Der März 2025 präsentiert sich als besonders spannender Monat in der Welt der Künstlichen Intelligenz, speziell im Bereich der KI-Agenten und Multi-Agenten-Frameworks. Forscher auf der ganzen Welt veröffentlichen kontinuierlich wegweisende Studien, die unser Verständnis von autonomen, lernfähigen und kooperativen KI-Systemen erweitern. Themen wie das Zusammenspiel von Unsicherheitsbewältigung in autonomen Robotern, effiziente chirurgische Entscheidungsunterstützung und der Einsatz von LLM-basierten Agenten in komplexen operativen und sozialen Szenarien dominieren die aktuellen Publikationen.

Gerade die Veröffentlichungen vom 14. März 2025 heben innovative Ansätze hervor, beispielsweise wie Embodied Agents ihre Unsicherheiten selbstbewusst kalibrieren und somit ihre Entscheidungsqualität verbessern können. Ebenso wegweisend sind Studien über Multi-Agenten-Workflows in der Chirurgie, die mithilfe von Chain-of-Thought Reasoning medizinische Präzision und Effizienz optimieren. Parallel dazu werfen Wissenschaftler einen kritischen Blick auf menschliche Vorurteile in KI-Agenten, um Robustheit und Fairness in Zukunft besser sicherstellen zu können.

Die Vielzahl dieser neuen Studien unterstreicht, dass KI-Agenten zunehmend entscheidend für die Gestaltung unserer technologischen, sozialen und wirtschaftlichen Landschaft werden. Besonders spannend sind Beiträge, die KI-Agenten in sozialen und ethischen Kontexten untersuchen, etwa in der Simulation gesellschaftlicher Entscheidungsprozesse oder bei der Verbesserung öffentlicher Gesundheitspolitik. Diese kontinuierlichen Fortschritte signalisieren klar, dass KI-Agenten nicht nur technische Innovationen darstellen, sondern zentrale Bausteine für eine sichere, effiziente und ethisch verantwortungsvolle Zukunft sind.

Papers aus Januar bis Mitte März findest Du hier.

Liste der arXiv-Veröffentlichungen vom 14. März 2025 zu KI-Agenten und Multi-Agenten-Frameworks

Uncertainty in Action: Confidence Elicitation in Embodied Agents

• Beschreibung:
  • Das Paper untersucht, wie Unsicherheiten in den Handlungen von verkörperten KI-Agenten gemessen werden können.
  • Es wird ein innovativer Ansatz zur Kalibrierung des Vertrauens in Agenten vorgestellt.
  • Die Ergebnisse belegen eine verbesserte Entscheidungsfindung und Interaktion in komplexen Umgebungen.
• Link: https://arxiv.org/abs/2503.10628

SurgRAW: Multi-Agent Workflow with Chain-of-Thought Reasoning for Surgical Intelligence

• Beschreibung:
  • In diesem Paper wird ein Multi-Agenten-Workflow vorgestellt, der auf Kettenargumentation basiert, um chirurgische Entscheidungsprozesse zu optimieren.
  • Mehrere Agenten arbeiten synchron zusammen, um komplexe chirurgische Szenarien zu analysieren.
  • Die vorgestellten Methoden führen zu einer höheren Effizienz und Genauigkeit im Operationssaal.
• Link: https://arxiv.org/abs/2503.10265

LLM Agents Display Human Biases but Exhibit Distinct Learning Patterns

• Beschreibung:
  • Das Paper beleuchtet, inwiefern LLM-basierte Agenten menschliche Vorurteile widerspiegeln.
  • Es werden deren charakteristische Lernmuster und die daraus resultierenden Entscheidungsprozesse analysiert.
  • Die Studie liefert wichtige Erkenntnisse zur Verbesserung von Fairness und Robustheit in KI-Agentensystemen.
• Link: https://arxiv.org/abs/2503.10248

StepMathAgent: A Step-Wise Agent for Evaluating Mathematical Processes through Tree-of-Error

• Beschreibung:
  • Hier wird ein schrittweiser Agent vorgestellt, der mathematische Prozesse mithilfe eines Fehlersuchbaums systematisch bewertet.
  • Der Ansatz ermöglicht eine detaillierte Analyse und Identifikation von Fehlerquellen in komplexen Rechenabläufen.
  • Die Ergebnisse zeigen eine deutliche Verbesserung in der Fehlerdiagnose und -korrektur mathematischer Prozesse.
• Link: https://arxiv.org/abs/2503.10105

OR-LLM-Agent: Automating Modeling and Solving of Operations Research Optimization Problem with Reasoning Large Language Model

• Beschreibung:
  • Das Paper beschreibt einen LLM-basierten Agenten zur Automatisierung von Modellierungs- und Lösungsprozessen in der Operations Research.
  • Mittels fortschrittlicher logischer Schlussfolgerungen werden Optimierungsprobleme effizient adressiert.
  • Die experimentellen Ergebnisse belegen, dass der Ansatz herkömmliche Methoden signifikant übertrifft.
• Link: https://arxiv.org/abs/2503.10009

AgentDAM: Privacy Leakage Evaluation for Autonomous Web Agents

• Beschreibung:
  • Dieses Paper führt AgentDAM ein, ein Framework zur Bewertung von Datenschutzrisiken bei autonomen Web-Agenten.
  • Es werden spezifische Methoden zur Identifikation und Prävention von Privatsphärenverletzungen erarbeitet.
  • Die vorgestellten Ergebnisse unterstreichen die Notwendigkeit robuster Sicherheitsmechanismen in KI-Agenten.
• Link: https://arxiv.org/abs/2503.09780

Multi-Agent Q-Learning Dynamics in Random Networks: Convergence due to Exploration and Sparsity

• Beschreibung:
  • Das Paper analysiert die Dynamiken von Multi-Agent Q-Learning in zufälligen Netzwerken.
  • Es wird gezeigt, wie explorative Verfahren und eine sparsame Netzwerkstruktur zur Konvergenz beitragen.
  • Die gewonnenen Erkenntnisse bieten wertvolle Einblicke in das Zusammenspiel mehrerer Agenten in komplexen Umgebungen.
• Link: https://arxiv.org/abs/2503.10186

AhaRobot: A Low-Cost Open-Source Bimanual Mobile Manipulator for Embodied AI

• Beschreibung:
  • In diesem Paper wird AhaRobot vorgestellt – ein kostengünstiger, offener, bimanualer mobiler Manipulator, der verkörperte KI demonstriert.
  • Der Roboter zeigt autonome Entscheidungsfähigkeit und kann in realen Umgebungen interagieren.
  • Die experimentellen Ergebnisse unterstreichen das Potenzial des Systems für vielfältige Anwendungen in der Robotik.
• Link: https://arxiv.org/abs/2503.10070

Can A Society of Generative Agents Simulate Human Behavior and Inform Public Health Policy? A Case Study on Vaccine Hesitancy

• Beschreibung:
  • Dieses Paper untersucht, ob eine Gesellschaft generativer Agenten in der Lage ist, menschliches Verhalten realitätsnah zu simulieren.
  • Anhand des Beispiels der Impfbereitschaft wird der Einfluss von Agenten auf gesundheitspolitische Entscheidungen analysiert.
  • Die Studie zeigt, dass generative Agenten wertvolle Impulse zur Gestaltung effektiver Gesundheitspolitik liefern können.
• Link: https://arxiv.org/abs/2503.09639

---

Liste der arXiv-Veröffentlichungen vom 13. März 2025 zu KI-Agenten und Multi-Agenten-Frameworks

ReMA: Learning to Meta‑think for LLMs with Multi‑Agent Reinforcement Learning

• Entwickelt einen Ansatz, bei dem mehrere Agenten in einem Reinforcement‑Learning-Setting zusammenarbeiten.
• Fördert die Meta‑Denkfähigkeit von LLMs durch kollaboratives Lernen.
• Ziel ist, komplexe Entscheidungsprozesse in dynamischen Umgebungen effizient zu optimieren.
  Link zum Paper

In‑Context Defense in Computer Agents: An Empirical Study

• Untersucht Abwehrmechanismen in Computeragenten, die LLMs einsetzen.
• Bewertet empirisch, wie Agenten sich gegen störende Einflüsse schützen lassen.
• Liefert wichtige Erkenntnisse zur Robustheit und Sicherheit von KI‑Agenten.
  Link zum Paper

Differentially Private Equilibrium Finding in Polymatrix Games

• Entwickelt Methoden zur Ermittlung von Gleichgewichten in Mehragentenspielen unter Wahrung der Privatsphäre.
• Setzt Differential‑Privacy-Techniken ein, um sensible Daten zu schützen.
• Bietet theoretische Grundlagen für sichere und kooperative Multi‑Agenten‑Interaktionen.
  Link zum Paper

CombatVLA: An Efficient Vision‑Language‑Action Model for Combat Tasks in 3D Action Role‑Playing Games

• Integriert visuelle, sprachliche und handlungsbezogene Informationen für Kampfszenarien.
• Optimiert Entscheidungsprozesse in 3D‑Action‑Rollenspielen durch agentische Steuerung.
• Dient als Grundlage für die Entwicklung autonomer Agenten in simulierten Kampfumgebungen.
  Link zum Paper

RESTRAIN: Reinforcement Learning‑Based Secure Framework for Trigger‑Action IoT Environment

• Entwickelt ein sicheres Framework zur Automatisierung von Trigger‑Action-Regeln in IoT‑Systemen.
• Nutzt Reinforcement Learning, um den Informationsaustausch zwischen verteilten IoT‑Agenten zu koordinieren.
• Verbessert den Schutz und die Zuverlässigkeit in dezentralen, agentenbasierten Umgebungen.
  Link zum Paper

Multi‑Agent Image Restoration

• Setzt mehrere kooperierende Agenten ein, um verrauschte oder beschädigte Bilder wiederherzustellen.
• Nutzt kollaborative Lernstrategien zur Fehlerkorrektur und Qualitätsverbesserung.
• Demonstriert, wie Multi‑Agenten‑Frameworks praktische Anwendungen in der Bildverarbeitung finden.
  Link zum Paper

NVP‑HRI: Zero Shot Natural Voice and Posture‑based Human‑Robot Interaction via Large Language Model

• Integriert natürliche Sprach- und Körpersignale, um die Interaktion zwischen Mensch und Roboter zu verbessern.
• Ermöglicht „Zero‑Shot“-Interaktionen, bei denen keine Vorabdaten benötigt werden.
• Verbessert die HRI durch den Einsatz von LLM‑gestützten Agenten.
  Link zum Paper

Steering No‑Regret Agents in MFGs under Model Uncertainty

• Entwickelt Strategien zur Steuerung von Agenten in Mean‑Field‑Games trotz Modellunsicherheiten.
• Minimiert potenzielle Reue in komplexen Multi‑Agenten‑Systemen.
• Liefert sowohl theoretische als auch praktische Einsichten in robuste Entscheidungsfindung.
  Link zum Paper

Other Vehicle Trajectories Are Also Needed: A Driving World Model Unifies Ego‑Other Vehicle Trajectories in Video Latent Space

• Integriert die Trajektorien des eigenen Fahrzeugs und der umgebenden Fahrzeuge in einem gemeinsamen Modell.
• Verbessert die Vorhersage und Koordination in autonomen Fahrsystemen durch Multi‑Agenten‑Konzepte.
• Stärkt die Zusammenarbeit zwischen Fahrzeugen in simulierten Verkehrsszenarien.
  Link zum Paper

Efficient UAV Swarm‑Based Multi‑Task Federated Learning with Dynamic Task Knowledge Sharing

• Nutzt Schwarmintelligenz von UAVs zur Realisierung föderierter Multi‑Task‑Lernprozesse.
• Ermöglicht einen dynamischen Wissensaustausch zwischen Drohnen‑Agenten.
• Steigert die Effizienz und Koordination in verteilten Drohnensystemen.
  Link zum Paper
  (Sollte ein abweichender Link vorliegen, bitte entsprechend anpassen.)

LocAgent: Graph‑Guided LLM Agents for Code Localization

• Setzt graphbasierte Methoden ein, um relevante Codebereiche automatisch zu identifizieren.
• Unterstützt die Fehlerdiagnose und Wartung von Software durch autonome Agenten.
• Nutzt LLMs zur semantischen Analyse und Lokalisierung im Code.
  Link zum Paper

ManeuverGPT Agentic Control for Safe Autonomous Stunt Maneuvers

• Führt einen agentischen Steuerungsansatz ein, der autonome Fahrzeuge bei Stunt‑Manövern unterstützt.
• Nutzt große Sprachmodelle, um präzise und sichere Aktionen zu planen.
• Verbessert die Sicherheit und Effizienz bei komplexen Fahrszenarien.
  Link zum Paper

Enhancing Traffic Signal Control through Model‑based Reinforcement Learning and Policy Reuse

• Entwickelt ein Modell zur Optimierung der Ampelsteuerung mittels Reinforcement Learning.
• Nutzt Multi‑Agenten‑Konzepte, um Ampelanlagen in urbanen Netzwerken koordiniert zu regeln.
• Verbessert den Verkehrsfluss und erhöht die Verkehrssicherheit.
  Link zum Paper

Simulating Influence Dynamics with LLM Agents

• Simuliert, wie LLM‑gestützte Agenten Einfluss in sozialen Systemen ausüben können.
• Untersucht Dynamiken der Meinungsbildung in Multi‑Agenten‑Umgebungen.
• Liefert wertvolle Einsichten zur Optimierung von Kommunikationsstrategien.
  Link zum Paper

BEARCUBS: A benchmark for computer‑using web agents

• Entwickelt einen Benchmark zur Evaluierung webbasierter Agenten in der Interaktion mit Computersystemen.
• Misst die Effizienz und Genauigkeit von KI‑Agenten bei webbasierten Aufgaben.
• Dient als Grundlage zur Optimierung von Agenten in Online‑Umgebungen.
  Link zum Paper

Sensemaking in Novel Environments: How Human Cognition Can Inform Artificial Agents

• Untersucht, wie Erkenntnisse aus der menschlichen Kognition zur Verbesserung künstlicher Agenten beitragen können.
• Verbindet neurowissenschaftliche Erkenntnisse mit modernen KI‑Methoden.
• Fördert die Entwicklung adaptiver, interpretierbarer Agenten in unbekannten Umgebungen.
  Link zum Paper

CoLMDriver: LLM‑based Negotiation Benefits Cooperative Autonomous Driving

• Nutzt große Sprachmodelle, um Verhandlungen zwischen autonomen Fahrzeugen zu unterstützen.
• Fördert kooperative Strategien im Straßenverkehr.
• Verbessert die Effizienz und Sicherheit autonomer Fahrsysteme durch agentenbasierte Interaktion.
  Link zum Paper

AgentOrca: A Dual‑System Framework to Evaluate Language Agents on Operational Routine and Constraint Adherence

• Bewertet die Leistungsfähigkeit von Sprachagenten in alltäglichen und regelbasierten Szenarien.
• Nutzt ein duales Evaluationssystem, um operative Routinen und Regelkonformität zu messen.
• Liefert Metriken zur Optimierung der Zuverlässigkeit von KI‑Agenten.
  Link zum Paper

Generating Robot Constitutions & Benchmarks for Semantic Safety

• Entwickelt „Robot Constitutions“ als Richtlinien zur Sicherstellung semantischer Sicherheit in autonomen Systemen.
• Stellt Benchmarks bereit, die ethische und sicherheitstechnische Anforderungen evaluieren.
• Unterstützt die Standardisierung von Sicherheitsprotokollen in KI‑basierten Robotern.
  Link zum Paper

---

Liste der arXiv-Veröffentlichungen vom 12. März 2025 zu KI-Agenten und Multi-Agenten-Frameworks

Seeing and Reasoning with Confidence: Supercharging Multimodal LLMs with an Uncertainty-Aware Agentic Framework

• Beschreibt einen neuartigen Ansatz, um multimodale LLMs durch ein Unsicherheits-bewusstes agentisches Framework zu verstärken.
• Verbessert die Zuverlässigkeit und Interpretierbarkeit von Systemen, die visuelle und sprachliche Informationen kombinieren.
• Eröffnet Perspektiven zur Integration von Unsicherheitsmanagement in KI‑Agenten.
  Link zum Paper: arXiv:2503.08308

HASARD: A Benchmark for Vision-Based Safe Reinforcement Learning in Embodied Agents

• Stellt einen Benchmark vor, der sicherheitsorientierte, visionbasierte Reinforcement-Learning-Methoden in eingebetteten Agenten bewertet.
• Ermöglicht die Analyse von Sicherheitsmechanismen in autonomen Robotersystemen.
• Dient als Grundlage für die Weiterentwicklung robuster und sicherheitsbewusster KI‑Agenten.
  Link zum Paper: arXiv:2503.08241

Guess What I am Thinking: A Benchmark for Inner Thought Reasoning of Role-Playing Language Agents

• Führt einen Benchmark ein, der die inneren Denkprozesse von rollenspielenden Sprachagenten misst.
• Analysiert, inwieweit Agenten ihre eigenen Überlegungen nachvollziehbar darstellen können.
• Liefert Einsichten zur Verbesserung der Selbstreflexion in KI‑basierten Dialogsystemen.
  Link zum Paper: arXiv:2503.08193

Privacy-Enhancing Paradigms within Federated Multi-Agent Systems

• Untersucht datenschutzfördernde Ansätze in föderierten, dezentralen Mehragentensystemen.
• Integriert Sicherheitsmechanismen, die den Informationsaustausch zwischen Agenten schützen.
• Trägt dazu bei, die Privatsphäre in kooperativen, verteilten KI-Architekturen zu wahren.
  Link zum Paper: arXiv:2503.08175

BEARCUBS: A benchmark for computer-using web agents

• Entwickelt einen spezifischen Benchmark zur Evaluierung webbasierter Agenten, die Computeranwendungen steuern.
• Bewertet Effizienz und Genauigkeit bei der Interaktion mit webbasierten Systemen.
• Dient als Grundlage, um KI-gestützte Webagenten weiter zu optimieren.
  Link zum Paper: arXiv:2503.07919

RefactorBench: Evaluating Stateful Reasoning in Language Agents Through Code

• Bewertet den zustandsbehafteten Denkprozess von Sprachagenten anhand von Programmcode.
• Analysiert, wie Agenten komplexe Aufgaben durch Refaktorisierung lösen können.
• Liefert Erkenntnisse zur Verbesserung der internen Logik und Stabilität von Sprachagenten.
  Link zum Paper: arXiv:2503.07991

Sensemaking in Novel Environments: How Human Cognition Can Inform Artificial Agents

• Erforscht, wie Erkenntnisse aus der menschlichen Kognition künstliche Agenten in unbekannten Umgebungen unterstützen können.
• Verbindet neurowissenschaftliche Einsichten mit Methoden der KI-Entwicklung.
• Bietet Ansätze zur Steigerung der Adaptivität und Interpretierbarkeit von künstlichen Agenten.
  Link zum Paper: arXiv:2503.07783

Fully Autonomous Programming using Iterative Multi-Agent Debugging with Large Language Models

• Beschreibt einen iterativen Ansatz, bei dem mehrere Agenten gemeinsam Programmierfehler identifizieren und beheben.
• Nutzt große Sprachmodelle zur autonomen Codegenerierung und -verbesserung.
• Ermöglicht eine vollständig autonome Softwareentwicklung durch kooperative Multi-Agent Debugging-Prozesse.
  Link zum Paper: arXiv:2503.07693

CoLMDriver: LLM-based Negotiation Benefits Cooperative Autonomous Driving

• Zeigt, wie große Sprachmodelle Verhandlungsfähigkeiten in kooperativen autonomen Fahrszenarien unterstützen.
• Integriert sprachbasierte Entscheidungsfindung in die Fahrzeugkommunikation.
• Steigert die Effizienz und Sicherheit im autonomen Verkehr durch koordinierte Agenteninteraktionen.
  Link zum Paper: arXiv:2503.07937

AgentOrca: A Dual-System Framework to Evaluate Language Agents on Operational Routine and Constraint Adherence

• Entwickelt ein duales Evaluationsframework zur Messung von Routinetreue und Regelkonformität bei Sprachagenten.
• Analysiert sowohl automatische Entscheidungsprozesse als auch regulatorische Aspekte.
• Liefert Metriken zur Bewertung der Zuverlässigkeit und Effizienz von KI‑Agenten in praxisnahen Settings.
  Link zum Paper: arXiv:2503.08669

Generating Robot Constitutions & Benchmarks for Semantic Safety

• Entwickelt methodische Ansätze zur Erzeugung von „Robot Constitutions“ zur Sicherstellung semantischer Sicherheit.
• Stellt Benchmarks bereit, die ethische und regulatorische Anforderungen an autonome Roboter evaluieren.
• Unterstützt die Schaffung von Richtlinien zur Steuerung des Verhaltens von KI‑Robotern in komplexen Umgebungen.
  Link zum Paper: arXiv:2503.08663

GTR: Guided Thought Reinforcement Prevents Thought Collapse in RL-based VLM Agent Training

• Führt einen neuartigen Reinforcement-Learning-Ansatz ein, der Denkprozesse in VLM-Agenten stabilisiert.
• Verhindert das Zusammenbrechen von internen Gedankenketten während des Trainings.
• Verbessert die Kohärenz und Robustheit der internen Repräsentationen von Sprach- und Vision-Agenten.
  Link zum Paper: arXiv:2503.08588

InfluenceNet: AI Models for Banzhaf and Shapley Value Prediction

• Stellt KI-Modelle vor, die spieltheoretische Einflusswerte (Banzhaf und Shapley) in Mehragentensystemen vorhersagen.
• Ermöglicht die quantitative Bewertung des Beitrags einzelner Agenten in kooperativen Settings.
• Liefert theoretische Grundlagen zur Optimierung von Entscheidungsprozessen in wirtschaftlich orientierten Multiagenten-Umgebungen.
  Link zum Paper: arXiv:2503.08381

Prototype-based Heterogeneous Federated Learning for Blade Icing Detection in Wind Turbines with Class Imbalanced Data

• Entwickelt einen föderierten Lernansatz, der heterogene Agenten zur Erkennung von Vereisung in Windturbinen einsetzt.
• Nutzt prototypbasierte Methoden, um Herausforderungen bei Klassenungleichgewichten zu bewältigen.
• Fördert den sicheren und effektiven Informationsaustausch in dezentralen Multiagenten-Systemen.
  Link zum Paper: arXiv:2503.08325

General-Purpose Aerial Intelligent Agents Empowered by Large Language Models

• Präsentiert autonome, flugfähige Agenten, die mithilfe großer Sprachmodelle gesteuert werden.
• Ermöglicht adaptive Entscheidungsfindung in dynamischen Luftfahrtszenarien.
• Vereint Konzepte aus Robotik, KI und Sprachmodellierung zu einer universellen Agentenarchitektur.
  Link zum Paper: arXiv:2503.08322

A Cascading Cooperative Multi-agent Framework for On-ramp Merging Control Integrating Large Language Models

• Entwickelt ein mehrstufiges, kooperatives Framework für das Einfädeln im Straßenverkehr.
• Integriert große Sprachmodelle zur Unterstützung der Echtzeit-Entscheidungsfindung.
• Verbessert die Effizienz und Sicherheit autonomer Fahrsysteme durch koordinierte Agenteninteraktionen.
  Link zum Paper: arXiv:2503.08102

In Prospect and Retrospect: Reflective Memory Management for Long-term Personalized Dialogue Agents

• Untersucht innovative Methoden zum Langzeitspeicher-Management in personalisierten Dialogagenten.
• Verbessert die Kohärenz und Personalisierung in langanhaltenden Interaktionen.
• Bietet Ansätze zur Optimierung des Abrufs und der Integration von Langzeitgedächtnisinhalten in Sprachsystemen.
  Link zum Paper: arXiv:2503.08026

Safety Guardrails for LLM-Enabled Robots

• Entwickelt Sicherheitsmechanismen zur Gewährleistung einer zuverlässigen Interaktion von LLM-gestützten Robotern.
• Bewertet Risikofaktoren und implementiert Schutzmaßnahmen in realen Einsatzszenarien.
• Fördert die Integration ethischer und technischer Sicherheitsprotokolle in autonome Systeme.
  Link zum Paper: arXiv:2503.07885

Right Reward Right Time for Federated Learning

• Präsentiert ein innovatives Belohnungssystem zur Optimierung des Lernens in föderierten Multiagenten-Umgebungen.
• Koordiniert zeitgerechte Anreize, um die Performance dezentraler Agenten zu steigern.
• Trägt zur Effizienzsteigerung in verteilten Lernsystemen bei.
  Link zum Paper: arXiv:2503.07869

Adaptive routing protocols for determining optimal paths in AI multi-agent systems: a priority- and learning-enhanced approach

• Entwickelt adaptive Routing-Protokolle, die in Multiagentensystemen optimale Pfade bestimmen.
• Nutzt prioritäts- und lernbasierte Mechanismen zur dynamischen Netzwerksteuerung.
• Verbessert die Leistungsfähigkeit vernetzter Agenten in komplexen Umgebungen.
  Link zum Paper: arXiv:2503.07685

Using a single actor to output personalized policy for different intersections

• Entwickelt einen Ansatz, bei dem ein einzelner Agent personalisierte Verkehrsrichtlinien für diverse Kreuzungen generiert.
• Nutzt individuelle Fahrmuster zur Optimierung von Verkehrsflüssen.
• Integriert Elemente des Multiagenten-Systems, um differenzierte Steuerstrategien umzusetzen.
  Link zum Paper: arXiv:2503.07678

DynTaskMAS: A Dynamic Task Graph-driven Framework for Asynchronous and Parallel LLM-based Multi-Agent Systems

• Stellt ein dynamisches, taskbasiertes Framework vor, das asynchrone und parallele Prozesse in Multiagenten-Systemen koordiniert.
• Nutzt Graphstrukturen zur effizienten Aufgabenverteilung unter KI‑Agenten.
• Erhöht die Skalierbarkeit und Leistungsfähigkeit von LLM-gestützten Agentensystemen.
  Link zum Paper: arXiv:2503.07675

The potential role of AI agents in transforming nuclear medicine research and cancer management in India

• Analysiert, wie KI‑Agenten die Forschung in der Nuklearmedizin und das Krebsmanagement revolutionieren können.
• Betont den Einsatz autonomer Agenten zur Verbesserung diagnostischer und therapeutischer Prozesse.
• Diskutiert die potenziellen Auswirkungen auf medizinische Abläufe und die Patientenversorgung in Indien.
  Link zum Paper: arXiv:2503.07671

---

Liste der arXiv-Veröffentlichungen vom 11. März 2025 zu KI-Agenten und Multi-Agenten-Frameworks

Human Machine Co-Adaptation Model and Its Convergence Analysis

• Untersucht das Zusammenspiel von Mensch und Maschine in ko-adaptiven Systemen.
• Analysiert mathematisch die Konvergenzmechanismen in Interaktionsprozessen.
• Betont den Einsatz von Multiagentensystemen als Grundlage moderner KI.
  Link zum Paper: arXiv:2503.07319

Rule-Based Conflict-Free Decision Framework in Swarm Confrontation

• Entwickelt ein regelbasiertes Framework zur Vermeidung von Konflikten in Schwarminteraktionen.
• Nutzt Entscheidungslogik zur Gewährleistung konsistenter Handlungen in Mehragentensystemen.
• Demonstriert die Anwendung in Simulationen von Schwarmverhalten.
  Link zum Paper: arXiv:2503.07077

ReAgent: Reversible Multi-Agent Reasoning for Knowledge-Enhanced Multi-Hop QA

• Stellt einen reversiblen Denkprozess in einem Mehragentensystem vor.
• Integriert Wissen in mehrstufige Frage-Antwort-Systeme.
• Verbessert die Effizienz durch koordinierte Agenten.
  Link zum Paper: arXiv:2503.06951

Beyond Black-Box Benchmarking: Observability, Analytics, and Optimization of Agentic Systems

• Erforscht analytische Ansätze zur Beobachtung und Optimierung agentischer Systeme.
• Geht über herkömmliche Black‑Box-Methoden hinaus.
• Liefert Ansätze zur Verbesserung von Transparenz und Steuerbarkeit in KI‑Agenten.
  Link zum Paper: arXiv:2503.06745

Agent models: Internalizing Chain-of-Action Generation into Reasoning models

• Integriert Aktionsketten in reasoning Modelle zur verbesserten Entscheidungsfindung.
• Entwickelt interne Repräsentationen von Agentenhandlungsabläufen.
• Ziel ist eine effizientere und robustere agentenbasierte KI.
  Link zum Paper: arXiv:2503.06580

Advancing AI Negotiations: New Theory and Evidence from a Large-Scale Autonomous Negotiations Competition

• Präsentiert neue theoretische Ansätze für KI‑gestützte Verhandlungsführung.
• Stützt sich auf umfangreiche empirische Daten aus einem Verhandlungswettbewerb.
• Zeigt Potenziale autonomer Verhandlungsagenten auf.
  Link zum Paper: arXiv:2503.06416

Performant LLM Agentic Framework for Conversational AI

• Stellt ein effizientes, agentenbasiertes Framework für Konversations‑KI vor.
• Nutzt große Sprachmodelle zur dynamischen Steuerung von Dialogen.
• Optimiert die Interaktion durch agentische Entscheidungsprozesse.
  Link zum Paper: arXiv:2503.06410

Higher-Order Belief in Incomplete Information MAIDs

• Untersucht höhergradige Überzeugungen in Multi-Agent Influence Diagrams (MAIDs).
• Erweitert traditionelle Unsicherheitsmodelle in Mehragentensystemen.
• Bietet theoretische Grundlagen für komplexe agentenbasierte Entscheidungsfindung.
  Link zum Paper: arXiv:2503.06323

DSGBench: A Diverse Strategic Game Benchmark for Evaluating LLM-based Agents in Complex Decision-Making Environments

• Entwickelt einen Benchmark zur Bewertung von LLM‑basierten Agenten in strategischen Spielen.
• Schafft eine vielfältige Testumgebung für komplexe Entscheidungsprozesse.
• Ermöglicht den Vergleich unterschiedlicher agentischer Ansätze in realistischen Szenarien.
  Link zum Paper: arXiv:2503.06047

Market-based Architectures in RL and Beyond

• Erforscht marktbasierten Architekturenansätze im Reinforcement Learning.
• Betrachtet die Interaktion von Agenten in ökonomisch inspirierten Modellen.
• Zeigt, wie Marktmechanismen die Leistung von KI‑Agenten verbessern können.
  Link zum Paper: arXiv:2503.05828

MedAgentsBench: Benchmarking Thinking Models and Agent Frameworks for Complex Medical Reasoning

• Entwickelt einen Benchmark zur Evaluation agentenbasierter Frameworks in der medizinischen Entscheidungsfindung.
• Bewertet die Leistungsfähigkeit von KI‑Agenten in komplexen klinischen Szenarien.
• Unterstützt die Weiterentwicklung von KI-Systemen im Gesundheitswesen.
  Link zum Paper: arXiv:2503.07459

Artificial Utopia: Simulation and Intelligent Agents for a Democratised Future

• Untersucht den Einsatz intelligenter Agenten in simulationsbasierten Gesellschaftsmodellen.
• Zielt darauf ab, demokratische Prozesse durch KI‑gestützte Agenten zu fördern.
• Bietet Einblicke in zukünftige, agentenbasierte gesellschaftliche Strukturen.
  Link zum Paper: arXiv:2503.07364

Dynamic Path Navigation for Motion Agents with LLM Reasoning

• Entwickelt ein Navigationssystem für bewegliche Agenten mithilfe von LLM‑gestützter Logik.
• Kombiniert dynamische Pfadfindung mit sprachbasierten Entscheidungsprozessen.
• Verbessert die autonome Navigation in komplexen Umgebungen.
  Link zum Paper: arXiv:2503.07323

Experimental Exploration: Investigating Cooperative Interaction Behavior Between Humans and Large Language Model Agents

• Analysiert die kooperative Interaktion zwischen Menschen und LLM‑basierten Agenten.
• Führt Experimente zur Erfassung von Verhaltensmustern in hybriden Teams durch.
• Liefert Erkenntnisse zur Optimierung der Mensch-KI-Kollaboration.
  Link zum Paper: arXiv:2503.07320

ASTRA: A Negotiation Agent with Adaptive and Strategic Reasoning through Action in Dynamic Offer Optimization

• Stellt einen Verhandlungsagenten mit adaptiven Strategien in dynamischen Umgebungen vor.
• Nutzt strategische Reasoning-Methoden zur Optimierung von Angeboten.
• Belegt die Effektivität von KI‑Agenten in Verhandlungsszenarien.
  Link zum Paper: arXiv:2503.07129

DatawiseAgent: A Notebook-Centric LLM Agent Framework for Automated Data Science

• Präsentiert ein agentenbasiertes Framework zur Automatisierung von Data-Science-Prozessen.
• Integriert LLMs in notebookzentrierte Arbeitsabläufe.
• Erleichtert die Datenanalyse durch autonome Agenten.
  Link zum Paper: arXiv:2503.07044

Bot Wars Evolved: Orchestrating Competing LLMs in a Counterstrike Against Phone Scams

• Beschreibt den Einsatz konkurrierender LLM‑Agenten zur Bekämpfung von Telefonbetrug.
• Nutzt agentenbasierte Orchestrierung zur optimalen Aufgabenverteilung.
• Demonstriert den praktischen Einsatz von KI‑Agenten in Sicherheitsanwendungen.
  Link zum Paper: arXiv:2503.07036

Can Proof Assistants Verify Multi-Agent Systems?

• Untersucht den Einsatz von Beweisassistenten zur Verifikation komplexer Mehragentensysteme.
• Analysiert Grenzen und Potenziale formaler Verifikationsmethoden.
• Bietet Ansätze zur Steigerung der Zuverlässigkeit in KI‑Systemen.
  Link zum Paper: arXiv:2503.06812

AutoMisty: A Multi-Agent LLM Framework for Automated Code Generation in the Misty Social Robot

• Entwickelt ein Framework zur automatisierten Code-Generierung in sozialen Robotern.
• Setzt auf koordinierte Mehragentensysteme zur Verbesserung der Softwareentwicklung.
• Verbessert die Interaktion und Funktionalität von Robotiksystemen.
  Link zum Paper: arXiv:2503.06791

Fully-Decentralized MADDPG with Networked Agents

• Stellt einen dezentralisierten Ansatz für Multi-Agent Deep Reinforcement Learning vor.
• Nutzt Netzwerkstrukturen zur effektiven Koordination von Agenten.
• Demonstriert Effizienzsteigerungen in verteilten Lernumgebungen.
  Link zum Paper: arXiv:2503.06747

Exploring LLM Agents for Cleaning Tabular Machine Learning Datasets

• Erforscht den Einsatz von LLM‑basierten Agenten zur Bereinigung von Datensätzen.
• Automatisiert die Identifikation und Korrektur fehlerhafter Daten.
• Verbessert die Datenqualität für maschinelle Lernanwendungen.
  Link zum Paper: arXiv:2503.06664

Vairiational Stochastic Games

• Untersucht stochastische Spiele als Modell zur Analyse von Mehragenteninteraktionen.
• Nutzt Variationsansätze zur Simulation strategischer Entscheidungsprozesse.
• Bietet theoretische Grundlagen für spieltheoretisch inspirierte KI‑Modelle.
  Link zum Paper: arXiv:2503.06037

Accelerating Earth Science Discovery via Multi-Agent LLM Systems

• Demonstriert den Einsatz von Multi-Agent LLM-Systemen in der Erdsystemforschung.
• Beschleunigt die Analyse großer geowissenschaftlicher Datensätze.
• Vereint agentenbasierte Technologien mit naturwissenschaftlicher Datenanalyse.
  Link zum Paper: arXiv:2503.05856

Multi-agent Auto-Bidding with Latent Graph Diffusion Models

• Entwickelt einen Mehragenten-Ansatz für automatisierte Gebotsstrategien.
• Integriert latente Graphdiffusionsmodelle zur Optimierung der Entscheidungsfindung.
• Zeigt die Anwendung in ökonomischen und Auktionsszenarien.
  Link zum Paper: arXiv:2503.05805

Knowledge representation and scalable abstract reasoning for simulated democracy in Unity

• Erforscht die Darstellung von Wissen in simulationsbasierten Demokratiesystemen.
• Nutzt abstrakte Reasoning-Methoden zur Skalierung von Agenteninteraktionen.
• Demonstriert Potenziale für mehrstufige, agentengesteuerte Entscheidungsfindung.
  Link zum Paper: arXiv:2503.05893

Alignment, Agency and Autonomy in Frontier AI: A Systems Engineering Perspective

• Analysiert die Rolle von Agency und Autonomie in fortschrittlichen KI‑Systemen.
• Verbindet systemtechnische Ansätze mit agentenbasierten Modellen.
• Diskutiert Herausforderungen und Lösungsansätze zur sicheren Integration von KI‑Agenten.
  Link zum Paper: arXiv:2503.05748

---

Liste der arXiv-Veröffentlichungen vom 10. März 2025 zu KI-Agenten und Multi-Agenten-Frameworks

1. VLMs Play StarCraft II: A Benchmark and Multimodal Decision Method

• Beschreibung:
  • Dieses Paper stellt einen neuen Benchmark vor, um die Fähigkeiten multimodaler visueller Sprachmodelle (VLMs) in der komplexen Echtzeit-Strategiespielumgebung von StarCraft II zu testen.
  • Es schlägt eine multimodale Entscheidungsmethode vor, die visuelle und textuelle Eingaben integriert, um agentenbasierte Entscheidungen zu verbessern.
  • Die Ergebnisse zeigen, dass VLMs in Multi-Agenten-Szenarien vielversprechende Leistungen erbringen, jedoch noch Herausforderungen bei der Generalisierung bestehen.
• Link: arXiv:2503.05383

---

2. FedMABench: Benchmarking Mobile Agents on Decentralized Heterogeneous User Data

• Beschreibung:
  • FedMABench ist ein Benchmark-Framework zur Evaluierung mobiler KI-Agenten unter föderierten Lernbedingungen mit heterogenen Nutzerdaten.
  • Es untersucht, wie Agenten in dezentralisierten Umgebungen zusammenarbeiten können, um personalisierte und datenschutzfreundliche Lösungen zu entwickeln.
  • Die Studie hebt die Herausforderungen der Datenverteilung und die Effizienz von Multi-Agenten-Systemen hervor.
• Link: arXiv:2503.05143

---

3. The Society of HiveMind: Multi-Agent Optimization of Foundation Model Swarms to Unlock the Potential of Collective Intelligence

• Beschreibung:
  • Dieses Paper beschreibt HiveMind, ein Multi-Agenten-System, das Foundation-Modelle als Schwärme optimiert, um kollektive Intelligenz zu fördern.
  • Es nutzt evolutionäre Algorithmen, um die Kooperation und Spezialisierung von Agenten in dynamischen Umgebungen zu verbessern.
  • Die Ergebnisse deuten darauf hin, dass diese Methode die Leistungsfähigkeit großer Modelle in komplexen Aufgaben steigern kann.
• Link: arXiv:2503.05473

---

4. Controllable Complementarity: Subjective Preferences in Human-AI Collaboration

• Beschreibung:
  • Die Studie untersucht, wie KI-Agenten in der Zusammenarbeit mit Menschen an subjektive Präferenzen angepasst werden können.
  • Es wird ein Framework vorgeschlagen, das die Komplementarität zwischen menschlichen und KI-Entscheidungen durch Multi-Agenten-Interaktionen steuert.
  • Experimente zeigen, dass diese Anpassung die Effizienz und Zufriedenheit in kooperativen Szenarien erhöht.
• Link: arXiv:2503.05455

---

5. Multi-Robot Collaboration through Reinforcement Learning and Abstract Simulation

• Beschreibung:
  • Dieses Paper präsentiert eine Methode zur Verbesserung der Zusammenarbeit mehrerer Roboter durch Verstärkendes Lernen und abstrakte Simulationen.
  • Es zeigt, wie Multi-Agenten-Systeme in realistischen Szenarien effizient trainiert werden können, indem komplexe Zustände vereinfacht werden.
  • Die Ergebnisse demonstrieren eine erhöhte Robustheit und Skalierbarkeit in kooperativen Aufgaben.
• Link: arXiv:2503.05092

---

6. Advancing MAPF towards the Real World: A Scalable Multi-Agent Realistic Testbed (SMART)

• Beschreibung:
  • SMART ist ein Testbed für Multi-Agenten-Pfadplanung (MAPF), das realistische Szenarien mit mehreren Agenten simuliert.
  • Es zielt darauf ab, die Lücke zwischen theoretischen Algorithmen und realen Anwendungen zu schließen, indem es skalierbare und praktische Umgebungen bietet.
  • Die Studie zeigt, wie dieser Ansatz die Koordination und Effizienz von KI-Agenten in dynamischen Umgebungen verbessert.
• Link: arXiv:2503.04798

#AI #KI #ArtificialIntelligence #KuenstlicheIntelligenz #MultiAgentSystems #EmbodiedAI #Robotics #KI-Agenten