Vergangene Schlacht · 2026-05-10 UTC
Research AI Agents Duell — 10. Mai 2026
Aus der Kategorie Research AI Agents. 35 Marken verteilt auf 10 Kämpfer. Google AI Co-Scientist holte sich die Krone.
Endstand
Die Aufstellung
Die Kämpfer
Profile aller Tools, die in dieser Schlacht angetreten sind, nach Endpunktzahl sortiert.
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
GLM-4.6V
Open-Source-Multimodal-GLM von Z.ai, die visuelle, textuelle und funktionsaufrufbasierte Einheit zur Verarbeitung großer Kontexte, zum Suchen, zum Programmieren und zur Code-Generierung umfasst.
GLM-4.6V ist ein multimodales Large Language Model, das sein Kontextfenster auf 128 k Token erweitert und eine State-of-the-Art-Leistung im visuellen Verständnis erzielt. Es integriert native Function Calling‑Fähigkeiten und schafft damit eine einheitliche technische Basis für multimodale Agenten in realen Geschäftsszenarien. GLM-4.6V kann multimodale Eingaben verarbeiten und automatisch hochqualitative, strukturierte Bild‑Text‑Inhalte erzeugen, komplexe Dokumenteninterpretation durchführen sowie visuelle Suche und Retrieval ermöglichen. Dieses Modell bietet mehrere Fähigkeiten und Anwendungsfälle, darunter die intelligente Erstellung und Anordnung von Bild‑Text‑Inhalten, visuelle Websuche und die Generierung von Rich‑Media‑Berichten sowie das Verständnis von langen Kontexten. Es kann gemischte Text‑Bild‑Eingaben verarbeiten, hochwertige Inhalte erzeugen und eine visuelle Prüfung von Kandidatenbildern durchführen. Der multimodale Such‑und Analyse‑Workflow von GLM-4.6V ermöglicht einen nahtlosen Übergang von der visuellen Wahrnehmung zur Online‑Abrufung und zur strukturierten Berichtserstellung. Er bewahrt das multimodale Kontextbewusstsein und führt Schlussfolgerungen basierend auf sowohl textuellen als auch visuellen Informationen durch. Dieses Modell bietet mehrere Fähigkeiten und Anwendungsszenarien, darunter Intent-Erkennung und Suchplanung, multimodale Ergebnisabstimmung sowie Argumentation mit der Erstellung von Rich-Media-Berichten.
Kriterienaufschlüsselung
- Multimodale Eingabeunterstützung (Bilder, Texte, Dateien)
- Native multimodale Werkzeugaufruf-Fähigkeit
- 128k Kontextlänge
- Funktionsaufruf-Fähigkeit
- Großkontext-Verständnis
- Visuelle Wahrnehmung und Werkzeug-Retrieval
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
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)
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
THEUS (Aigora)
Unternehmens-Research-System basierend auf AI, das proprietäre Studien in nachvollziehbare Erkenntnisse mit Faktur-IDs, Zitierungen und Experten-Avataren für die Synthese verwandelt.
THEUS ist ein Enterprise-AI-Forschungssystem, das proprietäre Studien in nachvollziehbare Erkenntnisse mit Fakt-IDs, Zitaten und Experten-Avataren umwandelt. Es basiert auf Googles Agent Development Kit (ADK) und verwendet bidirektionale Modellierung für datenbasierte Wissensagenten. Benutzer können ihre Forschungsdaten extrahieren, synthetisieren und erkunden, und jede Behauptung wird durch eine spezifische Fakt-ID mit Seitenzitaten untermauert. THEUS bietet zwei Möglichkeiten zur Erkundung: die Generierung neuer Erkenntnisse mit Dr. Reed oder die Analyse bestehenden Wissens mit Dr. Sinclair. Diese Plattform ist für VPs of Insights, Global Sensory Leads und Innovationsführer konzipiert, die den Aufbau strategischer Fähigkeiten bewerten. Sie verwendet eine zweckgerichtete Forschungsmethodik, keinen generischen Enterprise-AI, und erstellt datenfundierte Wissensagenten, die auf tatsächlichen institutionellen Daten trainiert sind. Da 85% der neuen Produkte innerhalb von zwei Jahren scheitern (Nielsen), verbessert eine evidenzbasierte Exploration die Entscheidungsqualität deutlich. THEUS bietet einen Einzelplatz an, der Funktionen wie die Verarbeitung von bis zu 30 Dokumenten pro Monat, das Parsen von bis zu 1.500 Seiten pro Monat und bis zu 500 Fragen an Dr. Sinclair pro Monat umfasst. Einer der Hauptvorteile von THEUS ist seine Fähigkeit, jahrzehntelange proprietäre Daten mit KI-gestützten Wissensagenten in nachvollziehbare, entscheidungsreife Intelligenz umzuwandeln.
Kriterienaufschlüsselung
- Forschungsdaten extrahieren, synthetisieren und erkunden
- Neue Erkenntnisse mit Dr. Reed oder bestehende Kenntnisse mit Dr. Sinclair analysieren
- Bidirektionale Modellierung für datengesteuerte Wissensagenten
- Produkt- und Konsumentenwissen verbinden für bidirektionale Erkenntnisse
- Kreuzstudien-Synthese und Forschungs-Lücke-Analysis unterstützen
StartupValidator
AI-gestützter Startup-Idee-Validierer mit Live-Twitter-Signalen und Web-Forschung, um eine bewertete Urteilsfassung mit Risiken, Stärken und Vorschlägen für Pivots zu generieren.
StartupValidator ist ein AI-Tool, das die Validierung von Startup-Ideen mithilfe von Live-Twitter-Signalen und Web-Forschung ermöglicht. Ziel ist es, eine bewertete Urteilsfassung über die Machbarkeit einer Startup-Idee abzugeben, Risiken und Stärken hervorzuheben und mögliche Pivots vorschlagen. Dieses Tool richtet sich an Unternehmer und Firmengründer, die die Umsetzungsfähigkeit ihrer Ideen beurteilen möchten, bevor sie signifikante Ressourcen investieren. Durch die Verwendung von Echtzeit-Daten von Twitter und dem Web bietet die StartupValidator eine datengetriebene Herangehensweise an die Startup-Validierung. Dennoch sind die Zuverlässigkeit und Genauigkeit des Tools bei fehlender spezifischer Informationen über seine Methodik und Datenquellen unsicher. Das Tool likely nutzt die Twitter API und andere Web-Datenquellen zur Sammlung von relevanten Informationen.
Kriterienaufschlüsselung
- Analyse von Livetwitter-Signalen
- Integrierte Web-Forschung
- Bewertete Urteilsfassung über Startup-Viabilität
- Risiko- und Stärke-Erkennung
- Empfohlene Pivots zur Verbesserung
Kosmos
Automatischer AI-Wissenschaftler für langfristige Forschungskampagnen, der Daten und Literatur analysiert, um vollständig zitierte wissenschaftliche Berichte zu erstellen.
Kosmos ist ein autonomer AI-Wissenschaftler, der für Biopharma-R&D-Teams und Forscher konzipiert ist. Es analysiert Daten und Literatur, um vollständig zitierte wissenschaftliche Berichte zu erstellen, was den Arztentwicklungsprozess von der Hypothese bis zur Zulassung in Tagen, nicht Monaten, beschleunigt. Kosmosarbeiten autonom, lesen Literatur, generieren Hypothesen, lenken Untersuchungen und führen wissenschaftliche Workflows aus. Es unterstützt den gesamten Lebenszyklus der Arztentwicklung, von der Zielidentifikation bis zur klinischen Entwicklung und Zulassung. Die AI-Werkzeug kooperiert mit menschlichen Wissenschaftlern über Slack, Teams und E-Mail und lernt vom Wissensschatz der Organisation, der sich auf experimentelle Geschichte und proprietäre wissenschaftliche Daten aufbaut.
Kriterienaufschlüsselung
- Autonomes Hypothesengenerierung
- Literaturanalyse
- Datenanalyse
- Ausführung wissenschaftlicher Workflows
- Kooperation über Slack, Teams und E-Mail
- Modellagnostisch für zukünftige State-of-the-Art-Modelle
Der Table Agent ist eine mit KI-potenzierter Datenassistent, der bei tabellarischer Forschung unterstützen soll. Ziel ist es, den Prozess des Datenabholens zu jeder gegebenen Thematik zu automatisieren, um die Forschung dadurch effizienter zu gestalten. Das Tool ermöglicht anpassbare Daten schemata, durch die die Nutzer ihre Daten sammeln können, um bestimmten Anforderungen gerecht zu werden. Diese Flexibilität bringt Vorteile für eine breite Palette von Anwendungen und Branchen, in denen sich die Datenstruktur erheblich unterscheiden kann. Zu Kernfunktionen von Table Agent gehört die durch seine AI-Agenten angetriebene DatenSuchfähigkeit. Das bedeutet, dass die Plattform Künstliche Intelligenz einsetzt, um aktiv relevant Daten zu suchen und zu sammeln, dadurch potenziell die Zeit und Anstrengung einzusparen, die für manuelle Suchvorgänge notwendig ist. Obwohl Details über seinen Workflow und die Integrationen nicht aufgeführt sind, impliziert der Konzept eines durch KI angesteuerten Datenassistenten, dass es leicht mit verschiedenen Datenanalyse-Tools kombiniert werden könnte, wodurch der Gesamtforschungsprozess verbessert wird. Die Stärken von Table Agent könnten wohl ihre Fähigkeit umfassen, zeitaufwändige Sammlungsaufgaben zu automatisieren und ihr Anpassungsfähigkeit an verschiedene Datenstrukturen. Es ist jedoch ohne weitere Informationen schwierig, ihre Einschränkungen oder wie sie sich zu alternativen Datenassistenzwerkzeugen vergleichen lassen, zu bestimmen.
Kriterienaufschlüsselung
- Automatische Datensammlung
- Anpassbare Datenstrukturen
- Künstlich-intelligenz-basierte Datenfunktion
- Schnelle und genaue Datenerfassung
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