AI 大模型
智能体、工具调用、规划、工作流、多智能体和自主任务执行。
LAP：面向自主科学的智能体-仪器协议
机构 * Shiyanjia Lab（实验之家实验室）
专题命中 规划决策 ：agent(title,abstract)；agentic(abstract)；分类 cs.AI
AI总结 针对自主科学中智能体与物理仪器连接碎片化的问题，提出LAP协议，通过InstrumentCard、预留机制、安全围栏握手和测量结果模式，实现有状态、安全关键的操作，并与现有生态系统兼容。
Comments 31 pages
通过基于交互合成扩展智能体能力
机构 * Renmin University of China（中国人民大学） ； Peking University（北京大学） ； Tencent（腾讯）
专题命中 规划决策 ：agentic(title,abstract)；planning(abstract)；分类 cs.CL
AI总结 提出GAIS框架，通过两阶段接地机制（协议锚定环境和结构引导规划）自动生成多样化的环境和复杂任务，显著提升智能体在BFCL、τ²-Bench和ACEBench上的性能。
ANDES：用于自主指令对齐的智能体原生数据演化合成工具
机构 * Peking University（北京大学） ； Sichuan University, Chengdu（四川大学，成都）
专题命中 规划决策 ：agent(title,abstract)；AI agent(abstract)；分类 cs.AI
AI总结 提出ANDES框架，通过自进化世界树路由和可操作诊断报告，将数据生成重构为即插即用的智能体技能，使基础较弱的智能体在严格计算约束下实现自动对齐，在PostTrainBench上取得最先进性能。
TravelEval：评估基于LLM的旅行规划代理的综合基准框架
机构 * Zhejiang University（浙江大学） ； Hong Kong Polytechnic University（香港理工大学） ； Southeast University（东南大学） ； HKUST (GZ) & HKUST Guangzhou（香港科技大学（广州）& 香港科技大学（广州））
专题命中 规划决策 ：planning(title,abstract)；agentic(abstract)；分类 cs.AI
AI总结 针对现有基准过度关注约束合规、缺乏真实性和多维评估的问题，提出TravelEval，通过六维评估框架、真实数据沙盒和模拟全局评估方法，全面评估LLM在旅行规划中的表现。
Comments 31pages, 8 figures, accepted by KDD 2026
PEACE: 一种用于无人机的带约束执行的规划-执行智能体
机构 * Institute of Computer Science, University of Bern（伯尔尼大学计算机科学研究所） ； AI4I - The Italian Institute of Artificial Intelligence（意大利人工智能研究所）
专题命中 规划决策 ：agent(title,abstract)；planning(abstract)；分类 cs.AI
AI总结 提出一种基于大语言模型的规划-执行智能体架构，通过解耦高层任务规划与低层控制，并引入约束执行层和有限重规划，实现无人机可解释、可约束的自主飞行。
Comments Accepted to ICRA 2026 Workshop on Semantics for Reliable Robot Autonomy: From Environment Understanding and Reasoning to Safe Interaction
科学领域中的自主AI代理实验
机构 * School of Data Science, Department of Computer Science, and Biocomplexity Institute, University of Virginia（数据科学学院、计算机科学系和生物复杂性研究所，弗吉尼亚大学）
专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)；分类 cs.AI
AI总结 提出两种基于本地体-远程脑架构的自主AI代理框架，通过系统工程技术克服上下文和推理限制，分别用于时间序列数据集的大规模自动整理和物理讲座的结构化报告生成。
伦理超高速 (EHV)：一种面向代理型AI系统的硬件根零信任运行时强制架构
机构 * Senior Member, IEEE（IEEE高级会员）
专题命中 规划决策 ：agentic(title,abstract)；autonomous agent(abstract)；分类 cs.AI
AI总结 提出伦理超高速 (EHV) 架构，通过结合语法约束解码、因果图CRDT、可信执行环境和OSCAL审计日志，实现硬件根的零信任运行时强制，将策略执行点嵌入推理管线，显著降低治理延迟并支持形式化验证。
Comments 12 pages, 3 TikZ Figures, 3 Tables
HypoAgent: 一种用于知识图谱上交互式溯因假设生成的智能体框架
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Beihang University（北航） ； Hong Kong Baptist University（香港 Baptist 大学）
专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)；分类 cs.AI
AI总结 提出HypoAgent框架，通过三个智能体（意图识别、假设生成、根因分析）实现知识图谱上的交互式溯因假设生成，在常识和生物医学领域知识图谱上达到最优语义相似度。
Comments Under Review
任意场景检测：一种具有经验感知推理的目标检测智能体框架
机构 * Keio University（Keio大学） ； Tsinghua University（清华大学）
专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)；分类 cs.LG
AI总结 提出DetAS/DetAS-X智能体框架，利用多模态大语言模型自适应组合恢复模块和专用检测器，通过自进化经验积累实现经验感知推理，在六个基准上平均F1提升28.36%。
EMBGuard：为具身智能体安全规划构建危险感知护栏
机构 * Independent Researcher（独立研究者） ； Department of Biomedical Engineering（生物医学工程系） ； the Department of Intelligent Precision Healthcare Convergence, Sungkyunkwan University（智能精准医疗融合系，全州大学） ； Department of Artificial Intelligence, Yonsei University（人工智能系，延世大学）
专题命中 规划决策 ：planning(title,abstract)；agent(abstract)；分类 cs.CL
AI总结 提出首个基于MLLM的具身安全护栏EMBGuard，通过解耦物理风险推理与智能体策略，评估（视觉观察，动作）对来识别危险配置并提供自然语言解释，同时构建训练数据集EMBHazard和基准测试EMBGuardTest，在紧凑模型尺寸下达到与专有MLLM竞争的性能并降低误报率。
Comments Accepted at ICML 2026
面向策略型智能体的安全均衡策略优化
机构 * Amazon, USA（亚马逊公司）
专题命中 规划决策 ：agent(title,abstract)；multi-agent(abstract)；分类 cs.AI
AI总结 提出Safe Equilibrium Policy Optimization (SEPO)方法，通过惩罚可剥削性、共谋风险和外部性成本，优化语言模型在多智能体博弈中的策略安全性。
Comments Submitted to EMNLP 2026
AutoScientists: 用于长期科学实验的自组织智能体团队
机构 * Harvard University（哈佛大学）
专题命中 规划决策 ：agent(title,abstract)；AI agent(abstract)；分类 cs.AI
AI总结 提出一种去中心化的AI智能体团队系统AutoScientists，通过自组织协作、提案评审和失败知识共享，在生物医学机器学习、语言模型训练优化和蛋白质适应性预测等长期实验中显著优于现有方法。
循环熵爆发：智能体强化学习中的熵动力学
机构 * Department of Computer Sciences, University of Wisconsin–Madison（威斯康星大学麦迪逊分校计算机科学系）
专题命中 规划决策 ：agent(title,abstract)；agentic(abstract)；分类 cs.LG
AI总结 本文发现智能体强化学习训练中存在循环熵爆发现象，并提出了SEAL辅助损失函数来稳定训练、提升性能。
AEROS：一种具有具身能力模块的单智能体操作架构
机构 * School of Software, Harbin Institute of Technology（哈尔滨工业大学软件学院） ； School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院） ； School of Mathematical and Computer Sciences, Heriot-Watt University, Malaysia Campus（赫瑞-沃森大学马来西亚分校数学与计算机科学学院） ； School of Future Science and Engineering, Soochow University（苏州大学未来科学与工程学院）
专题命中 规划决策 ：agent(title,abstract)；planning(abstract)；分类 cs.AI
AI总结 提出AEROS架构，将机器人建模为单一持久智能主体，通过可安装的具身能力模块扩展能力，实现模块化可扩展性、可组合能力执行和一致的系统级安全。
Comments Submitted to Engineering Applications of Artificial Intelligence (EAAI). 48 pages, 5 figures, 9 tables
解码机器学习决策：面向大规模排序系统的智能体推理框架
机构 * Meta
专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)；分类 cs.AI
AI总结 提出GEARS框架，通过智能体技能封装排序专家知识，将排序优化转化为自主发现过程，实现高层意图驱动的系统调控并保证生产可靠性。
Comments 12 pages, 5 figures
SAM：面向长程推理智能体的状态自适应记忆
机构 * GSAI, Renmin University of China（GSAI，中国人民大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院）
专题命中 规划决策 ：agent(title,abstract)；agentic(abstract)；分类 cs.AI
AI总结 提出状态自适应记忆框架SAM，通过紧凑记忆线索和原始轨迹页面实现意图驱动的信息重建，无需重新训练基础模型，在多个基准上超越强基线。
VineLM: 基于Trie的细粒度控制用于智能体工作流
机构 * Columbia University（哥伦比亚大学）
专题命中 规划决策 ：agentic(title,abstract)；workflow(abstract)；分类 cs.AI
AI总结 提出VineLM工作流管理器，通过Trie结构动态选择每个阶段调用的模型，在请求级目标下优化成本-延迟-准确率边界，稀疏分析减少离线分析成本98-99.8%。
长视界LLM智能体服务的并行上下文压缩
机构 * The Pennsylvania State University（宾夕法尼亚州立大学）
专题命中 规划决策 ：agent(title,abstract)；agentic(abstract)；分类 cs.AI
AI总结 针对长视界LLM智能体对话历史超出上下文窗口的问题，提出并行压缩方法，通过细粒度控制摘要体积和提示工程，在HotpotQA和LoCoMo基准上相比顺序基线降低端到端耗时并提升压缩吞吐量。
AirVista-II：面向动态场景语义理解的具身无人机智能体系统
机构 * Department of Engineering Science, Faculty of Innovation Engineering, Macau University of Science and Technology（创新工程学院工程科学系，澳门科学技术大学） ； State Key Laboratory for Management and Control of Complex Systems, Institute of Automation, Chinese Academy of Sciences（复杂系统管理与控制国家重点实验室，中国科学院自动化研究所） ； State Key Laboratory for Management and Control of Complex Systems, Chinese Academy of Sciences（复杂系统管理与控制国家重点实验室，中国科学院）
专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)；分类 cs.AI
AI总结 提出AirVista-II端到端智能体系统，通过集成智能体任务识别调度、多模态感知和差异化关键帧提取策略，实现零样本下无人机动态场景的通用语义理解与推理。
Journal ref Proc. 2025 IEEE International Conference on Systems, Man, and Cybernetics (SMC), pp. 6319-6324, 2025
IdleSpec: 通过投机规划利用空闲时间用于LLM代理
机构 * KAIST（韩国科学技术院） ； Amazon AGI（亚马逊人工智慧实验室） ； Together AI
专题命中 规划决策 ：planning(title)；agent(abstract)；agentic(abstract)；分类 cs.AI
AI总结 本文提出IdleSpec，一种利用空闲时间提升LLM代理性能的方法，通过在空闲期间生成计划候选并减少延迟开销，从而在多种代理场景中显著提高性能。
设计治理：为组织学习和可扩展自主性构建智能体AI
机构 * ESSEC Business School（ESSEC商学院） ； Accenture Research（埃森哲研究）
专题命中 规划决策 ：agentic(title,abstract)；planning(abstract)；分类 cs.AI
AI总结 本文探讨了智能体AI在组织学习和可扩展自主性中的设计与治理问题，通过案例研究展示了如何通过具体的架构和工作安排实现有效的治理，并总结了七条指导原则。
Comments 17 pages, 1 figure, 3 tables
ClinSeekAgent: 自动化多模态证据检索以实现代理临床推理
机构 * UC Santa Cruz（加州大学圣克ruz分校）
专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)；分类 cs.CL
AI总结 本文提出ClinSeekAgent，一种自动化代理框架，用于动态多模态证据检索，旨在从异构来源主动检索、迭代规划和综合多模态证据，从而提升临床决策支持。
Comments 24 pages, 9 figures; Project Page: https://ucsc-vlaa.github.io/ClinSeekAgent/
潜在动作重参数化用于高效智能体推断
机构 * Université de Montréal（蒙特利尔大学） ； The University of Sydney（悉尼大学） ； Fudan University（复旦大学） ； Yale University（耶鲁大学） ； DeepWisdom ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon Science（亚马逊科学） ； Stanford University（斯坦福大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Mila - Quebec AI Institute（蒙特利尔人工智能研究所）
专题命中 规划决策 ：agent(title,abstract)；planning(abstract)；分类 cs.AI
AI总结 本文提出Latent Action Reparameterization (LAR)框架，通过学习紧凑的潜在动作空间来提升大语言模型智能体的推断效率，减少有效动作 horizon 并保持原始动作空间的表达性。
在符号世界模型上学习双层策略以实现长周期规划
机构 * Vector Institute（向量研究所） ； University of Toronto（多伦多大学） ； LAAS-CNRS（Laas--cnrs） ； University of Toulouse（图卢兹大学） ； RWTH Aachen University（亚琛工业大学）
专题命中 规划决策 ：planning(title,abstract)；AI agent(abstract)；分类 cs.AI
AI总结 本文提出了一种结合低层模仿学习和高层符号抽象的双层策略，用于解决长周期规划问题，通过BISON系统在扩展的MetaWorld基准上验证了其在处理大量物体和长周期任务上的优越性。
位置：一种三层概率性假设-保证架构在安全LLM代理部署中是结构上必需的
机构 * CSX-AI ； University of Liverpool（利物浦大学） ； Carl von Ossietzky Universität Oldenburg（奥尔登堡卡尔·冯·奥西特齐克大学） ； Austrian Institute of Technology（奥地利技术研究院） ； Université Grenoble Alpes（格勒诺布尔阿尔卑斯大学）
专题命中 规划决策 ：agent(title,abstract)；multi-agent(abstract)；分类 cs.AI
AI总结 本文提出，单层抽象层内强制LLM代理安全并非仅仅是次优，而是结构性上不足以满足部署的LLM代理需求。安全操作的三个维度——语义意图和政策合规性、环境有效性以及动态可行性——各自依赖于在执行不同阶段才变得可用的信息集。没有单一的防护措施可以保证这三个维度。我们主张社区必须采用基于合同的架构，其中每个安全维度由独立认证的层强制执行，其概率保证满足下一层的假设。我们勾勒了这样的架构，并通过概率链规则推导出其允许的系统级安全界限。三个开放性问题阻碍着这一标准的实现：从非独立同分布轨迹中估计界限、在部署漂移下合同的渐进退化，以及向多代理设置的扩展——LLM代理运行时保证中最关键的未完成任务。
评估交互式AI代理的认知年龄对齐
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Shenzhen Children's Hospital（深圳儿童医院） ； Peking University（北京大学） ； Hong Kong Polytechnic University（香港理工大学）
专题命中 规划决策 ：AI agent(title,abstract)；agentic(abstract)；分类 cs.AI
AI总结 本文提出ChildAgentEval，首个基于心理测量的交互式基准，用于评估基于多模态大语言模型的代理的认知年龄对齐，通过与年龄特定的人类发展阶段进行系统比较，揭示当前代理在模拟年龄特定认知行为方面的优劣。
通过大型语言模型的图引导动作生成进行具身任务规划
机构 * Purdue University（普渡大学） ； Futurewei Technologies（未来科技）
专题命中 规划决策 ：planning(title,abstract)；agent(abstract)；分类 cs.CL
AI总结 本文提出GiG框架，通过图神经网络编码环境状态并构建动作连接执行轨迹图，结合有限前瞻性模块提升具身代理的规划能力，在三个具身规划基准测试中取得显著性能提升。
Comments Accepted by ICML 2026
医疗领域代理AI治理与生命周期管理
机构 * School of Computer Information Sciences（计算机信息科学学院） ； University of the Cumberlands（坎伯兰大学） ； Williamsburg（威廉斯堡）
专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)；分类 cs.AI
AI总结 本文提出了一种统一的代理生命周期管理框架，旨在解决医疗领域中代理蔓延问题，通过五个控制层实现可审计的监督，同时支持本地创新和安全扩展。
Comments 21 Pages, 9 figures
面向行人的LLM驱动行为规划用于自动驾驶车辆
机构 * The University of Osaka, Japan（大阪大学，日本） ； RIKEN Center for Computational Science, Japan（日本计算科学研究中心） ； Tanta University, Egypt（埃及塔塔大学）
专题命中 规划决策 ：planning(title,abstract)；agent(abstract)；分类 cs.AI
AI总结 本文提出了一种基于大型语言模型的决策框架，用于自动驾驶车辆在复杂城市环境中考虑行人行为，通过自然语言推理提示将结构化场景观测转换为语言推理，从而生成安全的驾驶决策。
Comments This paper has been accepted for presentation at the 29th IEEE International Conference on Intelligent Transportation Systems (ITSC)
当机器人做家务：一个基准和代理用于长期家庭任务执行
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Zhongguancun Academy（中关村学院） ； University of Chinese Academy of Sciences（中国科学院大学）
专题命中 规划决策 ：agent(title,abstract)；planning(abstract)；分类 cs.AI
AI总结 本文提出LongAct基准和HoloMind代理，用于评估长期家庭任务执行中的高层自主能力，实验显示HoloMind在减少模型规模依赖的同时提升了长期性能，但目标完成率仍较低，凸显了长期规划的挑战。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈