多智能体

研究者提出GraphDx框架，通过构建医学诊断知识图谱与多智能体协作，在提升诊断准确率的同时显著降低检测成本，为自动化临床诊断提供经济可靠的解决方案。

研究者提出MAPS框架，通过建模多智能体的认知差异与动态记忆，在对话中同时保持个体主观表达与语义对齐，为可解释、人性化的AI对话系统提供新思路。

研究团队提出一种专家-编辑分步提问的多智能体框架，通过专家和编辑分别针对内容不同方面提出问题并提供修订线索，引导其他智能体优化长文档摘要，在科学数据集上验证了其有效性。

研究者提出RouteRec框架，系统评估推荐系统中不同智能体的选择与聚合策略，发现项目级聚合比请求级选择更具潜力。

针对AI智能体在运行中易受记忆投毒、工具链操控等攻击的威胁，研究者提出首个仿生内源性防御架构——智能体原生免疫系统（ANIS），将防御机制嵌入智能体认知循环。

研究者提出Tandem强化学习新方法，让强模型在推理时兼顾弱模型的可读性，为解决大模型推理晦涩难题提供新思路。

Together AI 推出爱因斯坦竞技场平台，通过AI智能体的群体协作与竞争，在开放数学问题上取得突破，已刷新11项最优结果。