Vergangene Schlacht · 2025-03-28 UTC
Research AI Agents Duell — 28. März 2025
Aus der Kategorie Research AI Agents. 12 Marken verteilt auf 5 Kämpfer. Cell2Sentence holte sich die Krone.
Endstand
Die Aufstellung
Die Kämpfer
Profile aller Tools, die in dieser Schlacht angetreten sind, nach Endpunktzahl sortiert.
Cell2Sentence
Open-Source-Framework, das Einzelzell-Genexpressionsdaten in 'Zell-Sätze' umwandelt, damit LLMs biologische Erkenntnisse analysieren und generieren können.
Cell2Sentence ist ein Open-Source-Framework, das Einzelzell-Genexpressionsdaten in 'Zell-Sätze' für die Analyse und Generierung von Erkenntnissen durch Large Language Models (LLMs) umwandelt. Es schlägt eine Rangordnungs-Transformation von Expressionsvektoren in Zell-Sätze vor, die durch Leerzeichen getrennte Gen-Namen in absteigender Expressionsreihenfolge sind. Dies ermöglicht LLMs, Einzelzell-RNA-Sequenzierungsdaten (scRNA-seq) mithilfe natürlicher Sprache zu modellieren. Das Framework umfasst die C2S-Scale-Modelle, die transkriptomische und textuelle Daten vereinen und erweiterte Einzelzell-Aufgaben wie die Vorhersage von Perturbationen, die Zusammenfassung von Datensätzen, die Beschriftung von Clustern und die Beantwortung biologischer Fragen ermöglichen. Die C2S-Scale-Modelle sind auf Hugging Face verfügbar und basieren auf Architekturen wie Pythia und Gemma-2. Cell2Sentence richtet sich an Forscher und Wissenschaftler, die mit Einzelzell-Transkriptomics-Daten arbeiten. Das Framework wurde mit neuen Modellen und Funktionen aktualisiert, einschließlich Unterstützung für Fine-Tuning auf benutzerdefinierten Prompt-Vorlagen und Multi-Zell-Prompt-Formatierung. Es enthält auch eine Suite von Pythia-Modellen für die Vorhersage von Zelltypen, die von Zelltypen bedingte Generierung und ein vielfältiges Multi-Zell-Multi-Task-Modell, das auf über 57 Millionen menschlicher und mausartiger Zellen trainiert wurde. Das Cell2Sentence-Framework ist dokumentiert und enthält Tutorials für die Verwendung, einschließlich Beispielen für Fine-Tuning und Multi-Zell-Prompt-Formatierung. Die Entwicklung von Cell2Sentence umfasst das van Dijk Lab und wurde in einem Preprint auf bioRxiv veröffentlicht. Cell2Sentence ermöglicht die Entdeckung der nächsten Generation von Einzelzell-Daten mit LLMs.
Kriterienaufschlüsselung
- Transformation von Expressionsvektoren in Zell-Sätze
- C2S-Scale-Modelle für erweiterte Einzelzell-Aufgaben
- Unterstützung für Fine-Tuning auf benutzerdefinierten Prompt-Vorlagen
- Multi-Zell-Prompt-Formatierung
- Vorgefertigte Modelle basierend auf Pythia- und Gemma-2-Architekturen
AlphaSense
Eine durch künstliche Intelligenz angetriebene Market Intelligence-Plattform, die autonom Expertenwissen und Analyseschriften auf großer Skala erfasst und ausliefert.
AlphaSense ist eine KI‑gestützte Market‑Intelligence‑Plattform, die vertrauenswürdige Einblicke liefert, um Geschäftsentscheidungen zu lenken. Sie bietet eine umfassende Sammlung kuratierter Quellen, darunter Tegus‑Expertentranskripte, Broker‑Research und Unternehmensunterlagen. Die Plattform nutzt fortschrittliche KI‑Modelle, um hochwertige Insights mit satzbezogenen Zitaten zu erzeugen. AlphaSense integriert Workflows, eliminiert fragmentierte Quellen und liefert schlanke, vernetzte Insights. Ihre GenAI‑Funktionen bieten Echtzeit‑Einblicke, die Entscheidungen auf zuverlässigem Fachwissen basieren lassen. Die Plattform ist für Investment Banking, Hedgefonds, Private Equity, Asset Management, Consulting, Life Sciences und andere Branchen konzipiert. AlphaSense unterscheidet sich durch hochgradig synthetisierte Erkenntnisse, die aus einem unvergleichlichen Content‑Set stammen. Die Plattform bietet zudem anpassbare Agenten, um wiederholbare Rechercheaufgaben zu automatisieren und die Ergebnisse in managementtaugliche Reports und Slides zu überführen. Ihr Generative Search liefert einen 360‑Grad‑Blick auf Märkte und Unternehmen und verknüpft qualitative Erkenntnisse mit strukturierten Finanzdaten. Eine der wichtigsten Stärken von AlphaSense ist die Fähigkeit, Nutzer zu befähigen, mutige Entscheidungen mit Zuversicht und Geschwindigkeit zu treffen. Die Plattform liefert Teams die präzisen Antworten, einzigartigen Perspektiven und kritischen Updates, die sie benötigen, um der Konkurrenz einen Schritt voraus zu sein.
Kriterienaufschlüsselung
- Gekürte Quellen
- Tegus-Expertentinhalte
- Brokerforschung
- Unternehmensberichterstattungen
- Private und öffentliche Finanzdaten
- GenAI für Echtzeit-Einblicke
AMIE
Ein multimodales AI-Diagnoseagent, das klinische Gespräche führt und medizinische Bildern zu genauen Diagnosen interpretiert.
AMIE (Artikulierte medizinische Intelligenz-Explorer) ist ein von Google DeepMind und Google Research entwickeltes Forschungs-AI-Diagnoseagent. Es ist dafür gedacht, klinische Gespräche zu führen und medizinische Bilder zu genau Diagnosen zu interpretieren. Zunächst war AMIE ein textbasiertes medizinisches Diagnosegesprächskonversationssystem, das in der Natur veröffentlicht wurde. Die neueste Verbesserung, das multimodale AMIE, integriert die Fähigkeit, intelligentes Anfragen, Interpretationen und Rückschlüsse über visuelle medizinische Informationen während klinischer Gespräche zu führen. Diese Entwicklung zielt darauf ab, die diagnostische Genauigkeit durch die Einbindung multimodaler Daten, wie z.B. Bilder und Dokumente, in den diagnostischen Prozess zu verbessern. AMIE nutzt einen Zustandsbewussten Rahmen für die Argumentation und basiert auf den multimodalen Gemini-Modellen. Sie wurde durch Experteneinschätzungen, einschließlich Objektiv strukturierter klinischer Prüfungen (OSCEs), mit ihren Leistungen im Vergleich zu Primärsorgenkrankenschwestern (NPs) in verschiedenen Patientenszenarien bewertet.
Kriterienaufschlüsselung
- Multimodales diagnostisches Gespräch
- Interpretation visueller medizinischer Informationen
- Zustandsbewusster Argumentationsrahmen
- Integration mit Gemini-Modellen
- Simulationsumgebung für die Auswertung dialoger Gespräche
Autoresearch
Ein offenes Projekt, das es AI-Agenten ermöglicht, LLM Trainingsexperimente autonom zu führen und die besten Modelländerungen zu speichern.
Autoresearch ist ein offenes Projekt, das es AI-Agenten ermöglicht, LLM Trainingsexperimente autonom zu führen und die besten Modelländerungen zu speichern. Das Projekt ermöglicht es den Nutzern, einen kleinen aber realen LLM-Trainingsumgebung einzurichten und einem AI-Agenten mit ihr zu arbeiten, während er sie nachts modifiziert, kurze Trainingsperioden durchführt und prüft, ob die Ergebnisse sich verbessern. Das Ziel besteht darin, den Forschungsprozess zu automatisieren, indem ein AI-Agent verschiedene Modellarchitekturen, Hyperparameter und Optimierungsstrategien ohne menschliche Handhabung erkunden kann. Das Projekt umfasst eine vereinfachte Implementierung von nanochat auf einem Single-GPU-System und bietet eine grundlegende Struktur für die Programmeitung des Forschungsprozesses des AI-Agenten mithilfe von Markdown-Dateien. Das Projekt ist für die Erweiterung designed, wodurch Benutzer mehr Agenten hinzufügen und den Forschungsprozess im Laufe der Zeit verbessern können.
Kriterienaufschlüsselung
- Autonome LLM-Trainingsexperimente
- Agentengetriebener Forschungsprozess
- Implementierung von nanochat auf Single-GPU-System
- Nachrichten- basierte Programmierung für den Forschungsprozess
- 5-minütiges Budget für Trainingszeit mit Bewertungsmetriken (val_bpb)
Google AI Co-Scientist
Ein Multi-Agenten-AI-System, das mit Wissenschaftlern zusammenarbeitet, um Hypothesen zu generieren und die biomedizinische Forschung zu beschleunigen.
Der Google AI Co-Scientist ist ein Multi-Agenten-AI-System, das entwickelt wurde, um mit Wissenschaftlern zusammenzuarbeiten und die biomedizinische Forschung zu beschleunigen. Er basiert auf Gemini 2.0 und fungiert als virtueller wissenschaftlicher Kollege, um neue Hypothesen und Forschungsanträge zu generieren. Das System soll den Denkprozess des wissenschaftlichen Methodenverständnisses nachbilden und neues, originelles Wissen erschließen. Bei Angabe eines Forschungsziels in natürlicher Sprache erstellt der AI Co-Scientist neue Forschungshypothesen, einen detaillierten Forschungsüberblick und experimentelle Protokolle. Er nutzt eine Koalition spezialisierter Agenten – Generation, Reflection, Ranking, Evolution, Proximity und Meta‑Review – die automatisiertes Feedback einsetzen, um Hypothesen iterativ zu generieren, bewerten und verfeinern. Wissenschaftler können auf verschiedene Weise mit ihm interagieren, etwa indem sie Ausgangsideen für die Exploration angeben oder Rückmeldungen zu den generierten Ausgaben in natürlicher Sprache geben. Der AI Co-Scientist verwendet zudem Werkzeuge wie Web‑Suche und spezialisierte AI‑Modelle, um die Fundierung und Qualität der generierten Hypothesen zu verbessern. Das System ist darauf ausgelegt, die Rechenleistung flexibel zu skalieren und seine wissenschaftliche Argumentation schrittweise an das vorgegebene Forschungsziel anzupassen. Der AI Co-Scientist ist besonders nützlich für Wissenschaftler, die Schwierigkeiten haben, die rasante Zunahme wissenschaftlicher Publikationen zu durchschauen und Erkenntnisse aus fremden Fachgebieten zu integrieren. Durch die Nutzung jüngster KI‑Fortschritte, darunter die Fähigkeit, komplexe Themen zu synthetisieren und langfristige Planung sowie Argumentation durchzuführen, strebt der AI Co-Scientist an, die Geschwindigkeit wissenschaftlicher und biomedizinischer Entdeckungen zu erhöhen. Das System wurde in verschiedenen Anwendungen getestet, darunter Entdeckung von Genübertragungen und deren Wiederentdeckung. Obwohl der AI Co-Scientist mehrere Vorteile bietet, hängt seine Wirksamkeit von der Qualität des eingegebenen Forschungsziels und der Fähigkeit des Wissenschaftlers ab, sinnvolle Rückmeldungen zu geben. Der AI Co-Scientist ist ein neues Tool, das das Potenzial hat, die wissenschaftliche Gemeinschaft erheblich zu beeinflussen, jedoch müssen seine Einschränkungen und potenziellen Verzerrungen sorgfältig bewertet werden. Die Weiterentwicklung des AI Co-Scientist ist ein fortlaufender Prozess, und seine zukünftigen Anwendungen und Verbesserungen werden von kontinuierlicher Forschung und Tests abhängen.
Kriterienaufschlüsselung
- Hypothesengenerierung
- Erstellung eines Forschungsüberblicks
- Entwicklung experimenteller Protokolle
- Spezialisierte Agenten für wissenschaftliches Denken
- Automatisierte Feedbackschleife
- Integration von Web‑Suche