大型语言模型和自主AI代理的发展迅速，从而产生了各种评估基准，框架和协作协议。但是，景观仍然分散，缺乏统一的分类法或全面调查。因此，我们对2019年至2025年之间开发的基准进行了并排比较，该基准评估了跨多个领域的这些模型和代理 ...

大语言模型（LLM）功率的自主代理需要强大的标准化协议，以整合工具，共享上下文数据并跨异构系统协调任务。临时集成难以扩展，安全和跨性别范围。这项调查研究了四个新兴代理通信协议：模型上下文协议（MCP），代理通信协议（ACP），代理到代理协议（A2A）和代理网络协议（ANP），每个协议都在不同的部署环境中解决互操作性 ...

体现智能的曙光迎来了跨下一代生态系统的弹性，支持认知的多代理协作的前所未有的当务之急，彻底改变了自主制造业，自适应服务机器人技术和网络物理生产架构的范式。但是，当前的机器人系统面临着重大局限性，例如有限的跨体型适应性，效率低下的任务调度以及动态误差校正不足。尽管端到端的VLA模型表明长期计划和任务概括不足，但层次VLA模型缺乏跨体和多代理协调功能 ...

本文使用大型语言模型（LLM）介绍了一种新颖的方法，该模型（LLMS）集成到代理框架中，以进行灵活有效的个人出行能力。 LLM通过有效处理语义数据并在建模各种任务时提供多功能性来克服先前模型的局限性。我们的方法解决了三个研究问题：将LLM与现实世界中的城市流动性数据保持一致，制定可靠的活动生成策略以及探索城市流动性中的LLM应用程序 ...

学习一种无模型增强学习（RL）代理的世界模型可以通过学习想象中的学习政策来显着提高样本效率。但是，由于大量代理的集中式架构中的可伸缩性问题以及由代理商之间的分散式体系结构中的非平稳性问题，建立多代理RL（MARL）的世界模型可能特别具有挑战性。为了应对这两个挑战，我们为MARL提出了一种新颖的世界模型，该模型学习了分散的局部动力以进行可扩展性，并结合了所有代理的集中表示聚合 ...

在多项式强化学习（MARL）中，分散执行（CTDE）框架的集中培训是关键的，但由于缺口而陷入困境：培训的全球国家指导与依赖在执行中的本地观察结果（缺乏全球信号）。受到人类社会共识机制的启发，我们介绍了基于等级共识的多代理增强学习（HC-MARL）框架以解决此限制。 HC-MARL采用对比学习来促进代理商之间的全球共识，从而实现合作行为而无需直接交流 ...

大型语言模型（LLM）的最新进展激发了人们对建立完全自主的代理商的兴趣。但是，完全自主的LLM代理仍然面临重大挑战，包括由于幻觉而导致的可靠性有限，难以处理复杂的任务以及实质性的安全性和道德风险，所有这些都限制了他们在现实应用程序中的可行性和可信度。为了克服这些局限性，基于LLM的人类代理系统（LLM-HAS）将人提供的信息，反馈或控制纳入代理系统中，以增强系统性能，可靠性和安全性 ...

有条件的图像产生因其个性化内容的能力而引起了极大的关注。但是，该领域在开发任务不合时宜，可靠且可解释的评估指标方面面临挑战。本文介绍了Cigeval，这是一个统一的代理框架，用于全面评估有条件的图像生成任务 ...