大模型推理能力

AerialClaw: An Open-Source Framework for LLM-Driven Autonomous Aerial Agents

AerialClaw：一个用于LLM驱动的自主空中智能体的开源框架

Ke Li, Jianfei Yang, Luyao Zhang, Guo Yu, Chengwei Yan, Yuan Ding, Di Wang, Nan Luo, Gang Liu, Xiao Gao, Quan Wang

机构 * Xidian University（西安电子科技大学） ； Xi'an University of Architecture and Technology（西安建筑科技大学） 纠错

专题命中 规划推理 ：planning(abstract)

AI总结 提出AerialClaw开源框架，采用模块化脑-技能-运行时架构，使基于LLM的智能体能够理解自然语言任务、调用空中技能、闭环决策，提升无人机系统的灵活性、可复现性和可扩展性。

LLM-Mediated Demand Response Coordination in Smart Microgrids

LLM介导的智能微电网需求响应协调

J. de Curtò, I. de Zarzà

专题命中 规划推理 ：reasoning(abstract)

AI总结 针对智能微电网中产消者自愿合作的需求响应协调问题，提出一种结合博弈论与LLM叙事评估的混合决策架构，通过结构化指令实现33.3%的需求削减合作率，优于非结构化消息和基线。

Comments Accepted for publication in 18th International Conference on Sustainability in Energy and Buildings (SEB-26), to appear in Springer Nature proceedings (KES Smart Innovation Systems and Technologies). The final authenticated version will be available online at Springer

Tutor, Not Solver: Designing a Guardrailed AI Assistant for Learning in Higher Education: A Design Case of PeteChat

导师，而非解题者：设计高等教育中带护栏的AI学习助手——PeteChat的设计案例

Belle Li, Lily Tan, Wei Zakharov, Qiang Qiu, Colby Ben Acton

专题命中 规划推理 ：reasoning(abstract)

AI总结 本文通过设计案例PeteChat，提出八项可迁移的评估感知AI导师设计原则，包括作业护栏、调试支架等，基于本地Llama-3模型和RAG技术，旨在平衡学习支持与学术诚信。

Comments Preprint. Includes supplementary appendices, interface figures, and baseline-analysis tables

Submodular Optimization with Applications to Decision and Control

子模优化及其在决策与控制中的应用

Shamak Dutta, Bahman Gharesifard, Stephen L. Smith

专题命中 规划推理 ：planning(abstract)

AI总结 本文综述子模集函数的理论、算法及其在决策与控制中的应用，重点介绍基于贪心算法的近似保证和曲率、子模比等结构性质，并涵盖传感器调度、多智能体协调等应用场景。

LEAP: A Rapid Neural Surrogate of Multi-Fluid MHD at Europa

LEAP: 欧罗巴多流体磁流体动力学的快速神经替代模型

Sachin Alexander Reddy, Abigail R. Azari, Corey J. Cochrane, Xianzhe Jia, Tom A. Nordheim, Lukas Mandrake, Steven D. Vance, Camilla Harris, Ioana Ciucǎ

专题命中 规划推理 ：planning(abstract)

AI总结 针对欧罗巴地下海洋探测中MHD模型计算成本高的问题，提出基于Transformer的替代模型LEAP，实现毫秒级预测磁场扰动，速度提升约40000倍，精度与MHD相当。

MAVIS: Multi-Agent Video Retrieval via Structured Video Understanding

MAVIS: 通过结构化视频理解实现多智能体视频检索

Jie Zhang, Qilang Ye, Hao Zhou, Haochen Liang, Fei Luo

机构 * School of Computing and Information Technology, Great Bay University（大湾区大学计算机与信息技术学院） ； College of Computer Science, Nankai University（南开大学计算机学院） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院） 纠错

专题命中 规划推理 ：reasoning(abstract)

AI总结 提出多智能体框架MAVIS，通过结构化语义库解析视频，利用逻辑感知辩论机制协作推理，无需全库扫描和微调即可实现高效视频检索。

Video2Sim2Real: Full-Stack Autonomous Dexterous Skill Acquisition from a Single Human Video

Video2Sim2Real：从单个人类视频实现全栈自主灵巧技能获取

Yunhai Han, Jianuo Qiu, Linhao Bai, Ziyu Xiao, Zihang Zeng, Yangcen Liu, Zhaodong Yang, Shalin Jain, Wenrui Ma, Jiaqi Fu, Yuqian Zheng, Manisha Natarajan, Muhammad Zubair Irshad, Kenneth Shaw, Matthew Gombolay, Zsolt Kira, Harish Ravichandar

机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Pennsylvania（宾夕法尼亚大学） ； Toyota Research Institute（丰田研究所） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 规划推理 ：planning(abstract)

AI总结 提出Video2Sim2Real框架，从单个人类操作视频中重建数字孪生并提取运动先验，通过物体关键帧优化机器人配置，结合残差强化学习与碰撞感知规划，实现从仿真到真实世界的灵巧技能迁移。

Comments Website: https://video2sim2real.github.io/

SGTO-MAS: Secure Gorilla Troops Optimization for Multi-Agent LLM Systems

SGTO-MAS：面向多智能体大语言模型系统的安全大猩猩部队优化

Saeid Jamshidi

专题命中 规划推理 ：reasoning(abstract)

AI总结 提出一种基于大猩猩部队优化的安全感知多智能体LLM协调方法，通过信任建模、风险感知和集体智能的联合优化，在性能、安全性和效率间取得平衡。

Is US Defense Acquisition Ready to Acquire AI-Enabled Capabilities? Assessing the DoD Software Acquisition Pathway Through a Scenario-Based Policy Analysis

美国国防采办是否准备好采办人工智能赋能能力？通过基于场景的政策分析评估国防部软件采办路径

Daniel Lugo, James C. Davis

专题命中 规划推理 ：planning(abstract)

AI总结 通过基于场景的政策分析，评估美国国防部软件采办路径是否足以应对AI采办的独特需求，发现核心指南中存在可操作性不足，建议增设AI支持子路径并完善工件。

Comments Submitted to ACM Digital Government: Research and Practice Journal on April 2026

PhyRoGen: Synthetic Generation of Physical Robot Manipulation Puzzles Using Procedural Content Generation

PhyRoGen：使用程序化内容生成物理机器人操作谜题的合成生成

Lennart Julian Droß, Andreas Orthey, Marc Toussaint

机构 * Technical University of Berlin（柏林技术大学） ； Robotics Institute Germany（德国机器人研究所） 纠错

专题命中 规划推理 ：planning(abstract)

AI总结 提出PhyRoGen框架，利用程序化内容生成自动创建机器人操作谜题的合成数据集，生成的24个谜题可在1-300秒内求解，并在物理仿真中验证可操作性。

Comments 8 pages, accepted at CASE 2026