大模型推理能力

SAG-Agent: Enabling Long-Horizon Reasoning in Strategy Games via Dynamic Knowledge Graphs

SAG-Agent：通过动态知识图谱实现策略游戏中长周期推理

Chenwei Tang, Lin Long, Xinyu Liu, Jingyu Xing, Zizhou Wang, Joey Tianyi Zhou, Jiawei Du, Liangli Zhen, Jiancheng Lv

机构 * College of Computer Science, Sichuan University（四川大学计算机学院） ； Engineering Research Center of Machine Learning and Industry Intelligence, Ministry of Education（教育部机器学习与工业智能工程研究中心） ； Institute of High Performance Computing, Agency for Science, Technology and Research (A*STAR)（科技研究局（A*STAR）高性能计算研究所） ； Centre for Frontier AI Research, Agency for Science, Technology and Research (A*STAR)（科技研究局（A*STAR）前沿人工智能研究中心） 纠错

专题命中 规划推理 ：reasoning(title,abstract)；planning(abstract)；分类 cs.AI

AI总结 SAG-Agent通过构建持久化的状态-动作图，解决无API环境下自主代理的效率瓶颈，提升探索效率和战略深度。

LensWalk: Agentic Video Understanding by Planning How You See in Videos

LensWalk: 通过规划如何在视频中观看实现代理视频理解

Keliang Li, Yansong Li, Hongze Shen, Mengdi Liu, Hong Chang, Shiguang Shan

机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Peng Cheng Laboratory（鹏城实验室） ； College of Computer Science and Electronic Engineering, Hunan University（湖南大学计算机科学与电子工程学院） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 规划推理 ：planning(title)；reasoning(abstract)；分类 cs.AI

AI总结 LensWalk通过建立紧密的推理-计划-观察循环，使大语言模型能够主动控制视觉观察，提升视频理解的准确性和鲁棒性。

Comments To be published in CVPR 2026

DUPLEX: Agentic Dual-System Planning via LLM-Driven Information Extraction

DUPLEX：基于LLM驱动信息提取的代理双系统规划

Keru Hua, Ding Wang, Yaoying Gu, Xiaoguang Ma

机构 * Midea Corporate Research Center（美的集团研发中心） ； Midea Group（美的集团） ； Northeastern University（东北大学） ； Engineering Department（工程部） 纠错

专题命中 规划推理 ：planning(title,abstract)；分类 cs.AI

AI总结 DUPLEX通过限制LLM进行结构化语义 grounding，结合符号规划器实现可靠规划，优于现有端到端和混合LLM基线。

Learning-guided Prioritized Planning for Lifelong Multi-Agent Path Finding in Warehouse Automation

基于学习的优先规划在仓库自动化中的终身多智能体路径寻找

Han Zheng, Yining Ma, Brandon Araki, Jingkai Chen, Cathy Wu

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

专题命中 规划推理 ：planning(title,abstract)；分类 cs.AI

AI总结 本文提出RL-RH-PP框架，结合强化学习与搜索规划，提升仓库自动化中多智能体路径寻找的效率与适应性。

Journal ref Journal of Artificial Intelligence Research, Vol. 85, Article 28. Publication date: March 2026

Language-Grounded Multi-Agent Planning for Personalized and Fair Participatory Urban Sensing

基于语言的多智能体规划用于个性化和公平的参与式城市传感

Xusen Guo, Mingxing Peng, Hongliang Lu, Hai Yang, Jun Ma, Yuxuan Liang

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

专题命中 规划推理 ：planning(title)；分类 cs.AI

AI总结 本文提出MAPUS框架，通过语言协商实现个性化和公平的参与式城市传感，提升参与度和可持续性。

Comments 19 pages, 12 figures

MolEvolve: LLM-Guided Evolutionary Search for Interpretable Molecular Optimization

MolEvolve: 基于大语言模型的可解释分子优化进化搜索

Xiangsen Chen, Ruilong Wu, Yanyan Lan, Ting Ma, Yang Liu

机构 * Hong Kong University of Science（香港科技大学） ； Hong Kong Polytechnic University（香港理工大学） ； Tsinghua University（清华大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） 纠错

专题命中 规划推理 ：reasoning(abstract)；planning(abstract)；分类 cs.AI、cs.LG

AI总结 MolEvolve通过大语言模型引导进化搜索，实现可解释的分子优化，优于传统方法在属性预测和分子优化任务中表现更优。

Let the Agent Search: Autonomous Exploration Beats Rigid Workflows in Temporal Question Answering

让代理搜索：在时间问题回答中自主探索胜过固定工作流

Xufei Lv, Jiahui Yang, Haoyuan Sun, Xialin Su, Zhiliang Tian, Yifu Gao, Linbo Qiao, Houde Liu

机构 * National University of Defense Technology（国防科技大学） ； Tsinghua University（清华大学） 纠错

专题命中 规划推理 ：reasoning(abstract)；self-correction(abstract)；分类 cs.CL

AI总结 本文提出AT2QA代理，通过自主探索和动态自我纠正提升时间知识图谱问题回答性能，实验表明其在三个基准测试中超越现有最佳基线。

Comments Revised version with three added authors and additional experiments

Self-Evolving Multi-Agent Framework for Efficient Decision Making in Real-Time Strategy Scenarios

自适应演化多智能体框架用于实时战略场景中的高效决策

Li Ma, Hao Peng, Yiming Wang, Hongbin Luo, Jie Liu, Kongjing Gu, Guanlin Wu, Hui Lin, Lei Ren

专题命中 规划推理 ：reasoning(abstract)；planning(abstract)

AI总结 本文提出SEMA框架，通过自适应校准模型偏差和动态观察剪枝，提升实时战略场景中的决策效率与一致性，实验显示其在StarCraft II地图上胜率更高且决策延迟降低超过50%。

Comments 17 pages, 6 figures. Submitted to SCIS (Science China Information Science)

From Imperative to Declarative: Towards LLM-friendly OS Interfaces for Boosted Computer-Use Agents

从命令式到声明式：面向提升计算机使用代理的LLM友好操作系统接口

Yuan Wang, Mingyu Li, Haibo Chen

机构 * Key Laboratory of System Software (Chinese Academy of Sciences)（中国科学院系统软件重点实验室） ； Institute of Software Chinese Academy of Sciences（中国科学院软件研究所） ； Shanghai Jiao Tong University（上海交通大学） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出Declarative Model Interface (DMI)，通过将传统GUI转化为三种声明式原语，提升LLM驱动的计算机使用代理的任务成功率和效率。

Relaxing Constraints in Anonymous Multi Agent Path Finding for Large Agents

在大尺寸代理中放宽匿名多智能体路径寻找的约束

Stepan Dergachev, Dmitry Avdeev

专题命中 规划推理 ：planning(abstract)

AI总结 本文针对匿名多智能体路径寻找问题，提出了一种在连续空间中放宽代理间最小分离约束的方法，将原本4倍半径的限制降低至2√3倍，同时保持路径安全性和无碰撞的理论性质。

Comments 14 pages, 6 figures

LATS: Large Language Model Assisted Teacher-Student Framework for Multi-Agent Reinforcement Learning in Traffic Signal Control

LATS：基于多智能体强化学习的交通信号控制中的大语言模型辅助教师-学生框架

Yifeng Zhang, Peizhuo Li, Tingguang Zhou, Mingfeng Fan, Guillaume Sartoretti

机构 * Department of Mechanical Engineering, National University of Singapore（新加坡国立大学机械工程系） 纠错

专题命中 规划推理 ：reasoning(abstract)

AI总结 本文提出LATS框架，结合大语言模型和多智能体强化学习，通过教师-学生模块提升交通信号控制的表示能力，实验表明其在多样交通场景中具有更高效和泛化性强的控制策略。

DB SwinT: A Dual-Branch Swin Transformer Network for Road Extraction in Optical Remote Sensing Imagery

DB SwinT: 一种用于光学遥感图像道路提取的双分支Swin Transformer网络

Zongyang He, Xiangli Yang, Xian Gao, Zhiguo Wang

机构 * School of Information Science and Engineering（信息科学与工程学院） ； Chongqing Jiaotong University（重庆交通大学） ； College of Information Engineering（信息工程学院） ； Inner Mongolia University of Technology（内蒙古科技大学） ； Inner Mongolia Key Laboratory of Radar Technology and Application（内蒙古雷达技术与应用重点实验室） 纠错

专题命中 规划推理 ：planning(abstract)

AI总结 本文提出DB SwinT网络，结合Swin Transformer的长距离依赖建模能力和U-Net的多尺度特征融合策略，通过双分支编码器学习互补的局部和全局表征，提升复杂环境中道路提取的准确性。