过去的多智能体系统（Multi-Agent Systems, MAS）研究，常见关键词是：博弈论、机制设计、多智能体规划与学习、协商与信誉、群体规范与涌现、沟通与协作、人机交互、对手建模、社会网络、仿真、以及形式化验证等。AAAI’26 的教程将这条“传统 MAS 主线”与近两年的“LLM 智能体（agent）浪潮”拼接在同一张路线图上：LLM 不只是生成文本，而是把自然语言理解/推理/规划/工具

过去的多智能体系统（Multi-Agent Systems, MAS）研究，常见关键词是：博弈论、机制设计、多智能体规划与学习、协商与信誉、群体规范与涌现、沟通与协作、人机交互、对手建模、社会网络、仿真、以及形式化验证等。AAAI’26 的教程将这条“传统 MAS 主线”与近两年的“LLM 智能体（agent）浪潮”拼接在同一张路线图上：LLM 不只是生成文本，而是把自然语言理解/推理/规划/工具

AI agents[1] 可以自主做决策，而工作流就是给这种自主性加上结构的支持。工作流建立了执行模式，引导 Agent 去解决需要协调步骤、或者精心安排时序的复杂问题。

如果可以使用世界上所有的算力来训练AI模型，会怎么样？近日，凭借发布了开源的Hermes 3（基于Llama 3.1）而引起广泛关注的Nous Research，再次宣布了一项重大突破——DisTrO（分布式互联网训练）。通过使用与架构和网络无关的分布式优化器，研究人员成功将训练LLM时GPU间的通信量降低了1000到10000倍！初步技术报告：https://github.com/NousRes

你是否被这些词搞晕过？

Agentic AI 正在成为人工智能领域最具变革性的研究方向之一。这类具备自主规划能力、能够灵活调用工具并与环境持续交互的智能体，正从早期的实验室原型逐步走向复杂真实场景中的规模化应用（如Claude Code与OpenClaw），其核心特征也从“回答生成”转向“驱动决策与行动”。在这一范式演进背后，Agentic RL正逐渐成为关键技术支柱。不同于传统的 RLHF，Agentic RL 强调在

面试官：（指尖敲了敲桌面，笑着抛题）同学，咱们聊点落地的，说说什么是Multi-Agent？别光背定义，讲点人话。🧑‍💻我：（松了口气，顺势玩梗）收到！这题我熟～说白了，Multi-Agent就是AI界的“团队作战”，再也不让一个AI打工人累死累活包揽全活了！

一句话讲清楚👉🏻 MemSkill通过可学习和演进的"记忆技能"系统，让AI Agent能够动态选择和优化记忆操作，实现真正的自我进化。

该论文由合合信息团队参与完成，聚焦多模态大模型推理阶段的效率优化问题。研究发现，在主流的 decoder-only 架构中，视觉 Token 在多层处理过程中存在明显的结构性冗余，这使模型在高分辨率输入和长序列场景下面临较大的算力压力。为此，研究团队提出了RedundancyLens，可在推理阶段动态识别并削减视觉 Token 的冗余计算，在无需额外训练的前提下显著降低计算开销，同时保持模型性能提

该论文由合合信息团队参与完成，聚焦多模态大模型推理阶段的效率优化问题。研究发现，在主流的 decoder-only 架构中，视觉 Token 在多层处理过程中存在明显的结构性冗余，这使模型在高分辨率输入和长序列场景下面临较大的算力压力。为此，研究团队提出了RedundancyLens，可在推理阶段动态识别并削减视觉 Token 的冗余计算，在无需额外训练的前提下显著降低计算开销，同时保持模型性能提