能体系统的工作负载感知跨集群调度

Jinghao Wang, Xiao Zhou, Xiaoyang Sun, Yihui Zhang, Yilong Li, Tianyu Wo, Xu Wang, Chunming Hu, Renyu Yang

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

AI总结 提出Maestro调度系统，利用智能体语义预测输出长度和内存使用，通过层次化调度（节点级多模型共置、集群级延迟感知路由、全局工作流感知优先级）在严格GPU预算下优化LLM多智能体服务，减少KV缓存HBM占用67.2%，提高高竞争SLO达标率23.6个百分点。

Comments Accepted to the 46th IEEE International Conference on Distributed Computing Systems (ICDCS 2026). 11 pages

DARRMS -- An Efficient Algorithm for Dynamic Attention Radius in Resource-Constrained Multi-Agent Systems

DARRMS——资源受限多智能体系统中动态注意力半径的高效算法

Benjamin Alcorn, Eman Hammad

机构 * Texas A&M University（德克萨斯A&M大学） 纠错

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

AI总结 提出DARRMS算法，通过优化注意力半径和决策，在资源受限下降低计算需求，提升协调性和可扩展性。

Can Multi-Agent LLMs Identify Their Peers? Stylometric Fingerprinting in Role-Constrained Political Analysis

多智能体大语言模型能否识别其同类？角色约束政治分析中的笔迹风格指纹识别

Juergen Dietrich

机构 * Democracy Intelligence gGmbH 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 研究多智能体LLM在政治分析中能否通过笔迹风格识别模型家族，提出SD-CV协议，T5模型在五类归属任务中达到F1=0.991，证明提示级匿名化无法消除模型身份信号。

Comments 24 pages, 3 figures

Audio-Oscar: A Multi-Agent System for Complex Audio Scene Generation, Orchestration, and Refinement

Audio-Oscar: 一个用于复杂音频场景生成、编排和优化的多智能体系统

Yifan Duan, Qixiang Xu, Hengtao Wu, Zhanxun Liu, Wenhao Guan, Junxi Liu, Ziyang Ma, Kelu Xu, Xie Chen

机构 * MoE Key Lab of Artificial Intelligence（人工智能混合专家实验室） ； X-LANCE Lab（X-LANCE实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai AI Laboratory（上海人工智能实验室） ； Xiamen University（厦门大学） ； State Key Laboratory of Complex & Critical Software Environment, China（复杂与关键软件环境国家重点实验室，中国） 纠错

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

AI总结 提出Audio-Oscar多智能体框架，通过协调多个专业智能体处理角色建模、语音生成、时间线规划等，实现复杂音频场景的生成与优化，并构建ASG-Bench基准进行评估。

Learning Multi-Agent Communication Protocol: Study on Information Entropy Efficiency in MARL

学习多智能体通信协议：MARL中信息熵效率研究

Xinren Zhang, Zixin Zhong, Jiadong Yu

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

AI总结 提出信息熵效率指数(IEI)作为量化通信效率的指标，通过将其纳入训练损失函数，使智能体学习到平衡性能与信息紧凑性的通信协议，实验表明在保持或提升任务性能的同时提高通信效率。

A Multi-Agent system for Multi-Objective constrained optimization

多目标约束优化的多智能体系统

Federica Filippini

机构 * University of Milano-Bicocca（米兰比可卡大学） 纠错

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

AI总结 提出MAMO，通过多智能体强化学习解耦任务执行与目标设计，自动学习奖励权重以平衡主目标优化与约束违反，提升动态环境下RL的自主性和鲁棒性。

Comments Presented at the 17th Workshop on Optimization and Learning in Multiagent Systems (OptLearnMAS, https://optlearnmas.github.io), co-located with the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026)