119 Arbeiten
Das Paper stellt TeamHOI vor, ein dezentralisiertes Framework, das mithilfe eines Transformer-basierten Policies und einer maskierten adversariellen Bewegungsprior-Methode (AMP) physisch plausible und skalierbare kooperative Mensch-Objekt-Interaktionen für Teams beliebiger Größe ermöglicht.
Diese Studie nutzt ein Multi-Agenten-Modell, um zu zeigen, dass eine Reduzierung des Fischereiaufwands entscheidend für die Erhaltung der senegalesischen Handfischerei ist, während der Klimawandel nur einen geringen Einfluss hat und ohne solche Maßnahmen ein Kollaps der Fischbestände sowie massive Migrationen der Fischer drohen.
Die Studie zeigt, dass die gezielte Reduktion von Agenten-Kommunikationskanälen und die Einführung einer lokalitätsbasierten Kreditvergabe die Robustheit und den Erfolg von dezentralen 3D-Verfolgungs-Szenarien in lauten und verzögerten Umgebungen im Vergleich zu vollvernetzten Ansätzen signifikant steigern.
Der Artikel stellt IronEngine vor, eine umfassende KI-Assistentenplattform mit einem einheitlichen Orchestrierungskern, die durch einen dreistufigen Planungs- und Ausführungsprozess, eine adaptive Modellverwaltung und eine robuste Werkzeugintegration eine zuverlässige Automatisierung für allgemeine Aufgaben ermöglicht.
Die Arbeit stellt natürliche sprachbasierte Gesellschaften des Geistes (NLSOMs) vor, die durch die modulare Zusammenarbeit großer multimodaler neuronaler Netze über eine natürliche Schnittstelle komplexe KI-Aufgaben lösen und dabei neue Forschungsfragen zur optimalen sozialen Struktur und ökonomischen Steuerung solcher heterogenen Agenten-Systeme aufwerfen.
Die Arbeit stellt ein neues Framework für die Level-2-Inferenz vor, das in dezentralen Szenarien wie dem autonomen Fahren die Schätzungen von Agenten über die Ziele anderer erfasst, um die Beschränkungen bestehender Level-1-Methoden zu überwinden, die fälschlicherweise von vollständigem Wissen über die Ziele aller Akteure ausgehen.
Die Autoren stellen das Yokai Learning Environment (YLE) als neue Benchmark für die Null-Shot-Koordination vor, die durch das Verfolgen von Überzeugungen über bewegliche Karten und das Schließen unter mehrdeutigen Hinweisen bestehende Methoden herausfordert und zeigt, dass auf dem bisherigen Standardbenchmark Hanabi erzielte Fortschritte nicht unbedingt auf komplexere Szenarien verallgemeinern.
Die Arbeit zeigt, dass die Erweiterung von kausalen Normalformspielen auf sequenzielle Szenarien trotz theoretischer Eleganz und PSPACE-Vollständigkeit in der Praxis keine Wohlfahrtsverbesserung gegenüber klassischen Stackelberg-Gleichgewichten bietet, da rationale Rückwärtsinduktion kausale Vorteile eliminiert und somit neue theoretische Rahmenwerke jenseits des Nash-Gleichgewichts für KI-Agenten erforderlich macht.
Das Paper stellt ThunderAgent vor, ein schnelles und programmorientiertes Agentic-Inferenzsystem, das durch die Abstraktion von Workflows als LLM-Programme und eine einheitliche Ressourcenverwaltung die KV-Cache-Trefferquoten maximiert, Speicherungleichgewichte ausgleicht und im Vergleich zu bestehenden Systemen die Durchsatzleistung sowie die Speichereffizienz erheblich verbessert.
Diese Positionspapier betrachtet Multi-Agenten-Speicher als Computer-Architekturproblem, schlägt eine dreischichtige Speicherhierarchie vor und identifiziert die Konsistenz des Multi-Agenten-Speichers als die dringendste offene Herausforderung für zuverlässige und skalierbare Systeme.
Das Paper stellt KernelSkill vor, ein Multi-Agenten-Framework mit einer dualen Speicherarchitektur, das durch die Nutzung von wissensbasierten Expertenfähigkeiten anstelle impliziter Heuristiken GPU-Kernel-Optimierungen effizienter und interpretierbarer gestaltet und dabei auf dem KernelBench signifikante Geschwindigkeitssteigerungen erzielt.
Das Paper stellt GRACE vor, einen einheitlichen 2D-Simulator und Benchmark, der Multi-Robot-Path-Planning-Aufgaben auf verschiedenen Abstraktionsebenen (Gitter, Roadmap, kontinuierlich) konsistent abbildet, um transparente Vergleiche zwischen verschiedenen Planungsansätzen zu ermöglichen und die Trade-offs zwischen Modelltreue und Skalierbarkeit zu quantifizieren.
Die Arbeit stellt LLMGreenRec vor, ein neuartiges Multi-Agenten-System auf Basis von Large Language Models, das durch die Analyse von Nutzerabsichten nachhaltige Produktempfehlungen für den E-Commerce generiert und gleichzeitig den digitalen CO₂-Fußabdruck minimiert.
Die Arbeit stellt ein vollautomatisiertes KI-System vor, das mithilfe einer populationbasierter Agentenarchitektur und durch Analyse von YouTube-Comedy-Videos trainierter LLM-Kritiker kurze Sketch-Comedy-Videos in professioneller Qualität generiert.
Dieser Beitrag stellt den OA-Bug-Algorithmus vor, der schwarmbasierte Roboter durch die Nutzung olfaktorischer und auditorischer Signale befähigt, in GNSS-verweigernden Umgebungen ohne zentrale Koordination eine signifikant höhere Suchabdeckung zu erreichen.
Die Arbeit stellt SysDPO vor, ein Framework, das die direkte Präferenzoptimierung (DPO) auf komplexe, aus mehreren Komponenten bestehende KI-Systeme erweitert, um diese durch eine graphbasierte Modellierung und systemweite Optimierung effektiv an menschliche Präferenzen anzupassen, ohne auf differenzierbare Interaktionen angewiesen zu sein.
Die Arbeit stellt KramaBench vor, einen Benchmark mit 104 manuell erstellten Herausforderungen, der zeigt, dass aktuelle KI-Systeme zwar einzelne Datenaufgaben bewältigen können, aber beim Entwurf und der Ausführung funktionsfähiger End-to-End-Pipelines zur Gewinnung von Erkenntnissen aus komplexen Data Lakes erhebliche Schwierigkeiten haben.
Diese Arbeit stellt ein auf einem multimodalen Large Language Model basierendes Multi-Agenten-System vor, das durch die Zerlegung komplexer chemischer Extraktionsaufgaben in spezialisierte Teilaufgaben einen signifikanten Fortschritt bei der automatischen Gewinnung strukturierter Daten aus chemischer Literatur ermöglicht und dabei den bisherigen State-of-the-Art deutlich übertrifft.
Das Paper stellt MARLIN vor, ein dezentrales Reservoir-Management-Framework, das Multi-Agenten-Reinforcement-Learning durch murmelnde Schwarmintelligenz und LLM-gesteuerte Belohnungsformung kombiniert, um unter Unsicherheiten eine skalierbare globale Koordination zu erreichen und die Hochwasserreaktion sowie die Rechenleistung signifikant zu verbessern.
Die Arbeit stellt WNumMPC vor, eine hierarchische Navigationsmethode für Multi-Agenten-Systeme, die durch den Einsatz von Reinforcement Learning zur Vorhersage von Windungszahlen und dynamischen Gewichtungen symmetriebedingte Deadlocks in dichten Szenarien effektiv vermeidet und dabei eine robuste Sim-to-Real-Übertragung ermöglicht.