119 articoli
Il paper presenta TeamHOI, un framework che utilizza una politica decentralizzata basata su Transformer e una strategia di Adversarial Motion Prior mascherata per abilitare un singolo agente di controllo a gestire interazioni cooperative uomo-oggetto realistiche e scalabili con un numero variabile di agenti.
Questo studio interdisciplinare utilizza un modello multi-agente per dimostrare che, nonostante un impatto climatico limitato, la pesca artigianale senegalese rischia un collasso con migrazioni di massa se lo sforzo di pesca non viene ridotto, mentre una diminuzione dello sforzo permetterebbe di raggiungere un equilibrio sostenibile con catture paragonabili ai livelli degli anni 2000.
Questo articolo dimostra che, in scenari di inseguimento ed evasione 3D asimmetrici con comunicazioni assenti, la semplificazione delle rappresentazioni degli agenti e l'uso di un'assegnazione del merito locale migliorano la robustezza e le prestazioni rispetto ai metodi che dipendono da canali di comunicazione ridondanti.
Il documento presenta IronEngine, una piattaforma per assistenti AI generici basata su un nucleo di orchestrazione unificato e un pipeline a tre fasi che integra modelli locali e cloud, memoria persistente e strumenti eseguibili, dimostrando prestazioni superiori nei benchmark operativi rispetto ad assistenti esistenti.
Il paper propone e sperimenta le "società di menti" basate sul linguaggio naturale (NLSOM), in cui grandi modelli linguistici e altri esperti neurali collaborano tramite un'interfaccia linguistica per superare i limiti dei singoli modelli e risolvere compiti multimodali complessi, aprendo al contempo nuove questioni di ricerca sulla struttura sociale e l'economia di tali sistemi di intelligenza artificiale emergenti.
Questo articolo propone un nuovo quadro di inferenza di livello 2 per dedurre le credenze degli agenti sugli obiettivi altrui, superando i limiti dei metodi tradizionali di livello 1 che assumono una conoscenza completa e condivisa, e dimostra la sua efficacia nel rilevare disallineamenti strategici in scenari reali come la guida urbana.
Questo articolo introduce l'Ambiente di Apprendimento Yokai (YLE), un nuovo benchmark open-source per il coordinamento a zero-shot che supera i limiti dell'ambiente Hanabi richiedendo agli agenti di costruire un terreno comune attraverso il ragionamento su credenze dinamiche e informazioni ambigue, rivelando così che i metodi all'avanguardia falliscono nel mantenere modelli interni coerenti con partner sconosciuti.
Il documento estende i giochi causali a scenari sequenziali per modellare agenti AI, dimostrando teoricamente la complessità computazionale ma rivelando empiricamente che tale approccio non offre alcun vantaggio di benessere rispetto all'equilibrio di Stackelberg classico, suggerendo così la necessità di nuovi framework teorici oltre la razionalità standard.
ThunderAgent è un sistema di inferenza agenziale semplice, veloce e consapevole del programma che, astruendo i flussi di lavoro come "LLM Programs" e gestendo in modo unificato risorse eterogenee come cache KV e strumenti esterni, supera le limitazioni delle architetture attuali ottenendo significativi miglioramenti nel throughput e nel risparmio di memoria.
Questo articolo di posizione inquadra la memoria dei sistemi multi-agente come un problema di architettura informatica, proponendo una gerarchia a tre livelli e identificando la coerenza della memoria come la sfida aperta più critica per garantire sistemi scalabili e affidabili.
Il paper presenta KernelSkill, un framework multi-agente che migliora l'ottimizzazione dei kernel GPU sostituendo le euristiche implicite dei modelli linguistici con competenze esperte guidate dalla conoscenza e una memoria duale, ottenendo risultati superiori rispetto alle soluzioni precedenti.
Il paper presenta GRACE, un simulatore e benchmark unificato per la pianificazione di percorsi multi-robot che consente confronti trasparenti e riproducibili tra diversi livelli di astrazione (griglia, roadmap e continuo) per valutare i compromessi tra fedeltà del modello e scalabilità.
Il paper presenta LLMGreenRec, un innovativo sistema di raccomandazione basato su agenti multipli e modelli linguistici su larga scala che promuove il consumo sostenibile nell'e-commerce ottimizzando le raccomandazioni di prodotti ecologici e riducendo al contempo l'impronta di carbonio digitale.
Il paper presenta COMIC, un sistema AI completamente automatizzato che genera video comici brevi imitando gli sketch show, utilizzando una popolazione di agenti ispirati ai ruoli di produzione e critici LLM allineati alle preferenze del pubblico per ottimizzare la qualità e la diversità degli output.
Questo articolo propone l'algoritmo OA-Bug, che sfrutta segnali olfattivi e acustici per migliorare l'esplorazione cooperativa di robot sciame in ambienti negati privi di GNSS e mappatura, dimostrando attraverso simulazioni ed esperimenti reali una copertura del 96,93% significativamente superiore rispetto ad algoritmi esistenti.
Il paper introduce SysDPO, un framework che estende l'ottimizzazione diretta delle preferenze (DPO) per allineare i sistemi di intelligenza artificiale composti a livello di sistema, superando le sfide poste dalle interazioni non differenziabili e dalle preferenze non direttamente trasformabili a livello di componente.
Il paper introduce KramaBench, un benchmark composto da 104 sfide curate manualmente per valutare le capacità end-to-end dei sistemi di intelligenza artificiale nell'orchestrare pipeline complesse per l'estrazione di insight da data lake, rivelando che le attuali soluzioni agentiche faticano a produrre flussi di lavoro funzionanti nonostante la loro efficacia in singoli compiti isolati.
Questo lavoro presenta un sistema multi-agente basato su modelli linguistici multimodali che supera significativamente lo stato dell'arte nell'estrazione automatica di informazioni chimiche da grafiche e testi scientifici, garantendo la creazione di database strutturati di alta qualità per la ricerca chimica guidata dall'intelligenza artificiale.
Il paper presenta MARLIN, un framework decentralizzato per la gestione dei bacini idrici che combina l'intelligenza degli stormi di storni con l'apprendimento per rinforzo multi-agente e la guida dei LLM per migliorare la coordinazione globale, ridurre i tempi di calcolo e ottimizzare la risposta alle inondazioni in condizioni di incertezza.
Il paper presenta WNumMPC, un metodo di navigazione gerarchico che risolve i deadlock simmetrici in sistemi multi-agente privi di comunicazione esplicita combinando un piano basato sull'apprendimento per rinforzo, che utilizza l'invariante topologico del numero di avvolgimento per definire strategie cooperative, con un controller basato su modelli per generare traiettorie sicure ed efficienti.