Il premio per il miglior articolo di AAMAS 2026 è andato a "Developing Guidelines for Human-LLM Agent Teams: A Multi-Stakeholder Lens" di Mireia Yurrita, Davide Dell’Anna, Pradeep K. Murukannaiah, Catholijn M Jonker e Pinar Yolum. Il riconoscimento è stato consegnato durante la 25ª Conferenza internazionale sugli agenti autonomi e i sistemi multi-agente, che si è svolta dal 25 al 29 maggio a Paphos, a Cipro.
La conferenza ha assegnato premi in tre categorie: miglior articolo, miglior articolo studentesco e miglior articolo blue sky. Ciascuna aveva un vincitore e un elenco di candidati. La categoria del miglior articolo di AAMAS 2026 era quella con l'elenco più lungo, con dieci articoli candidati accanto al vincitore.
La categoria miglior articolo
L'articolo vincitore riguarda i team che uniscono persone e agenti basati su modelli linguistici di grandi dimensioni (LLM). Il titolo indica un approccio multi-stakeholder alla stesura di linee guida per questi team. La fonte riporta solo titolo e autori, quindi qui non vengono descritti il metodo e i risultati dell'articolo.
Dieci articoli erano candidati nella stessa categoria. Diversi riguardano direttamente sistemi fisici o embodied. UNCAP, di Neel P. Bhatt, Po-han Li, Kushagra Gupta, Rohan Siva, Daniel Milan, Alexander Todd Hogue, Sandeep P. Chinchali, David Fridovich-Keil, Zhangyang Wang e Ufuk Topcu, tratta la pianificazione neurosimbolica guidata dall'incertezza che usa la comunicazione in linguaggio naturale per veicoli autonomi cooperativi.
Longyin Cui è stato candidato per "Ratio-Based Signaling for Source-Victim Separation in Swarm Fault Detection". MeCo, di Baiqing Wang, Helei Cui, Bo Zhang, Xiaolong Zheng, Bin Guo e Zhiwen Yu, punta sulla collaborazione multi-robot potenziata dagli LLM tramite la memorizzazione di task simili.
Gli altri candidati sono più vicini alla teoria e alla pianificazione applicata. Manuel Eberl e Patrick Lederer sono stati candidati per "The Impossibility of Strategyproof Rank Aggregation". Seongmin Kim, Giseung Park, Woojun Kim, Jiwon Jeon, Seungyul Han e Youngchul Sung sono stati candidati per la stima generalizzata del vantaggio per singolo agente nell'ottimizzazione di policy multi-agente.
Maoyuan Li, Zhongsheng Wang, Haoyuan Li e Jiamou Liu sono stati candidati per R-Debater, un sistema di generazione di dibattiti con retrieval-augmented generation basato sulla memoria argomentativa. Benedict Russell, Chin-wing Leung e Paolo Turrini sono stati candidati per un lavoro sull'apprendimento della selezione del partner nei dilemmi sociali opzionali senza informazioni preliminari.
Nicolas Schwind, Gauvain Bourgne e Katsumi Inoue sono stati candidati per la caratterizzazione dei consensi nelle reti di flusso di credenze. Nimrod Talmon ed Ehud Shapiro sono stati candidati per "Grassroots Federation: Fair Democratic Governance at Scale". Yohai Trabelsi, Guojun Xiong, Fentabil Getnet, Stéphane Verguet e Milind Tambe sono stati candidati per l'uso degli LLM per integrare la conoscenza di esperti nella pianificazione algoritmica della localizzazione delle strutture sanitarie in Etiopia.
I premi studenteschi e blue sky
Il Pragnesh Jay Modi Best Student Paper Award è andato a "Planning Ahead with RSA: Efficient Signalling in Dynamic Environments by Projecting User Awareness across Future Timesteps". Gli autori sono Anwesha Das, John Duff, Jörg Hoffmann e Vera Demberg.
Sono stati candidati cinque articoli studenteschi. Patrick Becker, Alexander Fries, Matthias Greger ed Erel Segal-Halevi hanno presentato un lavoro sul calcolo efficiente degli equilibri nei giochi di aggregazione del budget. Grant Douglas, Stephen Franklin, Claudia Szabo e Mingyu Guo hanno presentato "Building Large-Scale Drone Defenses from Small-Team Strategies".
Jessica Lally, Milad Kazemi e Nicola Paoletti sono stati candidati per l'inferenza controfattuale robusta nei processi decisionali di Markov. Yue Zhang, Zhe Chen, Daniel Harabor, Pierre Le Bodic e Peter J. Stuckey sono stati candidati per l'assegnazione dei task basata sui flussi nel pickup and delivery multi-agente online su larga scala. Siyue Ren, Wanli Fu, Xinkun Zou, Chen Shen, Yi Cai, Chu Chen, Zhen Wang e Shuyue Hu sono stati candidati per un lavoro sulla reputazione come rimedio al collasso della cooperazione nei sistemi multi-agente basati su LLM.
Il Blue Sky Ideas Award è andato a Florent Delgrange per "Foundation World Models for Agents that Learn, Verify, and Adapt Reliably Beyond Static Environments". Due gli articoli candidati. Uno è "Guiding Sociotechnical Systems toward Value-Norm Equilibrium", di Nirav Ajmeri, Marina De Vos, Davide Dell’Anna, Pradeep K. Murukannaiah, Vivek Nallur, Luis Gustavo Nardin e Munindar P. Singh. L'altro è "The Dynamic Turn in Strategy Logics", di Rustam Galimullin, Maksim Gladyshev, Munyque Mittelmann e Nima Motamed.
Cosa mostrano gli elenchi
In tutte e tre le categorie, i modelli linguistici compaiono nell'articolo vincitore e in diversi articoli candidati: linee guida per i team, generazione di dibattiti, collaborazione multi-robot, pianificazione delle strutture sanitarie e cooperazione tra agenti basati su LLM. Dell’Anna e Murukannaiah figurano come autori sia dell'articolo vincitore sia di un candidato blue sky.
Restano ben rappresentati anche i temi classici dei sistemi multi-agente. Aggregazione di ranking, equilibri nell'aggregazione del budget, reti di credenze, logiche strategiche e inferenza controfattuale nei processi decisionali di Markov compaiono tutti negli elenchi. Il lavoro premiato non si limita a una sola famiglia di metodi.
Analisi: cosa dicono e cosa non dicono i premi
Il dato più evidente è che il premio principale è andato a un articolo su come persone e agenti LLM dovrebbero lavorare insieme, non a un nuovo algoritmo. Ciò suggerisce che il comitato di programma consideri la progettazione dei team e le esigenze dei diversi stakeholder un problema aperto centrale, ora che gli agenti basati su modelli linguistici entrano nel lavoro condiviso. Questa lettura si basa su un solo titolo e sul relativo elenco di autori, quindi va presa con cautela.
Per chi si occupa di robotica, il materiale rilevante sta negli elenchi dei candidati. UNCAP, l'articolo sul rilevamento dei guasti negli sciami, MeCo, l'articolo sulla difesa dai droni e quello sull'assegnazione nel pickup and delivery riguardano tutti il coordinamento di molte macchine. Due di questi, UNCAP e MeCo, usano il linguaggio naturale o gli LLM come parte del coordinamento. Il coordinamento di veicoli e robot basato sul linguaggio rientra quindi tra i lavori che i revisori di AAMAS hanno valutato molto bene, anche se nessuno di questi articoli ha vinto la propria categoria.
Dalle informazioni disponibili restano diversi aspetti non verificati. La fonte riporta titoli e autori, ma nessun risultato, benchmark o dettaglio sull'implementazione. Non è possibile dire quanto bene funzioni ciascun metodo candidato, se sia stato testato su robot fisici o come si confronti con i sistemi precedenti. Una candidatura o un premio indicano la valutazione dei pari in una singola conferenza, non dimostrano che un metodo funzioni al di fuori del contesto in cui è stato valutato.
L'articolo sulle linee guida solleva inoltre una domanda a cui gli elenchi non possono rispondere. Le linee guida per i team uomo-LLM sono utili solo se i team le adottano e se cambiano i risultati. Il materiale disponibile non dice se l'articolo vincitore fornisca prove in tal senso. Chi vuole valutare il lavoro dovrebbe leggere direttamente gli articoli.