本研究解决了传统社会系统代理基础建模（ABM）方法中因规则限制导致的动态捕捉不足问题。提出的SALM框架通过整合语言模型，实现了多智能体场景下前所未有的时间稳定性，重要贡献包括提高模拟稳定性及显著减少内存使用，首次实现了对长期社会现象的建模，并保持了经过实证验证的行为一致性。

本研究解决了放射学报告生成中的事实不一致性和跨模态对齐等问题。我们提出了一种与临床推理工作流程相一致的多模态多智能体框架，通过任务特定代理处理检索、草稿生成、视觉分析、优化和综合。实验结果表明，该方法在生成更准确、结构化和可解释的报告方面优于强基线，展示了临床对齐的多智能体框架在支持可解释和可信的临床AI应用中的潜力。

LangGraph4j - Multi-Agent handoff implementation with Spring AI bsorrentino ・ May 12 #ai #langgraph4j #multiagent #springai

本研究旨在解决现有假新闻检测方法在可解释性和泛化能力方面的不足。我们提出了一种创新的多智能体系统TruEDebate (TED)，通过模拟正式辩论过程，增强检测的有效性和可解释性。研究发现，TED能够更全面地评估新闻内容，提高假新闻的识别准确率。

本研究解决了多目标跟踪和快速不可预测运动目标的计算挑战，提出了一种迭代蒸馏方法，将高保真模拟转化为简化的GPU加速环境，同时保持高层次动态。研究结果表明，提出的方法在跟踪精度上保持误差低于5米，为自主车队控制提供了可扩展的框架，显著提升了样本效率。

本研究解决了传统空中战斗模拟中缺乏有效行动方案的问题，提出了一种层次化多智能体强化学习框架。该框架通过将决策过程分为低层次策略和高层指挥策略，有效应对复杂的飞行动态及多智能体系统大规模状态和动作空间的挑战，实验证实了该方法的有效性和潜在影响。

本研究针对多任务多智能体路径规划（MT-MAPF）问题，提出了一种去中心化算法PRISM，能够让大规模智能体团队同时规划安全、高效的路径，避免碰撞。PRISM通过快速的通信策略有效共享运动约束信息，在无直接通信的情况下仍能增强合作路径规划能力，实验证明其在解决死锁问题和提升计算效率方面具有显著优势。

本研究解决了无人机任务规划中的有效性和可扩展性问题，提出了一种名为UAV-CodeAgents的多智能体框架，利用视觉语言模型生成自主任务。通过引入反应式思维循环，系统能够在复杂环境中实时调整目标，实现93%的成功率和96.96秒的平均任务创建时间，从而显著提高规划的可靠性。

This is a submission for the Bright Data AI Web Access Hackathon What I Built Demo How I Used Bright Data's Infrastructure Performance Improvements