全部 AI 动态 · AI 热点

6月30日

11:42

arXiv cs.AI@Rahul Khedar, Mayank Malhotra, Avinash Karn, Mouli V, Prakhar Mehrotra

Rhetor是一个多智能体系统，输入运行中的web应用和源码，输出带旁白和实时语音问答的排练直播演示。其跨模态特征表示融合UI探索与源码分析，并采用多策略语义定位器。在四个应用中测试，包括公共白板应用Excalidraw，定位器触发率（sigma-bar）在147个动作中为0.31-1.00。在53个动作的大负载任务上触发率约0.92，Excalidraw在迭代2收敛至1.00。论文还定义了十项指标的基准协议用于评估设计选择。

论文 Rhetor 多智能体实时语音问答直播演示 Excalidraw

推荐理由：Rhetor能自动生成带实时问答的直播演示，比纯浏览器代理或固定视频强，在Excalidraw上达到100%定位准确率。

原文

09:20

arXiv: DeepSeek@Zewen Liu

论文提出Contagion Tensor框架，量化多智能体LLM输出分布间的耦合。基于该张量定义Coupling Amplification Factor (CAF)，形式为CAF=E[T_condition]/E[T_baseline]，提供无单位基线比较。在2x2x2块正交仿真中，图像条件超线性效应(CAF=1.40)在禁用图像扰动模块后降为亚线性(CAF=0.87)。真实API实验：DeepSeek-Chat (R=30)和GPT-4o-mini (R=15,真实视觉)在统一人格下文本通信CAF≈1.0，多样人格导致收敛(CAF=0.88)。GPT-4o-mini内对比：C3 (文本) CAF=1.02 vs. C5(真实视觉,R=30) CAF=1.72，验证仿真预测。

论文 Contagion Tensor CAF DeepSeek-Chat GPT-4o-mini 多智能体

推荐理由：想了解多智能体LLM之间怎么互相影响输出？这篇论文给出了可量化框架CAF，还拿DeepSeek和GPT-4o-mini做了实验，能看到图像条件会放大耦合效应。

原文

6月29日

10:09

arXiv cs.AI@Qinhong Zhou, Chuang Gan, Anoop Cherian

LLawCo框架让具身智能体通过反思失败提取行为模式，推导出“必要时说话”“等待伙伴”等高层法则，经监督微调融入思维链。在PARTNR-Dialog基准上，使用四个骨干LLM（如Llama、Mistral）平均成功率提升4.5%，在TDW-MAT基准上提升6.8%。该框架显著提升多智能体合作效率与任务成功率，优于现有开源通信框架。

AI模型 LLawCo 多智能体 PARTNR-Dialog TDW-MAT 合作

推荐理由：多智能体容易各说各话？LLawCo让它们自己学会“必要时说话”“等待伙伴”，在PARTNR-Dialog和TDW-MAT上成功率都涨了4-7个百分点，挺实在的。

原文

10:06

arXiv: DeepSeek@Avni Mittal

研究者将狼人杀游戏扩展为三方博弈，加入Jester角色，其获胜条件是被投票出局，与狼人和村民的效用函数完全相反。在GPT-4.1、DeepSeek-V3.1和Llama-3.3-70B上进行了60局测试，Jester胜率达60-70%，狼人胜率从未超过20%。GPT-4.1控制的狼人常在第一天投票出Jester，构成严格的自毁行为。自学习机制对DeepSeek和Llama有帮助，但对GPT-4.1有害，且成本落在村民而非狼人身上。只有DeepSeek学会了看起来可疑但不故意可疑的微妙策略，在自循环中获益最大。

论文 GPT-4.1 DeepSeek-V3.1 Llama-3.3-70B Jester 多智能体

推荐理由：这篇论文让AI玩三方狼人杀，发现GPT-4.1狼人总犯傻投票出Jester，而DeepSeek学会了装可疑又不露馅。想看看AI怎么玩心眼？读它。

原文

6月25日

10:30

arXiv cs.AI@Thiago Thomas, Gabriel de Oliveira Ramos, Felipe Meneguzzi

多智能体目标识别要求观测者联合推断哪些智能体组成团队及其目标，假设空间随团队划分和目标数量组合增长。MAGR-BB采用共享的团队与目标条件策略作为评分模型，在因子化分支定界搜索中评估假设。在受控的多智能体Blocksworld基准测试中，MAGR-BB在整个轨迹中与穷举搜索返回相同的最高排名假设，同时将假设实例化数量减少几个数量级，累计识别运行时间大幅降低。

论文 MAGR-BB Blocksworld 多智能体强化学习分支定界

推荐理由：这篇论文提出了MAGR-BB，用强化学习和分支定界让多智能体目标识别又快又准，Blocksworld上效果拔群。

原文

6月24日

11:44

arXiv cs.LG@Anurag Akula, Satheesh K. Perepu, Abhishek Sarkar, Kaushik Dey

ASALT是一种针对多智能体强化学习（MARL）的迁移学习方法，解决了源域和目标域观测空间与全局状态空间维度不匹配的问题。该方法引入观测层和状态层适配器，将目标域观测和全局状态映射到共享嵌入空间，支持跨异构域的策略迁移。在标准基准环境的多个配置上，ASALT在合作场景中相比现有基线提升了样本效率和全局回报，但效果依赖于源域与目标域的不匹配程度。实验还表明ASALT能缓解负迁移，这是跨不同观测和动作空间域迁移时的常见障碍。

AI模型 ASALT MARL 多智能体迁移学习强化学习

推荐理由：ASALT这个新方法解决了MARL中状态空间维度不同时知识迁移的难题，实验效果不错，值得做多智能体迁移学习的同学看看。

原文

6月23日

11:10

arXiv cs.AI@Weiwei Ye, Hangchen Liu, Dongyuan Li, Renhe Jiang

论文提出PAPERCLAW，一个多智能体系统，可从研究领域自主生成完整论文。该系统通过实时文献、数据集和代码孵化想法，并利用假设地图的迭代“提出-测试-反思”循环推进，在证据支持结论时自动撰写符合会议格式的论文。PAPERCLAW支持全生命周期记忆，允许暂停、检查与恢复，并内置人机协作接口，使研究者可在任意阶段介入优化。评估使用LLM评判表明，PAPERCLAW在完全自主和人在回路两种模式下均能产出高质量论文。

论文 PAPERCLAW 多智能体自主研究论文生成 LLM

推荐理由：想用AI帮你从头到尾写论文？PAPERCLAW能自动搜文献、定假设、跑实验、写全文，你还能中途插手改方向。

原文

10:57

arXiv cs.AI@Liang Ding, Xintong Wang

Agentic AI任务在长链执行时因环境不确定性呈指数级失败，每步确定性δ<1时k步成功率衰减为δ^k。论文提出三个形式化结果：确定性-效率界限、验证者-古德哈特定理下限、环境技能演化的收敛条件。研究者构建了基于五个可测量属性的供应确定性指数（SCI）和五级确定性成熟度模型（DMM）。论文还提出了一个可证伪的开放问题框架OQ1-OQ5。立场与平台无关，并讨论了模拟到现实充分性、对齐充分性和AI作为正常技术三种竞争观点。

论文智能体推理模型多智能体 AI安全确定性环境

推荐理由：这篇论文分析了智能体AI在不确定环境中的失败机制，还给出了SCI和DMM实用框架。如果你做AI智能体开发，这些形式化结论值得参考。

原文

10:24

arXiv: OpenAI@Moran Koren

该论文提出一种以验证为先的LLM辅助经济理论协议，并实例化为三种方法：单次严谨通道、对抗性验证器对（Claude Opus 4.8提议，OpenAI Codex反驳，作者仲裁）以及带评审门控的结构化多智能体项目。作者在一个开放示例——为Gans-Kominers等级膨胀模型设计Groves/Pigouvian激励相容机制——上评估该协议，三个运行均未产生严格直接揭示VCG/Clarke机制，对抗性通道自身证实了该点。结果揭示三个反复出现的现象：收敛发现、对抗验证的有效性、以及抛光不等于严谨。

论文 LLM 经济理论验证协议多智能体 Claude Opus

推荐理由：这篇论文为你演示了如何用LLM做经济理论研究，重点不是让模型生成答案，而是设计验证流程来确保结果可靠，三种方法对比很清楚。

原文

6月19日

10:37

arXiv: DeepSeek@Zewen Liu

论文提出Contagion Networks框架，测量评估偏差在多智能体LLM系统中的传播。使用DeepSeek-chat在3个智能体实验中，设定三种评估偏差画像（结构化、平衡、基于证据），测得Cross-Agent Contagion Matrix Gamma_3中偏差传播系数gamma在0.157至0.352之间。发现同质模型智能体传播系数比先前跨模型结果弱3-5倍（MM-EPC约0.85-1.3），处于抑制区。将评估委员会从k=1增至k=3可将有效传播降低72.4%。

论文 DeepSeek-chat Contagion Networks 多智能体评估偏差传播抑制

推荐理由：想知道大模型评估偏差怎么在智能体间传播？这篇论文用DeepSeek-chat做了实验，告诉你委员会投票能降72%传播，实用。

原文

10:11

arXiv cs.AI@Huang Peng, Jiuyang Tang, Weixin Zeng, Hao Xu, Xiang Zhao

MACR针对LLM推理中参数知识与外部上下文之间的冲突，提出了一种显式消解机制。该方法首先用修改的语义熵衡量模型对答案的置信度，据此内部知识不足时再检索外部信息。然后引入三个专用智能体，分别归纳规则、分析潜在冲突并消解所有不一致。实验在多个基准上显著超过现有方法，并提供可解释的冲突消解过程。

论文 LLM MACR 知识冲突多智能体推理模型

推荐理由：这篇论文提出了MACR，能帮LLM自己判断知识是否可靠并解决矛盾，比过去的方法强不少，还能解释冲突。

原文

09:42

arXiv cs.LG@Federica Filippini

许多计算与网络系统的决策问题可转化为带性能约束的成本最小化问题。传统强化学习（RL）通过加权惩罚将成本和约束违规合并为标量奖励，但权重需手动调整。本文提出MAMO（多智能体多目标约束优化系统），利用多智能体RL将奖励权重选择作为学习问题。MAMO将任务执行与目标设计解耦，为动态环境中约束优化问题的自主RL方案迈出第一步。

论文 MAMO 多智能体强化学习约束优化

推荐理由：这篇论文提出MAMO，用多智能体RL自动调权重，解决约束优化中手动调参难题。

原文

6月18日

10:58

arXiv cs.AI@Haewoon Kwak

该论文研究多智能体LLM团队中过程级协调控制的价值，通过行为签名（多数锁定、探索、恢复）和逐动作消融实验，将交易型、变革型、情境型三种领导风格作为控制器。在四种任务制度和三个开源模型族（包括Llama-4-Scout）的12种组合中，没有控制器在准确率上占优，交易型控制与共享第0轮投票的差距在1.3个百分点内。情境型控制在Llama-4-Scout social任务上比平坦基线高出8个百分点，仅当初始多数不可靠且任务可恢复时才有效。结果表明协调控制是权变，而非排行榜驱动，与团队科学的权变理论一致。

论文 Multi-Agent LLM Teams Llama-4-Scout 多智能体领导力协调控制

推荐理由：这篇论文用实验证明多智能体团队里领导不是万能的，只有在初始投票不靠谱且能补救的特定条件下才有用，比如情境领导在Llama-4-Scout上提升了8个点。挺扎实的研究。

原文

6月17日

09:38

arXiv cs.AI@Aueaphum Aueawatthanaphisut, Badri Raj Lamichhane

该论文提出一个基于LLM编排的多智能体框架，将大数据即服务生命周期分解为数据摄取、数据清洗、特征工程、AutoML训练、模型评估、MLOps部署、监控和漂移检测等专业智能体。中央LLM编排层协调代理执行、验证中间输出、管理流程上下文并支持动态工作流组合。框架包含共享工件治理、可重复性支持、人在回路检查点和漂移感知反馈循环。在包含缺失值、分类变量、异常值、类别不平衡和模拟协变量漂移的受控表格基准数据集上，与手动ML、仅AutoML和单智能体LLM基线对比，该多智能体BDaaS管道实现了有竞争力的预测性能，并提高了工作流完成率、工件可追溯性、部署就绪度、可重复性和漂移恢复能力。

论文 LLM 多智能体 AutoML MLOps BDaaS

推荐理由：这篇论文用LLM编排多个专业智能体，自动搞定数据工程到部署监控的全流程，比单智能体和纯AutoML更可靠，适合做生产级自动化参考。

原文

6月16日

20:46

AITOP6月16日 20:46

600亿美元买下Cursor，xAI终于拿到了编程工具，但真正值得跟踪的或许不是AI

11:55

arXiv: DeepSeek@Zaifu Zhan, Shuang Zhou, Rui Zhang

提出一种多智能体互审推理方法，让多个LLM独立生成链式推理与候选答案，再互相评审事实正确性与逻辑合理性，选择最高分推理链输出最终答案。在Llama-3.1-8B、Qwen2.5-7B、Phi-4、DeepSeek-LLM-7B、GPT-oss-20B五个模型上对HeadQA、MedQA-USMLE、PubMedQA三个基准测试，平均准确率达0.820，超过单模型最佳0.777和多数投票集成最高0.789。评审可靠性高，能有效区分优质与低质推理链。

论文 Llama-3.1-8B Qwen2.5-7B Phi-4 DeepSeek-LLM-7B 多智能体推理模型

推荐理由：这篇论文让多个AI模型互相评审对方的思考过程，医学问答准确率比单模型高5个百分点，比投票集成也高3个百分点，有意思。

原文

6月12日

12:57

AITOP6月12日 12:57

Claude代码里藏了个20260612，18个月后的AI记忆革命已经开始倒计时

10:18

arXiv cs.AI@Haochen Wu, Yi Hou, Shiguang Xie

DoorDash 部署了一套基于离线强化学习的系统，通过延迟的市场反馈（如配送速度、骑手利用率、商家拥堵）来动态调整配送调度目标的权重。该系统不替换原有的组合优化调度器，而是在门店层面学习一个策略，选择离散乘数来调整调度器在配送质量与批处理效率之间的权衡。通过集中式离线数据和分散式门店执行训练共享价值函数，并采用 Double Q-learning 和保守正则化减少过估计。生产环境切换实验表明，该策略在不降低客户配送质量的前提下，提高了批处理效率并减少了骑手时间成本。这项工作展示了如何利用真实经济物流系统的反馈安全地在线调整决策策略。

论文强化学习调度优化多智能体离线学习 DoorDash

推荐理由：DoorDash 用离线强化学习解决调度权重调整难题，做物流调度或平台经济的团队可以借鉴其安全部署思路。

原文

10:13

arXiv cs.AI@Ali Elahi, Barbara Di Eugenio

现有自然语言处理（NLP）方法中，置信度用于可靠性、监督和下游决策，但尚无方法为多智能体系统的输出生成或评估置信度。本文提出三种协议，通过将原始置信度信号跨模型可比化，再经软投票或贝叶斯融合聚合，输出最终答案及单一聚合置信度。实验表明，聚合置信度的判别能力（AUARC）显著优于最佳单智能体或标准辩论基线，而正确性（F1分数）保持稳定，并恢复了多智能体辩论在模糊任务上的损失。研究分析了序列概率和自报告两种估计器，以及参数与非参数校准器，发现校准可提升F1，而AUARC对校准依赖较小。在五个基准和四种任务类型上，评估了六组同质和异质辩论对，覆盖不同模型能力和规模。

论文多智能体置信度聚合 NLP 贝叶斯融合辩论协议

推荐理由：多智能体系统终于有了统一的置信度评估方法，做NLP系统可靠性或智能体协作的团队可以直接参考协议设计，提升系统可信度。

原文

6月11日

15:28

AITOP6月11日 15:28

1107 vs 303：谷歌悄悄开源了一个“拆打字机”的模型，把大模型速度翻了4倍

15:23

AITOP6月11日 15:23

DiffusionGemma颠覆文本生成？自回归模型的“统治”要结束了

15:07

AITOP6月11日 15:07

每秒1107个token，Google开源的扩散模型为什么能改变本地推理格局？

10:00

arXiv cs.AI@Wanting Wang, Xiye Ma, Yuyang He, Minghui Cheng, Ran Cao

精选

该研究提出了一种基于AutoGen的多智能体框架，用于钢筋混凝土公路护栏的自动化设计。该框架采用“生成-评估-优化”闭环流程，严格遵循AASHTO-LRFD桥梁设计规范。实验表明，该框架设计准确率超过98%，远超通用大语言模型。关键发现是，设计性能与模型规模无必然关联，一个8B参数的轻量模型甚至优于未约束的631B旗舰模型。这显著降低了计算成本，提升了AI辅助工程工具的可及性。代码已在GitHub开源。

论文多智能体 AutoGen 结构工程混凝土护栏设计开源/仓库

推荐理由：土木工程师和结构设计团队终于有了一个靠谱的AI自动化方案——AutoGen多智能体框架让混凝土护栏设计准确率超98%，且8B小模型就能干翻631B大模型，做工程自动化的开发者可以直接用开源代码试试。

原文

09:51

arXiv cs.AI@Shang Ma, Jisheng Dang, Wencan Zhang, Yifan Zhang, Bimei Wang, Hong Peng, Bin Hu, Qi Tian, Tat-Seng Chua

精选

研究者提出了一种名为 MODF-SIR 的多智能体协作框架，基于轻量级多模态大语言模型，专门用于社交智能推理。该框架通过知识蒸馏增强训练和推理阶段，能够精确定位多模态社交数据，并提取长尾事件以格式化文本呈现，避免关键信息被噪声淹没。它集成了测试时自适应（TTA）、思维链提示和自反思机制，并利用 LoRA 微调基础模型。在多个基准测试中，仅用约 30% 的训练数据就达到了最先进的结果。代码、演示和模型均已开源。

论文多智能体知识蒸馏社交智能推理多模态 LoRA

推荐理由：社交智能推理是 AI 理解人类互动的关键，MODF-SIR 用轻量模型和蒸馏技术解决了长尾事件被忽略的痛点，做多模态社交分析或人机交互的团队可以直接用开源代码复现。

原文

6月9日

13:02

arXiv cs.AI@Shizhe Lin, Ladan Tahvildari

多智能体代码生成系统常因LLM幻觉和错误传播而可靠性不足。现有语义熵方法虽能量化不确定性，但依赖昂贵的LLM等价性检查。新提出的FASE指标通过结构/语义差异图的最小生成树近似功能正确性，无需LLM参与。在HumanEval和BigCodeBench上，FASE相比传统语义熵在Spearman相关性上平均提升25%，ROCAUC提升19%，而计算成本仅为传统方法的0.3%。这使得FASE成为多智能体工作流中实用且经济的质量评估方案。

论文代码质量语义熵多智能体 LLM 不确定性量化

推荐理由：多智能体代码生成团队终于有了低成本的质量评估工具——FASE用0.3%的计算成本实现更优的代码正确性预测，做自动化软件开发的工程师可以直接集成到工作流中。

原文

6月5日

13:18

arXiv cs.LG@Qintong Xie, Edward Koh, Xavier Cadet, Peter Chin

精选

论文提出DNQ框架，用于训练在共享约束、有限信息和重复互动环境中的竞标智能体。该方法通过轨迹收集、基于评论家的收益估计、均衡计算和策略模仿的交替循环，在每一状态利用共享评论家预测收益矩阵，外部求解器计算纳什均衡，并通过KL散度最小化训练智能体。实验对比了成对和精确两种变体，显示成对方法在智能体数量扩展上更具优势，而精确方法在博弈规模增大时计算不可行。该研究揭示了重复竞争环境中策略保真度与可扩展性之间的权衡。

论文博弈论 Nash Q网络多智能体竞标均衡计算

推荐理由：做多智能体博弈或竞标系统研究的团队，这篇论文给出了一个实用的均衡监督框架，成对方法在扩展性上表现突出，值得关注其训练成本与策略精度的平衡思路。

原文

12:16

arXiv cs.AI@Mingyang Liu, Asuman Ozdaglar, Tiancheng Yu, Kaiqing Zhang

精选

这篇论文针对重复博弈中自适应对手（能根据历史调整策略）的遗憾最小化问题，提出了一个新的博弈论指标——重复策略遗憾（RP-Regret）。该指标衡量所有玩家都能根据历史响应时，实际累积效用与事后最优效用之间的差距，比现有指标更贴合重复博弈场景，且约束更少。研究发现，要实现 RP-Regret 随时间次线性增长，需要满足玩家比较策略和对手策略记忆的特定条件。论文提出了三种算法来最小化非凸的 RP-Regret，包括基于优化 oracle、凸线性化代理以及直接最小化（当对手变化缓慢时）。当所有玩家都运行这些算法时，可以学习到重复博弈的某些子博弈完美均衡。实验表明，最小化 RP-Regret 能在 Stag-Hunt 等博弈中引导出更合作、效用更高的解。

论文遗憾最小化重复博弈自适应对手博弈论多智能体

推荐理由：这篇论文为多智能体博弈场景提供了更合理的遗憾度量，做强化学习、博弈论或多智能体系统的研究者值得关注，它可能改变你对自适应对手环境下算法设计的理解。

原文

12:09

arXiv cs.AI@Shangheng Du, Xiangchao Yan, Jinxin Shi, Zongsheng Cao, Shiyang Feng, Zichen Liang, Boyuan Sun, Tianshuo Peng, Yifan Zhou, Xin Li, Jie Zhou, Liang He, Bo Zhang, Lei Bai

精选72°

MLEvolve 是一个基于大语言模型的自进化多智能体框架，用于端到端的机器学习算法自动发现。它通过 Progressive MCGS 扩展树搜索，利用图参考边实现跨分支信息流动，并采用熵驱动的渐进调度从广泛探索转向聚焦利用。引入的 Retrospective Memory 结合冷启动领域知识库和动态全局记忆，支持任务特定经验的检索与复用。在 MLE-Bench 评估中，MLEvolve 在 12 小时预算（标准运行时的一半）下，平均奖牌率和有效提交率等多个维度达到最先进水平，并在数学算法优化任务上超越 AlphaEvolve 等专门方法。

论文 MLEvolve 自进化框架多智能体算法发现机器学习工程

推荐理由：MLEvolve 解决了现有 MLE 智能体在长周期任务中信息隔离、无记忆搜索和缺乏分层控制的问题，做自动化机器学习算法发现的团队可以直接用它来加速实验迭代，值得关注。

原文

6月4日

11:02

arXiv cs.AI@Zhen Yang, Xiaogang Xu, Wen Wang, Cong Chen, Xander Xu, Ying-Cong Chen

精选76°

多智能体推理系统通常采用“先生成再传输”的范式，导致端到端延迟随流水线深度线性增长。StreamMA 提出流式方案，每个推理步骤生成后立即流式传输给下游智能体，实现流水线并行，显著降低延迟。令人意外的是，这种流水线还提升了效果：因为多步推理质量不均匀，早期步骤更可靠，使用早期步骤而非完整链条可防止错误后期步骤误导下游智能体。在数学、科学和代码等八个推理基准上，StreamMA 平均提升 7.3 个百分点，最高提升 22.4 个百分点。研究还发现了“步骤级缩放定律”：增加每个智能体的步骤数能同时提升效果和效率，这是一个与智能体数量缩放正交的新维度。

论文多智能体推理系统流式通信延迟优化缩放定律

推荐理由：做多智能体系统或推理管线的开发者，StreamMA 用流式通信同时解决了延迟和效果问题，值得直接参考实现思路。

原文

6月2日

11:07

arXiv cs.AI@Lukas Johanns, Marilin Moor, Davide Panzeri, Yu Zhou, Xinyi Chen, Nora F. K. Pauly, Zixuan Pan, Matthias Gunzer, Andreas Müller, Yiyu Shi, Hedi Peterson, Jianxu Chen

精选

Agentic-J 是一个容器化的多智能体AI助手，专为ImageJ/Fiji设计，使生物学家能用自然语言指定分析任务，如细胞核分割、细胞追踪和多条件量化。该智能体生成可执行的脚本并组织成有文档的项目结构，确保每个分析决策可追溯，工作流可复现或共享。其专门子智能体负责插件管理、代码生成、调试、质量保证和统计报告。论文展示了系统设计、真实生物显微镜图像分析工作流及技术实现细节。

论文生物图像分析 ImageJ/Fiji 多智能体自然语言处理开源/仓库

推荐理由：生物图像分析研究者终于有了一个能理解自然语言并自动生成可复现工作流的工具——Agentic-J 解决了跨工具集成和编程门槛的痛点，做细胞生物学或显微镜分析的团队值得一试。

原文

6月1日

10:53

arXiv: DeepSeek@Tarun Kota

精选

预测市场依赖可靠的裁决机制，但现有方案在自动化速度与人工准确性间难以平衡。该研究评估了多智能体LLM架构（独立聚合与协商共识）在1189个已解决预测市场问题上的表现，对比GPT-5 Nano、DeepSeek V3和Llama-3.3-70B单模型基线。独立聚合（置信度加权投票）以83.43%准确率胜出，比最佳单模型高1.01个百分点；而协商共识因错误传播导致准确率降至76%。模型间错误相关性（0.529-0.689）限制了集成方法的理论上限。研究提出混合AI-人类裁决系统：仅自动裁决一致高置信度问题，可在47%数据上达到97.87%准确率，其余由人工审查。

论文多智能体预测市场预言机 LLM 聚合投票

推荐理由：预测市场从业者终于有了可落地的AI裁决方案——独立聚合投票比单模型更准，混合路由策略能平衡成本与精度，做预言机或去中心化应用的团队值得参考。

原文

5月26日

12:13

arXiv: OpenAI@Roberto Cruz, David Rey-Blanco

精选

研究者提出MDIA，一个由7个专科路由节点组成的多智能体临床推理图，在HealthBench Professional基准（525个病例）上，使用未微调的GPT-5.4-2026-03-05模型达到0.6272分，比OpenAI的ChatGPT for Clinicians高出3.72个百分点。性能提升主要来自系统架构设计，包括专科路由、多轮上下文保持、药物状态安全门控、站点过滤搜索、长度感知合成和引擎级可靠性。实验还发现，使用不同模型作为评分者时结果差异显著，例如Gemini 2.5 Pro评分时MDIA得分0.6585，表明评估需要多个独立评分模型。该研究证明，智能体临床基准性能既取决于基础模型，也取决于编排架构。

论文多智能体临床推理 HealthBench GPT-5.4 架构设计

推荐理由：医疗AI开发者注意了：MDIA用架构设计而非提示工程就超越了专业临床模型，做临床决策系统的团队值得研究其7节点路由和药物安全门控设计。

原文

5月25日

09:55

arXiv cs.LG@Marius Tacke, Matthias Busch, Kian Abdolazizi, Jonas Eichinger, Kevin Linka, Roland Aydin, Christian Cyron

精选

传统本构模型开发需要多年连续介质力学和编程经验，LLM虽能自动生成模型，但单智能体管道缺乏物理一致性检查。研究者提出双智能体框架：Creator智能体根据数据生成模型，Inspector智能体审计模型是否违反9项物理约束，违规则退回修改。在脑组织、实验橡胶和合成橡胶数据集上，使用Claude Opus 4.7和Kimi K2.5测试，Inspector将Opus的物理约束满足率从91%提升至100%，Kimi从37%提升至56%，同时保持高精度和强泛化能力。该框架技术无关，可随LLM能力提升自动扩展，为自动化、物理感知的模型发现开辟新路径。

论文本构模型多智能体物理约束 LLM 材料科学

推荐理由：做材料本构建模的团队终于有了靠谱的AI助手——双智能体框架自动生成物理有效的模型，省去手动校验的繁琐，建议做固体力学或生物力学仿真的开发者点开看看。

原文

5月20日

10:47

arXiv: DeepSeek@Dawei Tian, Jiakun Liu, Yun Peng, Yichen Zhang, Jianlei Chi, Jun Sun, Xiaohong Su

精选

MuMuTestUp 是一个基于变异测试的多智能体框架，用于自动更新因代码变更而过时的测试用例。它通过三个专门智能体（变异分析、覆盖分析、语义检索）分别强化断言、定位未覆盖行/分支、处理幻觉问题，解决了现有方法忽略断言充分性、依赖粗粒度行覆盖、无法处理 LLM 幻觉查询的三大局限。研究还构建了包含 571 个样本的 PRBENCH 数据集，在开源和闭源 LLM 上均优于现有基线。该工作对持续集成/持续部署（CI/CD）环境下的测试维护有重要价值。

论文测试用例更新多智能体变异测试 CI/CD PRBENCH

推荐理由：测试维护是 CI/CD 的痛点，MuMuTestUp 用变异测试和多智能体协作解决了断言弱和覆盖不全的问题，做自动化测试或持续集成的团队值得关注。

原文

5月19日

11:14

arXiv cs.LG@Yevhen Shcherbinin, Arina Redina, Maxim Kalpin, Vlad Kochetov

精选

该论文研究了多智能体策略梯度方法在多个稳定纳什均衡中如何选择的问题。作者提出通过“盆地进入概率”来分析均衡选择，并发现“同伴学习修正”是关键的均衡选择机制：在局部对齐条件下，该修正能增加进入目标稳定纳什集（如帕累托优势均衡）吸引盆地的概率。论文证明了有限展开的Meta-MAPG更新可分解为普通策略梯度加上自身学习和同伴学习修正，且同伴学习修正会改变原始游戏的零更新点。通过退火修正，可在进入盆地后恢复普通策略梯度动力学，并继承局部稳定纳什收敛保证。实验在Stag Hunt、迭代囚徒困境和初步的神经策略协调环境中验证了该观点，显示对手感知更新能增加进入合作盆地的概率。

论文多智能体策略梯度均衡选择纳什均衡对手感知

推荐理由：这篇论文为多智能体强化学习中的均衡选择问题提供了理论解释和实用机制，做多智能体系统或博弈论应用的开发者值得关注，尤其是对合作均衡有需求的团队可以看看如何通过对手感知修正引导策略收敛。

原文

10:22

arXiv: DeepSeek@Diego Gosmar, Giovanni Zenezini

精选

MADP 是一个面向企业文档处理的多智能体架构，包含分类、拆分、解析、提取和验证五个专用智能体，并引入人工在环（HITL）机制和提示微调反馈继承（PFTFI）方法。在10万张发票/年的生产场景中，MADP 可减少约70%的全职人力需求；实际部署955份文档后，全管线自动化率达97%，仅3%需非AI回退。在100份文档的消融测试中，完整配置下文档级准确率达98.5%。相比传统人工处理，MADP 还减少69%的二氧化碳排放、69%的能耗和63%的水耗，并对比了 Granite-Docling、Mistral-Small、DeepSeek-OCR 等多个 LLM 后端。

论文多智能体文档处理人工在环企业自动化可持续AI

推荐理由：企业文档处理团队终于有了可落地的多智能体方案——MADP 用 HITL 机制平衡自动化与准确率，做发票、合同等批量文档处理的团队可以直接参考其部署结果和碳排放数据。

原文

5月15日

10:05

arXiv cs.AI@Luca Marzari, Enrico Marchesini

精选

针对循环神经网络（RNN）在部分可观测强化学习中的策略验证难题，研究者提出RNN-ProVe框架。该框架通过策略驱动采样近似隐藏状态空间，并利用统计误差界给出行为违规的高置信度概率估计。实验表明，RNN-ProVe在单智能体和多智能体任务中，比现有工具提供更定量、更可行的概率保证，且能扩展到循环和多智能体场景。

论文强化学习循环神经网络概率验证多智能体 RNN-ProVe

推荐理由：做强化学习验证或RNN策略安全的团队，终于有了一个能给出概率性保证的实用工具，比传统过近似方法更精准，值得关注。

原文

09:52

arXiv cs.AI@Zhigao Huang, Zhengqing Hu, Dong Chen, Shaohan Zhang, Zhao Jin, Bo Zhang, Han Wu, Mingliang Xu

精选

针对现代战场环境下传统作战规划生成不可行、验证不充分的问题，研究者提出IFPV框架。该框架包含多视角分层智能体（MPHA）用于生成可执行的多平台战术动作序列，以及对抗认知仿真引擎（ACSE）用于高保真验证。ACSE引入带有定制世界模型的对手，能预测关键平台未来演化并动态对抗候选计划。在非对称作战战术模拟器（ACTS）中，IFPV相比单步大语言模型基线，任务成功率提升19.4%，作战成本降低41.7%；相比传统规则验证器，平均压制率提高31.8%。代码已开源。

论文多智能体作战规划仿真验证开源/仓库 IFPV

推荐理由：军事AI和仿真验证领域的团队终于有了一个可落地的多智能体框架——IFPV不仅生成计划，还能通过对抗仿真找出漏洞，做作战规划或复杂系统验证的开发者可以直接用开源代码复现。

原文

5月14日

13:26

arXiv: DeepSeek@Zhongkai Yu, Yichen Lin, Chenyang Zhou, Yuwei Zhang, Kun Zhou, Junxia Cui, Haotian Ye, Zhengding Hu, Zaifeng Pan, Ruiyi Wang, Yujie Zhao, Hejia Zhang, Jingbo Shang, Jishen Zhao, Yufei Ding

精选

ChipMATE是首个自训练的多智能体RTL代码生成框架，解决了现有API系统依赖黄金测试平台、无法在气隙环境中部署、不能利用厂商私有代码库的问题。它通过Verilog智能体与Python参考模型智能体相互验证，无需黄金标准即可实现正确性。采用回溯推理工作流防止错误传播，两阶段训练先独立训练再联合协作。在VerilogEval V2上，4B和9B模型分别达到75.0%和80.1%的pass@1，超越所有自训练模型甚至1600B参数的DeepSeek V4。代码和权重已开源。

AI模型 RTL生成多智能体自训练 Verilog 芯片设计

推荐理由：芯片设计团队终于有了可私有化部署的RTL生成方案——ChipMATE不依赖闭源API、无需黄金测试平台，还能用厂商内部代码训练，做数字IC设计的开发者可以直接试。

原文

5月12日

19:11