Batalla anterior · 2026-05-10 UTC
Research AI Agents Duelo — 10 de mayo de 2026
De la categoría Research AI Agents. 35 marcas colocadas entre 10 combatientes. Google AI Co-Scientist se llevó la corona.
Clasificación final
La formación
Los combatientes
Perfiles de cada herramienta que compitió en esta batalla, clasificadas por su puntuación final.
Google AI Co-Scientist
Un sistema de IA multiagente que colabora con científicos para generar hipótesis y acelerar la investigación biomédica.
Google AI Co-Scientist es un sistema de IA multiagente diseñado para colaborar con científicos y acelerar la investigación biomédica. Está construido sobre Gemini 2.0 y funciona como un colaborador científico virtual para ayudar a generar hipótesis y propuestas de investigación novedosas. El sistema tiene como objetivo replicar el proceso de razonamiento que sustenta el método científico y descubrir conocimientos nuevos y originales. Dado un objetivo de investigación especificado por un científico en lenguaje natural, el AI Co-Scientist genera hipótesis de investigación originales, un resumen detallado de la investigación y protocolos experimentales. Utiliza una coalición de agentes especializados, incluyendo Generación, Reflexión, Clasificación, Evolución, Proximidad y Meta-revisión, que emplean retroalimentación automatizada para generar, evaluar y perfeccionar hipótesis de forma iterativa. El sistema permite a los científicos interactuar de diversas maneras, incluyendo la aportación de ideas iniciales para su exploración o comentarios sobre los resultados generados en lenguaje natural. El AI Co-Scientist también utiliza herramientas como la búsqueda web y modelos de IA especializados para mejorar la fundamentación y la calidad de las hipótesis generadas. El sistema está diseñado para escalar de forma flexible el cómputo y mejorar iterativamente su razonamiento científico hacia el objetivo de investigación especificado. El AI Co-Scientist es particularmente útil para los científicos que enfrentan desafíos al navegar por el rápido crecimiento de las publicaciones científicas e integrar conocimientos de dominios desconocidos. Al aprovechar los recientes avances en IA, incluida la capacidad de sintetizar temas complejos y realizar una planificación y razonamiento a largo plazo, el AI Co-Scientist tiene como objetivo acelerar la velocidad de los descubrimientos científicos y biomédicos. El sistema ha sido probado en diversas aplicaciones, incluyendo el descubrimiento de transferencia genética y el redescubrimiento de transferencias. Aunque el AI Co-Scientist presenta varias ventajas, su eficacia depende de la calidad del objetivo de investigación introducido y de la capacidad del científico para proporcionar comentarios significativos. El AI Co-Scientist es una herramienta nueva que tiene el potencial de impactar significativamente a la comunidad científica, pero sus limitaciones y posibles sesgos deben evaluarse cuidadosamente. El desarrollo del AI Co-Scientist es un esfuerzo continuo, y sus futuras aplicaciones y mejoras dependerán de la investigación y las pruebas continuas.
Desglose de criterios
- Generación de hipótesis
- Creación de resúmenes de investigación
- Desarrollo de protocolos experimentales
- Agentes especializados para el razonamiento científico
- Bucle de retroalimentación automatizado
- Integración de búsqueda web
GLM-4.6V
GLM‑4.6V, modelo multimodal de código abierto de Z.ai que unifica visión, texto y llamadas a herramientas para razonamiento de contexto largo, búsqueda, codificación y conversión UI‑a‑código.
GLM‑4.6V es un modelo de lenguaje multimodal que amplía su ventana de contexto a 128k tokens y alcanza un rendimiento de vanguardia en comprensión visual. Integra capacidades nativas de Function Calling, permitiendo una base técnica unificada para agentes multimodales en escenarios empresariales del mundo real. GLM‑4.6V puede aceptar entradas multimodales y generar automáticamente contenido intercalado de imagen y texto de alta calidad, realizar comprensión compleja de documentos y llevar a cabo búsqueda y recuperación visual. Este modelo ofrece varias capacidades y escenarios, como la creación y diseño de contenido imagen‑texto inteligente, búsqueda web visual y generación de informes multimedia enriquecidos, y comprensión de contexto largo. Puede aceptar entradas mixtas de texto e imagen, generar contenido de alta calidad y realizar una auditoría visual de imágenes candidatas. El flujo de trabajo de búsqueda y análisis multimodal de GLM‑4.6V permite un movimiento fluido desde la percepción visual hasta la recuperación en línea y la generación de informes estructurados. Mantiene la conciencia de contexto multimodal y realiza razonamiento basado en información textual y visual. Este modelo proporciona varias capacidades y escenarios, como reconocimiento de intención y planificación de búsqueda, alineación de resultados multimodales y razonamiento con generación de informes multimedia enriquecidos.
Desglose de criterios
- Soporte de entrada multimodal (imágenes, texto, archivos)
- Llamada nativa de herramientas multimodales
- Longitud de contexto de 128k
- Capacidades de Function Calling
- Comprensión de contexto largo
- Comprensión visual y recuperación de herramientas
AlphaSense
Una plataforma de inteligencia de mercado impulsada por IA que obtiene perspectivas de expertos de forma autónoma y ofrece investigación de nivel analista a gran escala.
AlphaSense es una plataforma de inteligencia de mercado impulsada por IA que proporciona conocimientos fiables para orientar las decisiones empresariales. Ofrece una colección completa de fuentes seleccionadas, que incluye transcripciones de expertos de Tegus, informes de brokers y archivos de empresas. La plataforma utiliza modelos de IA avanzados para generar información de alta calidad con citas a nivel de frase. AlphaSense integra flujos de trabajo, eliminando fuentes fragmentadas y proporcionando información conectada y optimizada. Sus capacidades de GenAI ofrecen conocimientos en tiempo real que fundamentan las decisiones en una experiencia fiable. La plataforma está diseñada para la banca de inversión, fondos de cobertura, capital privado, gestión de activos, consultoría, ciencias de la vida y otras industrias. AlphaSense se diferencia por sus perspectivas altamente sintetizadas, extraídas de un conjunto de contenidos inigualable. La plataforma también cuenta con agentes personalizables para automatizar tareas de investigación repetitivas, transformando los hallazgos en informes y presentaciones listos para ejecutivos. Su búsqueda generativa (Generative Search) ofrece una visión de 360 grados de los mercados y las empresas, conectando perspectivas cualitativas con datos financieros estructurados. Uno de los puntos fuertes de AlphaSense es su capacidad para permitir a los usuarios tomar decisiones audaces con confianza y rapidez. La plataforma ofrece a los equipos las respuestas precisas, perspectivas únicas y actualizaciones críticas que necesitan para mantenerse por delante de la competencia.
Desglose de criterios
- Fuentes seleccionadas
- Transcripciones de expertos de Tegus
- Investigación de brokers
- Archivos de empresas
- Datos financieros públicos y privados
- GenAI para obtener información en tiempo real
Autoresearch
Un proyecto de código abierto que permite a agentes de IA ejecutar experimentos de entrenamiento de LLM de forma autónoma y conservar las mejores mejoras del modelo.
Autoresearch es un proyecto de código abierto que permite a los agentes de IA ejecutar experimentos de entrenamiento de LLM de forma autónoma y retener las mejores modificaciones del modelo. El proyecto permite a los usuarios configurar un entorno de entrenamiento de LLM pequeño pero real y dejar que un agente de IA experimente con él durante la noche, modificando el código, entrenando durante un periodo corto y comprobando si los resultados mejoran. El objetivo es automatizar el proceso de investigación, dejando que el agente de IA explore diferentes arquitecturas de modelos, hiperparámetros y estrategias de optimización sin intervención humana. El proyecto incluye una implementación simplificada de una sola GPU de nanochat y proporciona una estructura básica para programar el proceso de investigación del agente de IA mediante archivos Markdown. El proyecto está diseñado para ser extensible, permitiendo a los usuarios añadir más agentes y mejorar el proceso de investigación con el paso del tiempo.
Desglose de criterios
- Experimentos de entrenamiento de LLM autónomos
- Proceso de investigación dirigido por agentes de IA
- Implementación de nanochat para una sola GPU
- Programación basada en Markdown para el proceso de investigación
- Presupuesto de tiempo de entrenamiento de 5 minutos con métrica de evaluación (val_bpb)
Cell2Sentence
Marco de código abierto que convierte la expresión genética de células individuales en 'oraciones celulares' para que los LLMs puedan analizar y generar conocimientos biológicos.
Cell2Sentence es un marco de código abierto que transforma los datos de expresión genética de células individuales en 'oraciones celulares' para análisis y generación de conocimientos mediante Modelos de Lenguaje Grande (LLMs). Propone una transformación de ordenación de vectores de expresión en oraciones celulares, que son nombres de genes separados por espacios ordenados por expresión descendente. Esto permite que los LLMs modelen de forma nativa datos de secuenciación de ARN de células individuales (scRNA-seq) utilizando lenguaje natural. El marco incluye los modelos C2S-Scale, que unifican datos transcriptómicos y textuales y permiten tareas avanzadas de células individuales como la predicción de perturbaciones, la resumación de conjuntos de datos, la descripción de grupos y la respuesta a preguntas biológicas. Los modelos C2S-Scale están disponibles en Hugging Face y se basan en arquitecturas como Pythia y Gemma-2. Cell2Sentence está dirigido a investigadores y científicos que trabajan con datos de transcriptómica de células individuales. El marco se ha actualizado con nuevos modelos y características, incluyendo soporte para ajuste fino en plantillas de indicaciones personalizadas y formato de indicaciones de varias células. También incluye una suite de modelos Pythia para la predicción de tipos de células, generación condicionada a tipos de células y un modelo diverso de varias células y tareas múltiples entrenado en más de 57 millones de células humanas y de ratón. El marco Cell2Sentence está documentado y tiene tutoriales para su uso, incluyendo ejemplos de ajuste fino y formato de indicaciones de varias células. El desarrollo de Cell2Sentence implica al laboratorio van Dijk y se ha publicado en un preprint en bioRxiv. Cell2Sentence permite el descubrimiento de nueva generación de células individuales con LLMs.
Desglose de criterios
- Transformación de vectores de expresión en oraciones celulares
- Modelos C2S-Scale para tareas avanzadas de células individuales
- Soporte para ajuste fino en plantillas de indicaciones personalizadas
- Formato de indicaciones de varias células
- Modelos pre-entrenados basados en arquitecturas Pythia y Gemma-2
THEUS (Aigora)
Sistema de investigación AI empresarial que convierte estudios propietarios en pistas rastreables con IDs de hecho, citas y avatares de expertos para la síntesis.
THEUS es un sistema de investigación de IA empresarial que transforma estudios propietarios en información rastreable con identificadores de hechos, citas y avatares de expertos. Está construido sobre el Kit de Desarrollo de Agentes (ADK) de Google y utiliza modelado bidireccional para agentes de conocimiento basados en datos. Los usuarios pueden extraer, sintetizar y explorar sus datos de investigación, y cada afirmación está respaldada por un identificador de hecho específico con citas a nivel de página. THEUS ofrece dos formas de explorar: generar nuevos conocimientos con el Dr. Reed o analizar conocimientos existentes con el Dr. Sinclair. Esta plataforma está diseñada para VPs de Insights, Líderes Globales de Sensory e Innovation leaders que buscan evaluar la construcción de capacidades estratégicas. Utiliza una metodología de investigación especialmente diseñada, no inteligencia artificial genérica para empresas, y crea agentes de conocimiento basados en datos entrenados con datos institucionales reales. Con el 85% de los nuevos productos fracasando en los dos primeros años (Nielsen), la exploración con base en evidencia mejora drásticamente la calidad de las decisiones. THEUS ofrece un asiento individual, que incluye características como hasta 30 documentos ingeridos por mes, hasta 1,500 páginas analizadas por mes y hasta 500 preguntas a Dr. Sinclair por mes. Uno de los principales beneficios de THEUS es su capacidad para convertir décadas de datos propietarios en inteligencia rastreable y lista para tomar decisiones con agentes de conocimiento impulsados por IA.
Desglose de criterios
- Extruir, sintetizar y explorar datos de investigación
- Generar nuevas pistas con Dr. Reed o analizar el conocimiento existente con Dr. Sinclair
- Modelado bidireccional para agentes de conocimiento basados en datos
- Conectar conocimiento de productos y consumidores para pistas bidireccionales
- Soporta la síntesis cruzada de estudios y el análisis de brechas de investigación
StartupValidator
Validador informático de ideas de inicio de empresa utilizando señales de Twitter en vivo y búsquedas web para generar un veredicto calificado con riesgos, fortalezas y pautas de pivoteo.
StartupValidator es una herramienta de inteligencia artificial diseñada para validar ideas de inicio de empresa utilizando señales de Twitter en vivo y búsquedas web. Busca proporcionar un veredicto calificado sobre la viabilidad de una idea de inicio de empresa, destacando riesgos, fortalezas y sugiriendo potenciales pivoteos. Esta herramienta se dirige a emprendedores y fundadores de startups que buscan evaluar la factibilidad de sus ideas antes de invertir recursos significativos. Al hacer uso de datos en tiempo real de Twitter y la web, StartupValidator ofrece un enfoque basado en datos para la validación de startups. Sin embargo, sin más información específica sobre su metodología y fuentes de datos, la confiabilidad y precisión de la herramienta son inciertas. La herramienta probablemente integre con la API de Twitter y posiblemente con otras fuentes de datos web para recopilar información relevante.
Desglose de criterios
- Análisis de señales de Twitter en vivo
- Integración de búsquedas web
- Veredicto calificado sobre la viabilidad de la startup
- Identificación de riesgos y fortalezas
- Pautas de pivoteo para mejorar
Kosmos
Científico autónomo de IA para campañas de investigación a largo plazo que analiza datos y literatura para producir informes científicos totalmente citados.
Kosmos es un científico autónomo de IA diseñado para equipos de I+D en biopharma y investigadores. Analiza datos y literatura para producir informes científicos totalmente citados, acelerando el proceso de desarrollo farmacéutico desde la hipótesis hasta el registro en días, no en meses. Kosmos trabaja de forma autónoma, leyendo literatura, generando hipótesis, dirigiendo investigaciones y ejecutando flujos de trabajo científicos. Apoya el ciclo completo de desarrollo de fármacos, desde la identificación de objetivos hasta el desarrollo clínico y la presentación. La herramienta de IA colabora con científicos humanos a través de Slack, Teams y correo electrónico, y aprende del conocimiento de la organización, construyendo sobre el historial experimental y datos científicos propios.
Desglose de criterios
- Generación autónoma de hipótesis
- Análisis de literatura
- Análisis de datos
- Ejecución de flujos de trabajo científicos
- Colaboración a través de Slack, Teams y correo electrónico
- Modelo agnóstico para futuros modelos de última generación
Table Agent es un asistente de datos impulsado por IA diseñado para facilitar la investigación tabular. Está destinado a automatizar el proceso de reunión de datos sobre cualquier tema en particular, lo que hace que la investigación sea más eficiente. La herramienta permite esquemas de datos personalizables, lo que permite a los usuarios adaptar su recopilación de datos a las necesidades específicas. Esta flexibilidad es beneficiosa para un amplio rango de aplicaciones e industrias donde la estructura del formato de datos puede variar sustancialmente. En el corazón de la funcionalidad de Table Agent se encuentra su capacidad de búsqueda de datos impulsada por agente de inteligencia artificial. Esto significa que la herramienta utiliza la inteligencia artificial para buscar y recopilar datos relevantes de manera activa, lo que potencialmente podría reducir el tiempo y el esfuerzo requeridos para las búsquedas manuales. Aunque los detalles de su flujo de trabajo e integraciones no se detallan, el concepto de un asistente de datos impulsado por IA sugiere que podría integrarse de manera íntegra con varias herramientas de análisis de datos, mejorando el proceso de investigación en general. Las fortalezas del Table Agent probablemente incluirían su capacidad para automatizar tareas de recopilación de datos tediosas y su adaptabilidad a diferentes estructuras de datos. Sin embargo, sin más información específica, es desafiante determinar sus limitaciones o cómo se compara con herramientas alternativas de asistentes de datos.
Desglose de criterios
- Recolección de datos automatizada
- Diseños de esquemas de datos personalizables
- Búsqueda de datos impulsada por el agente de AI
- Recolección de datos rápida y precisa
- Recolección de datos automatizada sin intervención manual
- Recolección de datos precisa y rápida dirigida por el AI
AMIE
Un agente de diagnóstico de IA multimodal que mantiene conversaciones clínicas e interpreta imágenes médicas para obtener diagnósticos precisos.
AMIE (Articulate Medical Intelligence Explorer) es un agente de IA de diagnóstico desarrollado por Google DeepMind y Google Research. Está diseñado para mantener conversaciones clínicas e interpretar imágenes médicas para lograr diagnósticos precisos. Inicialmente, AMIE fue un agente de IA conversacional de diagnóstico médico basado en texto publicado en Nature. El avance más reciente, AMIE multimodal, integra la capacidad de solicitar, interpretar y razonar de manera inteligente sobre información médica visual durante las conversaciones clínicas. Este desarrollo tiene como objetivo mejorar la precisión diagnóstica al incorporar datos multimodales, como imágenes y documentos, en el proceso de diagnóstico. AMIE utiliza un marco de razonamiento con conocimiento de estado y está construido sobre los modelos multimodales Gemini. Ha sido evaluado mediante evaluaciones de expertos, incluidos exámenes clínicos estructurados objetivos (OSCE), comparando su rendimiento con el de médicos de atención primaria en diversos escenarios de pacientes.
Desglose de criterios
- Diálogo de diagnóstico multimodal
- Interpretación de información médica visual
- Marco de razonamiento con conocimiento de estado
- Integración con los modelos Gemini
- Entorno de simulación para la evaluación de diálogos