1343 पेपर
स्वायत्त एआई एजेंटों के एक सोशल नेटवर्क, MOLTBOOK में लगभग 2.9 मिलियन पोस्टों के विश्लेषण के आधार पर, अध्ययन यह प्रकट करता है कि हालांकि नकारात्मक सामग्री महत्वपूर्ण ध्यान आकर्षित करती है, लेकिन इसके बाद आमतौर पर नकारात्मकता फैलाने के बजाय तटस्थ प्रतिक्रियाएं आती हैं, जो यह सुझाव देता है कि एआई-एजेंट नेटवर्क मानवीय सोशल नेटवर्क की तुलना में भावनात्मक चरमों को अलग तरह से कम कर सकते हैं।
MADRAG एक प्रशिक्षण-मुक्त (training-free) ढांचा है जो विश्लेषणात्मक निबंध स्कोरिंग को बेहतर बनाने के लिए मल्टी-एजेंट डिबेट को रिट्रीवल-ऑगमेंटेड ग्राउंडिंग के साथ जोड़ता है ताकि मानक LLM-एज़-जज दृष्टिकोणों के पूर्वाग्रह और अस्थिरता को कम करते हुए पर्यवेक्षित प्रणालियों (supervised systems) के तुलनीय प्रदर्शन प्राप्त किया जा सके।
यह शोध पत्र एजेंटिक उद्यम (agentic enterprise) के लिए एक आवश्यक शासन संरचना के रूप में "थ्री-रिंग आर्किटेक्चर" का प्रस्ताव करता है, जो फ्रंटियर एलएलएम एजेंटों (रिंग 3) के गैर-नियतत्ववादी (non-deterministic) जोखिमों को प्रबंधित और कम करने के लिए एक नियतत्ववादी "रणनीति-आधारित" फेडरेशन लेयर (रिंग 2) को पेश करता है, जिससे अनियंत्रित विकेंद्रीकृत बुद्धिमत्ता से जुड़ी उच्च परियोजना विफलता दरों को रोका जा सके।
यह शोध पत्र तर्क देता है कि स्वायत्त एजेंट प्रणालियों (autonomous agent systems) में, मानक ट्रांसपोर्ट द्वारा उजागर किया गया संचार ग्राफ मेटाडेटा (communication graph metadata) केवल गोपनीयता के लिए ही नहीं, बल्कि वर्कफ़्लो की अखंडता के लिए भी एक गंभीर खतरा पैदा करता है, और यह प्रदर्शित करता है कि मेटाडेटा-संरक्षित ट्रांसपोर्ट परतों को लागू करना प्रतिकूलों (adversaries) को लंबित कार्यों का अनुमान लगाने और उन्हें पूर्व-नियोजित रूप से बाधित करने से प्रभावी ढंग से रोकता है।
यह शोध पत्र एक भौतिकी-निर्देशित सुदृढीकरण शिक्षण (रिनफोर्समेंट लर्निंग) ढांचे का प्रस्ताव करता है जहाँ बुद्धिमान एजेंट स्थानीय अवलोकनों के आधार पर एक भौतिक हैमिल्टनियन को न्यूनतम करके वितरित नेटवर्क में स्वायत्त रूप से मजबूत, ऊर्जा-कुशल संचार क्लस्टर स्थापित करते हैं, जो गतिशीलता, विफलताओं और पर्यावरणीय बाधाओं के विरुद्ध उच्च लचीलापन प्रदर्शित करता है।
यह शोध पत्र एक टूर्नामेंट-आधारित बेंचमार्क प्रस्तुत करता है जो एक जटिल बाजार-संचालित लॉजिस्टिक्स समस्या पर स्नातक छात्रों के विरुद्ध लार्ज लैंग्वेज मॉडल्स (LLMs) का मूल्यांकन करता है, जिससे यह खुलासा होता है कि मानव-कोडित एजेंट LLM-जनरेटेड समाधानों से काफी बेहतर प्रदर्शन करते हैं, जहाँ अधिकांश LLM एजेंट सरल बेसलाइन को पार करने में विफल रहते हैं और यहाँ तक कि उन्हें सुधारने के लिए प्रेरित किए जाने पर वे इष्टतम मानवीय रणनीतियों को और भी खराब कर देते हैं।
DPBench यह प्रदर्शित करता है कि संसाधन संघर्ष (resource contention) के तहत मल्टी-एजेंट एलएलएम (LLM) समन्वय की सफलता या विफलता मुख्य रूप से संरचनात्मक प्रोटोकॉल चरों—जैसे कि संचार राउंड, समवर्ती प्रिमिटिव्स (concurrency primitives), और समूह आकार—द्वारा निर्धारित होती है, न कि स्वयं मॉडलों की अंतर्निहित क्षमताओं द्वारा।
यह शोध पत्र SHIELDS को प्रस्तुत करता है, जो एक मल्टी-एजेंट सिस्टम है जो एक पुनरावृत्ति, फीडबैक-संचालित सुधार प्रक्रिया के माध्यम से OS हार्डनिंग को स्वचालित करने के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है और सफलतापूर्वक 73% तक सुरक्षा स्कैन निष्कर्षों को संबोधित करता है, यह प्रदर्शित करते हुए कि सफलता के लिए मॉडल के आकार की तुलना में प्रभावी टूल उपयोग और सूचना एकत्र करना अधिक महत्वपूर्ण है।
यह शोध पत्र CAN को प्रस्तुत करता है, जो एक विकेंद्रीकृत क्रॉस-अटेंशन पॉलिसी है जो सहकारी मल्टी-एजेंट सुदृढीकरण सीखने (multi-agent reinforcement learning) के लिए, फ्री-राइडर्स की संख्या का गतिशील रूप से अनुमान लगाकर और आनुपातिक रूप से उन्हें चुनौती देकर मजबूत निष्पक्षता और उच्च दक्षता प्राप्त करता है, जिससे बिना किसी केंद्रीकृत आवंटक की आवश्यकता के मौजूदा फेयर लर्नर्स की कमजोरियों को दूर किया जा सके।
यह शोध पत्र एक विकेंद्रीकृत, स्लाइम-मोल्ड (slime-mold) से प्रेरित ऑन-डिमांड ट्रांजिट सिस्टम का प्रस्ताव करता है जो स्वार्म इंटेलिजेंस (swarm intelligence) और डायनेमिक ट्रांसफर का उपयोग करता है, जिसके सिमुलेशन परिणाम दर्शाते हैं कि यह पारंपरिक फिक्स्ड-रूट नेटवर्क की तुलना में उपनगरीय, शहरी और अर्ध-ग्रामीण वातावरण में यात्री वितरण दर को बढ़ाकर और पैदल चलने के समय को कम करके काफी बेहतर प्रदर्शन करता है।