论文解读

Andreas Zettl · Diego Gosmar

基于 Open Floor Protocol (OFP) 或 A2A 等互操作协议构建的多智能体 LLM 流水线，通常以能力为由获得支持，其运行时成本被视为规模未知的开销。将此类流水线与单次模型调用比较并不充分，因为流水线可为每个角色分配不同模型。给出闭式模型，将协调税（分解开销加每次交接协议成本）与把工作路由到更便宜模型带来的异构红利对比，给出盈亏平衡阈值与可行性界 α < 1/r，并以 OFP 为被测协议，在 135 个 HumanEval 和 ClassEval 任务上测量各项，共 2430 次运行、六种架构、Claude Opus 5.5 与 Haiku 5.5。协议每次交接增加 7.2 ms，占流水线墙钟时间 0.11%。分解在这些任务上不划算：planner-coder-reviewer 流水线成本是单次强调用的 3.22 倍，耗时 3.24 倍，且未多解任务。将 planner 与 reviewer 换成便宜模型后，流水线成本降至 0.39 倍，但 pass@1 变化 -6.7 个百分点，仍比单次调用更贵、更慢、更不准；盈亏平衡预测偏差 -19%，因便宜角色抬高了 token 量。节省在于按任务选模型：在两个单次调用间做 oracle 选择，以强调用每解一题成本的一半，解决 94.3% 的运行。

Sahil Rajesh Dhayalkar

随着多智能体语言模型网络广泛部署，预测其集体行为成为关键挑战。经典分布式共识理论依赖网络拓扑预测收敛，结构上假设智能体更新为凸组合、群体均值守恒、权重与内容无关。本工作证明这些基础假设对大型语言模型（LLM）不成立。通过从八个指令微调模型的 token 级概率中确定性提取连续置信度，并基于 73,080 次受控交互，直接测量了 LLM 的经验更新算子。发现 LLM 系统性违反凸性，更新落在观测意见凸包之外，表现出主动排斥（负权重），从根本上破坏了行随机建模和标准有界置信修复。将经验拟合算子扩展到 10,000 个智能体的模拟，显示代数连通性几乎无法解释最终结果方差。相反，群体动态完全由模型内部更新偏差和消息框架决定。因此，包括参数量达 7B 的多个模型群体，无论网络结构如何，都能可靠地累积微小局部漂移，对客观虚假声明达成自信一致。结果证明经典图论指标对 LLM 群体不适用，凸显了多智能体审议可预测地饱和于集体幻觉的深刻部署风险。

Duncan Eddy · Mahdi Al-Husseini · Mykel J. Kochenderfer

介绍 OrbitalGym——一个用于研究规划算法或系统设计何时决定对抗性轨道遭遇结果的仿真环境。轨道博弈中，两个非合作卫星团队在交会与近距离操作中机动，以赢得差分奖励目标。地面博弈的进展催生了许多轨道博弈方法，但研究通常只在单一场景中评估单一方法，且常针对被动或随机防御方。一旦考虑机动能力、感知、通信等平台能力与对抗响应，更好的规划是否仍然重要尚不清楚。OrbitalGym 基于 JAX，支持可变智能体数量、状态表示（位置、速度、姿态、燃料）、显式或隐式通信，以及近距离或锥形视场传感器。它将博弈编译为批处理 GPU 代码，可大规模并行仿真多种配置下的策略，从而识别策略选择影响结果与系统能力主导结果的区间。研究两个近距离博弈：追逃（一艘航天器试图捕获另一艘）和 lady-bandit-guard（守卫阻止攻击者到达受保护资产）。比较 PD、LQR、模型预测路径积分控制和蒙特卡洛树搜索，覆盖推力与推进剂比例、初始间距、博弈时长、感知能力及捕获定义。追逃中推进剂比例决定多数遭遇：对六种逃逸策略中的五种，在 90 种能力配置中至多 15 种下，追捕策略使捕获概率变化 10% 以上。lady-bandit-guard 中策略更重要：面对能到达资产的 bandit，在 90 种配置中的 56 至 74 种下，更好的守卫策略使防御概率至少提高 10%。

Seokbin Yoon · Kyungmin Kim · Taejung Kwon · 2+

在给定空域内，空中交通管制员能安全高效管理多少架飞机、哪些交通构型，是空中交通管理的基础问题。管制员通过速度建议和雷达引导等干预持续修改航空器轨迹，现有空中交通模拟器难以有效捕捉这些干预模式。为此，提出用于交通场景生成的扩散Transformer（DiTSG），从记录的多航空器轨迹中学习生成空中交通场景。DiTSG采用堆叠的多智能体倒置Transformer层作为扩散Transformer的去噪骨干，联合生成交通场景内多架航空器的轨迹，并以各智能体特定的要求到达时间作为生成条件。DiTSG生成的轨迹保留了实际空中交通运行中观察到的真实航空器间交互。实验表明，DiTSG生成多样化的交通场景，再现记录交通的统计特性，同时保持真实的航空器间交互。

Avid Fayaz · Harry Zhang · H{\aa}vard Alstadheim · 3+

现有研究多关注共享目标且反馈迅速的任务，而交易场景中各智能体独立管理账户，市场反馈滞后且充满噪声，导致集群更像独立决策者群体而非团队，收敛反而构成风险。研究在2026年10月1日至9日的七个美国交易日中，对来自四个模型家族的200个智能体进行分组测试，涵盖从隔离到共享笔记的五种通信机制，并记录每个决策前的所有读取信息。结果显示，在四个家族中的两个里，通信组持有的共同股票比例远高于隔离组，且组收益主要源于共同持仓。看到同伴帖子使智能体复用其中八字短语的概率提高7个百分点；未看到帖子的智能体在14%的情况下共享该短语，这与共同输入产生的比率一致。查看帖子并未显著改变当日的交易行为。案例研究追踪了持仓与决策规则的后续采纳情况，发现通信组更频繁地同步卖出。鉴于隔离组也常收敛于相同股票，评估羊群效应需相对于无同伴基线测量过度收敛。

Nozomi Yamamoto · Hiroki Sakaji · Itsuki Noda

利用顺序最优插入法，分析在按需网约车共享服务中引入高级会员的调度级可行性。提出两种调度级方法：针对高级用户缩短截止时间，以及缩短截止时间并配备专属高级车辆。通过基于SUMO的仿真，在三种需求场景（平稳均匀需求、含高峰期的时变需求、城市集中高峰需求）下与基线调度方法对比。结果显示，合适的优先机制取决于运营条件和高级会员比例，表明条件依赖的方法切换可在整体优化中提供高级权益，同时降低非高级用户负担。

Yueshan Li · Lorenzo Fiaschi · Andrea Censi · 1+

独立开发的自主智能体（如自动驾驶车辆）在共享环境中运行时，必须保证联合兼容性，包括安全性与任务完成要求。现有方法要求在部署前由中央设计规格或交互机制，但这在智能体设计对开发者保密时不切实际，且无法适应未来的智能体设计。本研究探讨一种双层结构：监管者通过发布种子智能体（seed agents）协调开发者，每个开发者独立测试其智能体，确保其与所有种子兼容智能体兼容，该性质称为未来适应性（future-proofness）。在此结构下，任何独立设计并测试的智能体均能保证联合兼容性，无需相互协调。首先，为通用多智能体系统定义兼容性，并说明其为何不能由种子兼容性直接推导。其次，将未来适应性智能体表征为种子的闭包，并证明该闭包对种子具有单调性。最后，研究仅与种子交互的可执行测试类，探讨此类测试在多大程度上能区分未来适应性智能体。

Hoang-Loc Cao · Truong Thanh Hung Nguyen · Phuc Truong Loc Nguyen · 4+

在多智能体辩论中，匹配的报告可能源于证据的重复（replication）或独立证据根对同一主张的佐证（corroboration）。简单计数报告次数会赋予中继或改写额外权重，而合并内容则会误删真实佐证。论文将此形式化为获取新证据成本高但复制成本低的判断博弈。证明根复制不变性（RRI）等价于阈值均匀复制免疫，在此条件下，仅复制的偏差无法改变裁决，且正成本复制被严格占优。若观察接口无法区分副本与新根，则无法同时忽略副本并对新根做出响应。引入谱系商（lineage quotient）以保留不同根的同时去除措辞与身份差异。在轨道连通域上，这是满足复制不变性的最粗表示。进一步将该构造提升至定量双极论证框架（QBAFs），刻画严格新根响应，并在 DF-QuAD 下证明其沿符号一致路径的传播，推导紧密闭式响应模数。对 28,224 个直接星型配置、2,052 个多层 DAG 及 277 个 AVeriTeC 衍生配置的穷举审计，验证了在给定划分下复制与佐证的预测分离。

Jie Li · Bin Guo · Georgina Curto · 3+

一人公司（OPC）是由个体创业者通过数字平台和基于 LLM 的 AI 代理运营的新兴企业。这些高技能创业者多为数字游民，对本地生态依赖有限。中国政府利用差异化的区域支持政策吸引流动 OPC，使本地支持转化为跨区域协调问题。OPC 通过比较区域以最大化自身效用，但不完美的政策感知可能导致其拒绝原本合适的地点。现有政策学习方法在固定感知下优化资源，而共识形成方法聚合观点却未将认知变化反馈至政策学习，导致选址错配和政策调整低效。PolicyMediator 引入一种认知约束的领导者-多跟随者 Stackelberg 框架，包含双边调解。中介向 OPC 解释已验证政策以建立意识和信任，并向政府报告需求及未解决关切以支持政策学习。其自演化技能基于验证、分配、容量和目标轨迹保留、修订或修剪策略，而非仅依赖调解成功率。在中国六区域模拟中，涵盖五种 OPC 类型、五种场景和三种 OPC 模拟器骨干，PolicyMediator 在所有 15 种 OPC 骨干-场景组合中排名第一。相比八个基线的平均值，其综合政府目标（结合经济绩效、就业效益和政策准入平等）提升 42.4%，平均 OPC 效用提升 40.9%。

Ruijia Niu · Kaiwen Liu · Rose Yu · 1+

在特定领域部署大语言模型智能体通常需要细粒度的任务特定程序，而通用模型缺乏此类知识。参数训练成本高且不可解释，手工构建系统则依赖专家劳动。虽然情景记忆在上下文层面更新，但单智能体适应难以缓解跨任务干扰，多智能体进化方法缺乏明确的更新规则定义，导致学习跟随骨干模型的结构偏好而非观察到的失败。EMMA 将多智能体系统配置视为情景记忆，明确更新的所有权和可接受性。通过反射器将诊断出的失败分配给拥有其修正范围的模块，并提出单一编辑，同时使用与骨干无关的守卫确保每个接受的编辑范围明确、增量且有限。在 KramaBench、AppWorld 和 BBEH 基准上，使用五个骨干模型和四个基线（ACE、GEPA、EvoMAS 和 ADAS），EMMA 在所有基准上取得最佳整体性能，比最强基线高 32.5%，保持跨骨干模型的一致改进，并使用比最高效基线少 17-38% 的训练执行次数。

Hadar Frenkel · Dor Atzmon

多智能体路径规划（MAPP）要求为多个智能体生成无碰撞路径，广泛应用于自动驾驶导航等领域。由于不同约束、需求和目标的存在，MAPP 衍生出众多变体，通常需针对每个变体开发新的算法。本文提出一种互补的规范中心视角，证明许多 MAPP 变体可用 HyperLTL（一种推理多条路径及其时间演化的时序逻辑）及其 omega-regular 扩展 HyperQPTL 进行建模。该贡献并非主张当前的超属性模型检查器能取代专用 MAPP 求解器，而是提供一种统一语言，用于比较 MAPP 变体、添加跨智能体约束、表达最优性，并将 MAPP 与超属性的验证、解释及因果性技术相连接。

Junlong Li · Jindong Jiang · Yonggan Fu · 4+

解决长程智能体任务通常需要语言智能体与环境进行多步交互，可靠性能往往依赖云服务商提供的高成本高性能模型。与此同时，包括低层级云模型和可部署在本地硬件的小型开放权重模型在内的低成本高效模型正在兴起。这引出了一个尚未充分探索的问题：在单个长程任务中，高性能与高效模型能否协作以大幅降低成本同时保持任务准确率？论文通过模型交接（model handoffs）系统研究了协作的关键设计选择，重点关注交接方向与上下文传递。研究发现，从高效模型到高性能模型的交接通常表现不佳且成本降低有限，而在任务进度的适当阶段从高性能模型交接至高效模型，则能在大幅降低成本的同时保持甚至提升准确率。这表明简单且时机恰当的一次性交接策略足以实现成本效益。AgentBaton 是一个轻量级检测器，通过学习任务进度中的重复模式来决定何时交接。在 11 个模型对和两个代表性基准上，AgentBaton 平均降低 API 成本 65.9%，同时基本保持任务准确率，准确率最高提升 8.8 个百分点。实验还表明，AgentBaton 扩展了经验准确率-成本帕累托前沿。

Arnesh Batra · Aniket Khandelwal · Jashn Khemani · 4+

多智能体辩论（MAD）旨在通过论点交换提升语言模型决策，但辩论后的一致未必反映独立佐证。研究通过行为与内部干预，考察同伴沟通对个体决策及集体结果的影响。引入涵盖知识推理、价值道德及安全拒绝的 2,400 题基准 MAD Bench，评估三个开源模型，并采用轮次匹配的独立反思作为对照。在答案改变的反应中，辩论前强制选择读取与最终答案的匹配率（Qwen3.5-9B 为 65.4%）高于反思（22.3%）。消息消融显示同伴答案与推理的影响具有模型依赖性，将相同文本归因于接收者而非其他智能体会显著改变其影响。在所有模型中，陈述的过往记录比专业地位线索更强烈地影响答案偏好。注意力掩码在三个检查点产生不同的决策边际变化。在完全解析的非数值问题上，辩论相比初始多数投票带来微小的准确率提升，但将全错一致率相对反思提高 3.1-7.4 个百分点。更长的辩论显示持续的一致性及智能体正确性间更高的相关性。这些发现表明，更强的一致性与更多的共享错误可共存，促使评估需同时考量依赖性与全错一致率。

Ilyas Nagiyev · Miras Baisbay · Daniil Orel · 1+

SCOPE 是一个用于评估新闻媒体机构偏见、事实性和可信度的多智能体系统。给定媒体 URL，系统协调专门智能体执行文章获取、内容分析、外部证据搜索、评分及报告生成。该方法遵循 MBFC 风格流程，并通过结构化演示界面使中间证据和智能体输出可检查。在包含 200 个媒体机构的基准测试中，SCOPE 在大多数指标上优于仅使用 LLM、仅文章、仅搜索及媒体背景调查的基线模型，实现了最低的偏见和事实性 MAE，100% 的失败事实核查检测率，以及最低的事实错误率。结果表明，分解的、基于证据的智能体工作流有助于支持更透明可靠的媒体画像。代码与演示已公开。

Hanwen Li · Jinhao Duan · Xiaoshuang Shi · 4+

多智能体系统(MAS)是提升大语言模型推理能力的重要范式，但仍容易产生幻觉和错误输出。不确定性量化(UQ)有助于评估系统可靠性，而现有方法主要面向单智能体场景，如何利用MAS结构开展UQ并保持推理成本不变仍缺乏研究。UMAS是一种无需参数、成本中性的系统级UQ框架，从每轮生成的内在置信度估计智能体间影响的可信度，并据此调节各节点的不确定性更新，再将节点级不确定性聚合为系统级估计。在Debate和DyLAN及多种基准上的大量评估表明，UMAS平均比最先进基线高10.54个AUROC点。该方法还支持幻觉检测和不确定性感知答案选择，在特定任务上将MAS准确率最多提升12.6个百分点，并增强可靠性。代码见https://github.com/Dby52-04/UMAS。

Eric Onyame · Runtao Zhou · Kowshik Thopalli · 2+

近期自主智能体已能协调完成更复杂任务，但这种协调能力也可能带来串通等安全风险：智能体共同采取与目标不一致的行动，并向监督者隐瞒行动依据。研究在模拟内幕交易环境中展开，对比7个语言模型（来自3个模型家族）的单智能体、顺序式团队与去中心化团队。通过改变系统层目标与压力条件，考察智能体何时依据重大非公开信息行动、在报告中隐瞒不当交易的依据，以及在追问下持续维持欺骗。所有运行汇总显示，多智能体交互使不当行动率从35.4%升至68.2%，持续欺骗率从31.0%升至62.2%。在存在性压力下影响最大，团队在87%的运行中经追问仍维持欺骗。定性分析发现共享的掩盖说法与协同理由，表明这是群体层面的策略性欺骗，而非孤立报告错误。提出的PACT是一种弱到强同策略(on-policy)蒸馏框架，以通用诚实提示训练更强的学生模型：使用学生自身采样续写，并通过反向KL监督匹配更小且冻结的诚实对齐教师模型的下一词元分布。在存在性压力和伦理指令下，PACT将多智能体持续欺骗率从80%降至3%。结果表明，多智能体协调会放大策略性欺骗，而同策略诚实对齐可显著缓解此类失效。

Lynnette Hui Xian Ng · Kathleen M. Carley

社交媒体机器人常被视为应被检测和移除的恶意自动化程序，但平台上的自动化涵盖多种角色、行为与修辞策略，既可能建设性地塑造网络讨论，也可能造成破坏。研究以基于实证数据的网络社会智能体(Cyber Social Agents)角色原型分类体系刻画这些行动者，并将其纳入 LLM 驱动的社会仿真，使智能体在网络环境中交流与协作。借助基于实证数据构建的智能体角色，仿真多样化网络社会，分析智能体差异如何影响信息扩散与社会影响，从而在基于规则的智能体模型与由 LLM 驱动、参数源自实证数据的生成式智能体仿真之间建立联系。

Mingju Chen · Guibin Zhang · Heng Chang · 2+

当代基于大语言模型(LLM)的多智能体系统在深度研究任务中具有系统性优势，这类任务强调迭代式、纵向结构的信息检索。然而，面对以大规模、广度导向检索为特征的广域搜索任务，现有主要为顺序式纵向推理设计的智能体框架，仍会陷入搜索范围扩张和长程执行低效的问题。A-MapReduce 受 MapReduce 范式启发，将广域搜索重构为横向结构化检索问题，通过任务自适应分解和结构化结果聚合，并行处理海量检索目标；同时利用经验记忆持续演进查询条件化的任务分配与重组，在大规模广域搜索中逐步改进。五个智能体基准实验表明，该方法在 WideSearch 和 DeepWideSearch 上达到最先进水平；相较使用 OpenAI o3 或 Gemini 2.5 Pro 的强基线，平均 Item F1 提升 5.11%–17.50%，运行时间减少 45.8%，并取得更优的成本性能权衡。代码已开源。

Germ\'an Pardo-Gonz\'alez · Shaghayegh Vosough · Katerina Papadaki · 1+

交通管理传统上主要采用收费和道路定价方案，但道路定价可能引发可达性争议与公众不满，因此芬兰等地予以禁止。该研究动态优化面向驾驶者的激励分配，引导其改走可能更长的替代路径，以提升社会效益、减少交通网络总出行时间(TTT)和总排放，促进可持续城市出行。研究采用多智能体强化学习(multi-agent reinforcement learning)，动态分配激励，并利用交通仿真软件估算行程时间。结果表明，在预算不限且以缩短行程时间为目标时，与总时间预算约为动态用户均衡(UE)总时间11%的基准相比，激励方案使TTT降低16%；在预算不限且以减排为目标时，CO2排放降低9%。研究揭示了关键权衡：最小化TTT会增加排放，而优先减排则会提高TTT；但通过合理设置多目标函数权重，TTT和总排放均可优于基准。

Daniele Montagnani · Andrea Coletta · Antonietta Mira · 1+

多智能体强化学习(multi-agent reinforcement learning, MARL)为在模拟经济中引入大量异质决策者提供了严谨方法，但其在宏观经济学中的应用起步于金融领域后进展缓慢，主要受两项限制：缺少连接MARL系统与业内广泛采用的动态随机一般均衡(dynamic stochastic general equilibrium, DSGE)模型的共同参照框架，以及训练耗时过长。MARL-BC近期解决了第一项限制，将深度强化学习家庭置于真实商业周期经济中，并在特定极限下退化为经典DSGE模型。JaxMARL-BC针对第二项限制，使用JAX加速模拟器，在数秒内完成MARL-BC经济训练，比参考实现快75至724倍，并可扩展至200,000个独立学习型家庭。研究验证了其相对于已知DSGE极限的正确性，通过简单成本规律刻画扩展性，并对具有异质资本回报率的扩展模型进行概念验证校准；该实验耗时两小时，而此前需一个多月。项目以开源形式发布。

Jin Gao

随着 AI 智能体通过网络互联并执行需要协商与联合决策的任务，需要一种系统方法评估其观点收敛情况及支撑决策的信息。该评估框架将共识形成视为公开立场向共享区域演化的过程，以累积的通信历史作为上下文。框架追踪立场轨迹、群体离散度及公开消息中表达的信息。两个案例研究分别考察基于分布式事实的人员配置决策，以及需要智能体协调重复信息与已取消合同的决策。1,872 次完整运行的结果显示，共享解释与更准确的群体决策相关，而第二个任务揭示了尽管聚合答案准确，仍存在持续分歧。成员变更实验提供了补充评估。该框架通过区分智能体间的收敛与向任务全信息答案的进展，将决策准确性和有界分歧与交换过程中可用的信息联系起来。

Lo\"is Vanh\'ee · Melania Borit · Peer-Olaf Siebers · 4+

大语言模型（LLM）在自然语言理解和生成能力上的进步，引发了基于智能体建模（ABM）社区的关注。LLM具备摘要、生成、分析、分类、转录、翻译文本，回答问题，提出解释，维持对话，从非结构化文本中提取信息，以及执行逻辑推理和解决问题等能力，对建模过程具有潜在贡献。在回顾LLM在ABM中的当前应用后，本研究反思了LLM在ABM中使用的机遇与挑战。研究遵循建模周期，从问题构建到模型结果的文档化和沟通，并持批判性立场。

Yves Bru · Kamaldeep Singh Oberoi · Benoit Gaudou

现有基于智能体的多模态城市出行模拟中，智能体通常依赖离散选择模型、基于调查数据拟合的机器学习模型或专家规则选择交通方式，这预先固定了行为空间，导致未包含在变量或规则中的因素无法影响决策。现实中，交通方式选择是客观与主观因素交织且随时间变化的多维决策。基于大语言模型的生成式智能体（Generative Agents, GAs）因携带调查未记录的决策启发式而有望解决此问题，但其决策与真实家庭出行调查的对齐仍是开放问题。本研究构建了法国图卢兹的每日多模态出行智能体模型，在真实家庭出行调查上比较了15种决策者（包括简单基线、拟合模型、最小及调优提示的GAs、类型化分类器）的性能。结果显示，调优提示的GAs在无交通中断的模拟日中，其交通方式分担率接近拟合模型，但逐行程匹配度较低；GAs还能对突发事件做出反应。新发布的Jev-1.13 TypeSafe分类器表现优异，表明生成输出文本并非必要。

Guowei Xu · Zhenting Qi · Amani Kiruga · 2+

智能体集群的能力取决于个体成员及其协调方式。现有系统通常在固定结构中训练，将个体能力学习与集体行为组织分离。市场后训练（MPT）框架在去中心化集群中联合学习动作策略与自编排。智能体通过出价表达参与意愿，决定行动者及集体结果提供的局部训练信用。无需中央协调者，个体能力与参与模式共同适应。在具身制造、机器人导航及深度研究任务中，MPT 优于单体后训练，证实参与随学习演化。相同动作策略下，自编排优于其他协调策略。消融实验显示动作与出价均受益于学习，且学习后的出价提供更有效的训练信号。训练后的集群在相关任务上适应更快，推理时更大群体表现更佳，且在智能体缺失下性能损失更小，体现了复用、扩展及鲁棒性。