深度分析
SPEAR：多代理協調框架在智慧合約審計的工程案例研究
本研究針對智慧合約審計提出 SPEAR 多代理協調框架，透過規劃、執行與修復三類代理，以風險感知排序與 Contract Net 協議分配任務，並採用 AGM 信念更新與拍賣協商機制。實驗顯示此架構在協調、復原與資源利用上優於集中式方案，為安全審計提供更彈性的方法。
多代理系統
深度分析
分佈魯棒自適應機制（DRAM）：結合機制設計與線上學習的高效框架
在缺乏先驗信念的多代理序列機制設計中，研究者提出分佈魯棒自適應機制（DRAM），結合機制設計與線上學習，透過迭代估計信念並縮小模糊集合以降低支付，同時保證真實回報。理論證明其遺憾上界為 Õ(√T) 且匹配下界，為首個達成此目標的框架。
多模態大型語言模型
MONETA：結合文字、地理資訊與多代理系統的多模態產業分類基準
產業分類傳統依賴人工成本高，MONETA 以網站、維基、Wikidata 與 OpenStreetMap、衛星影像結合多模態資源，建立 1,000 家歐洲企業的基準。使用多模態大型語言模型在無訓練情況下達 62.10%~74.10% 準確，加入多輪設計與說明可提升最高 22.80%。此成果將促進產業分類自動化與資料庫更新效率。
深度分析
多代理系統的容量衍生語意空間與 Wyner‑Ziv 編碼之結構相變分析
當不同計算容量的代理人共存於同一環境時，他們可形成各自的語意字母表；研究以容量衍生的語意空間 Q_{m,T}(M) 為基礎，證明低於臨界率的意圖保留通訊結構上不可行，實驗顯示傳輸率可比傳統上限低 19 倍。
深度分析
透過張量分解量化大型語言模型多代理系統的不確定性
大型語言模型多代理系統因互動複雜面臨可靠性挑戰。研究提出 MATU 框架，使用張量分解將推理軌跡組成高階張量，分離並量化不確定性來源。實驗顯示其在多任務與拓撲下提供穩健估計，提升系統信賴度。
深度分析
PETITE：導師‑學生多代理互動提升大型語言模型程式碼解題效能與資源效率
受人類認知發展啟發，研究提出導師-學生多代理系統 PETITE，讓同一大型語言模型以非對稱角色互動，提升程式碼解題效能。學生代理產生並精進解答，導師代理提供結構化回饋，未使用真實答案。實驗顯示 PETITE 在 APPS 基準上與最先進方法相當，且 token 使用量顯著減少，顯示此角色分化策略具資源效益。