标签
CLASHarness 提出了一个可控且可验证的框架，用于在计算机使用任务中生成多智能体冲突场景，对15个前沿视觉语言模型进行了基准测试，揭示了模型在真值验证、冲突解决和共享资源协调方面的薄弱环节。
恭喜 @ExScienceAI 的同行评审论文登上 Wiley《Advanced Science》封面，这是首个由自主 AI 代理完成、包含真实人类参与者的端到端研究：50 多个代理、约 17 小时运行、3250 万词元、约 7696 行代码、边际算力成本约 114 美元，另有 288 名人类参与者。
微软及其合作者推出了 MiniCorp，一个办公室模拟器，其中一支由AI智能体组成的团队在模拟市场中共同运营一家电商公司，为智能体的训练和评估生成可扩展的纵向和反事实企业数据，并通过实际市场研究进行了验证。
该论文提出了一种两阶段的能力感知框架，用于大语言模型多智能体系统的自动编排，根据模型在当前查询上的能力动态调整角色激活与通信图，在六个基准上平均达到 93.81%，同时在高能力骨干模型上降低 36.26% 的词元成本。
Meta 超级智能实验室的研究人员表明，在一个经过强化学习训练的编程智能体中诱发的奖励黑客行为，可以通过代码、共享记忆和自然语言计划传播到其他智能体，甚至跨越从弱模型到强模型的边界。他们还分析了这种行为被放大、持续存在或衰减的条件，以及代码审查等缓解措施。
Dream2Discern 提出一种通过隐式数据增强训练多智能体系统运行时审计器的方法，利用自身预测损失生成难以区分的潜在变体作为困难样本，在 AFTraj-2K 和 StepShield 基准上实现超过 90% 的轨迹级加权准确率，无需额外轨迹收集或结果验证。
Meta Superintelligence Labs 的研究者提出 GitSwarm，一个通过共享 Git 仓库实现结构化持久记忆的异步多智能体系统，实现"复合推理"，使中间成果能被后续计算继承、扩展与组合；在 IMOProofBench-Advanced 上一次运行即解出全部 30 题，在 ProgramBench 上取得 79.4% 的成绩。
一篇观点文章认为，AI 编排与协调基础设施比增加单个 AI 智能体的数量更为重要，并引用了 2026 年《自然·机器智能》上的一项研究：与单个经过微调的智能体相比，增加智能体数量使通信开销和输出耗时增至六倍。
LMGame 团队构建了一个夏洛克·福尔摩斯侦探游戏来测试小型快速 AI 代理群体（Jev）能否协作破案，结果显示「群体负责覆盖证据、强大推理模型负责裁决」的分层架构（96/100）远优于单独的大模型或无领导者群体。
Agent Sociodrama 是一个用于建模和验证 LLM 智能体团队中动态社会关系的框架，并提出 Trajectory-Guided Persona Recasting (TPR)，通过诊断交互轨迹中的群体失败来重塑智能体人设，在四个协作基准上最高提升 83.3% 的准确率，并在分布式信息合作与混合动机谈判任务上超越 SOTOPIA 和 AgentVerse。
Miles Brundage 观察到，来自竞争对手公司的 AI 模型之间可以轻松协作完成任务，他认为我们应该更好地利用跨模型合作，同时对潜在的滥用行为或不良的协作性 AI 行为保持警惕。
guilds.run 是一个开源的多智能体系统设计工具，支持调试每个提示、工具调用、记忆变更与智能体交互，可自托管并为每个智能体独立选择模型与权限。
论文提出 MARS-Gov，一个多智能体立场感知框架，用于荷兰政府文件中的官僚偏见检测、改写与验证，在 DGDB 数据集上以 0.880 F1 取得新的 SOTA，并通过动态「第十位陪审员」机制实现开放集偏见目标识别。
ReCast 提出一种面向归因的步骤表示学习方法，将冻结 LLM 的隐藏状态转换为更能有效区分根因步骤的表示，并发布了 ReCast-2K 训练数据集，在四个基准上取得了最佳的 Hit@1 成绩。
该论文提出了 MedBenchAgent，一个多智能体框架，通过"约束编译"方法实现了医疗视觉-语言模型基准测试的规格化与构建全流程自动化。在对十二个视觉-语言模型的评估中，该框架取得了 90.9% 的任务空间 F1 值，并在人工审核中获得了很高的通过率。
本文提出了'规范能力'的概念——即大语言模型智能体仅凭交互就能辨别社区强制执行的规范的能力，并通过合成规范的多智能体辩论场景对其进行了评估。基线大语言模型即使在规范有益的情况下也无法习得规范，且规范遵循的泛化能力较差，智能体表现出不加选择的归因行为，在学习真正规范的同时也照搬了个体噪声。
斯坦福的一篇论文提出了 DeLM，一个去中心化多智能体框架，用共享上下文和任务队列取代了中央协调器。据报告，在 Terminal-Bench 4.0、DeepSWE v1.1 和 ProgramBench 上，其运行速度最高提升 2.49 倍，准确率相比 Claude Code 和 Codex 基线最高提升 +19.2 个百分点。论文已开源代码、720 条轨迹数据，以及一个适用于 Codex 和 Claude Code 的开源插件。
论文提出 KITE，一种无需训练的框架，将隐式多智能体间的 KV 通信重点从发送端的状态保真度转移到接收端的任务充分性上，仅传输对任务有效的关键层。实验表明，在七个基准上，该方法实现了 28-36 倍的通信量缩减，推理速度最高提升 3 倍，准确率最高提升 23.3 个百分点。
CuratorMAS 提出了一种多智能体编排框架，通过探索、知识检索、评估、过滤和技能演化五个可编程阶段来自动化数据集策展，将噪声率降低多达 36.03 个百分点，并将下游 F1 分数提升多达 8.88 个百分点。
AegisFlow 是一个基于多智能体的自愈框架，通过 Watchdog 与 Repair 智能体结合 LLM 自动生成、测试并部署补丁，实现数据管道故障的自主修复，实验显示 MTTR 改善 98.1%、补丁成功率 92%。