Bataille passée · 2026-05-10 UTC
Research AI Agents Duel — 10 mai 2026
De la catégorie Research AI Agents. 35 marques placées sur 10 combattants. Google AI Co-Scientist a décroché la couronne.
Classement final
Le casting
Les combattants
Profils de chaque outil ayant concouru dans cette bataille, classés par leur score final.
Google AI Co-Scientist
Un système d'IA multiant agent collaborant avec des scientifiques pour générer des hypothèses et accélérer la recherche biomédicale.
Le Google AI Co-Scientist est un système d'intelligence artificielle multi-agents conçu pour collaborer avec les scientifiques et accélérer la recherche biomédicale. Il est construit avec Gemini 2.0 et fonctionne comme un collaborateur scientifique virtuel pour aider à générer des hypothèses et des propositions de recherche novatrices. Le système est conçu pour refléter le processus de raisonnement qui sous-tend la méthode scientifique et découvrir de nouvelles connaissances originales. Étant donné l'objectif de recherche d'un scientifique spécifié en langage naturel, l'AI Co-Scientist génère des hypothèses de recherche novatrices, un aperçu de recherche détaillé et des protocoles expérimentaux. Il utilise une coalition d'agents spécialisés, notamment la génération, la réflexion, le classement, l'évolution, la proximité et la méta-revue, qui utilisent des commentaires automatisés pour générer, évaluer et affiner de manière itérative les hypothèses. Le système permet aux scientifiques d'interagir avec lui de différentes manières, notamment en fournissant des idées de départ pour l'exploration ou des commentaires sur les résultats générés en langage naturel. L'AI Co-Scientist utilise également des outils tels que la recherche Web et des modèles d'IA spécialisés pour améliorer l'ancrage et la qualité des hypothèses générées. Le système est conçu pour évoluer de manière flexible et améliorer de manière itérative son raisonnement scientifique vers l'objectif de recherche spécifié. L'AI Co-Scientist est particulièrement utile pour les scientifiques qui ont du mal à naviguer dans la croissance rapide des publications scientifiques et à intégrer les connaissances de domaines qui leur sont inconnus. En tirant parti des récentes avancées de l'IA, notamment la capacité de synthétiser des sujets complexes et d'effectuer une planification et un raisonnement à long terme, l'AI Co-Scientist vise à accélérer la vitesse des découvertes scientifiques et biomédicales. Le système a été testé dans diverses applications, notamment la découverte du transfert de gènes et la re-découverte du transfert. Bien que l'AI Co-Scientist présente plusieurs avantages, son efficacité dépend de la qualité de l'objectif de recherche saisi et de la capacité du scientifique à fournir des commentaires pertinents. L'AI Co-Scientist est un nouvel outil qui a le potentiel d'avoir un impact significatif sur la communauté scientifique, mais ses limites et ses biais potentiels doivent être soigneusement évalués. Le développement de l'AI Co-Scientist est un effort continu, et ses futures applications et améliorations dépendront de recherches et de tests approfondis.
Répartition des critères
- Génération d'hypothèses
- Création d'une vue détaillée des recherches
- Développement de protocoles expérimentaux
- Agents spécialisés pour la raison scientifique
- Boucle de rétroaction automatique
- Intégration de la recherche web
GLM-4.6V
Modèle de langage GLM unissant vision, texte et appels d'outils ouverts source par Z.ai pour la raison de longue durée, les recherches, la codification et UI-to-code.
GLM-4.6V est un modèle de langage multimodal à grande échelle qui étend sa fenêtre de contexte à 128k tokens et atteint des performances à l'état de l'art en compréhension visuelle. Il intègre des capacités d'appel de fonctions natives, permettant une base technique unifiée pour les agents multimodaux dans des scénarios commerciaux réels. GLM-4.6V peut accepter des entrées multimodales et générer automatiquement du contenu à haute qualité et structuré, avec des images et du texte entrelacés, effectuer une compréhension complexe de documents et effectuer une recherche et une récupération visuelles. Ce modèle offre plusieurs capacités et scénarios, notamment la création et la disposition de contenu intelligent image-texte, la recherche visuelle sur le web et la génération de rapports multimédias riches, ainsi que la compréhension de contexte long. Il peut accepter des entrées mixtes texte-image, générer du contenu de haute qualité et effectuer un audit visuel sur les images candidates. Le flux de travail de recherche et d'analyse multimodal de GLM-4.6V permet une transition fluide de la perception visuelle à la récupération en ligne et à la génération de rapports structurés. Il maintient une conscience contextuelle multimodale et effectue un raisonnement ancré à la fois dans des informations textuelles et visuelles. Ce modèle fournit plusieurs capacités et scénarios, notamment la reconnaissance d'intention et la planification de recherche, l'alignement des résultats multimodaux et le raisonnement avec génération de rapports à rich media.
Répartition des critères
- Support d'entrée multimodale (images, texte, fichiers)
- Appel d'outils multimodal natif
- Longueur de contexte de 128k
- Capacités d'appel d'outils natives
- Compréhension de longue durée
- Compréhension visuelle et récupération d'outils
AlphaSense
Une plateforme d'intelligence de marché propulsée par l'IA qui collecte de manière autonome des insights d'experts et fournit des recherches de niveau analyste à grande échelle.
AlphaSense est une plateforme d'intelligence de marché alimentée par l'IA qui fournit des informations fiables pour guider les décisions commerciales. Elle propose une collection complète de sources curées, notamment des transcriptions d'experts Tegus, des recherches de courtiers et des documents de sociétés. La plateforme utilise des modèles d'IA avancés pour générer des informations de haute qualité avec des citations au niveau des phrases. AlphaSense intègre des flux de travail, éliminant les sources fragmentées et fournissant des informations rationalisées et connectées. Ses capacités GenAI fournissent des informations en temps réel qui ancrent les décisions dans une expertise fiable. La plateforme est conçue pour les banques d'investissement, les fonds spéculatifs, le private equity, la gestion d'actifs, le conseil, les sciences de la vie et d'autres industries. AlphaSense se distingue par ses informations hautement synthétisées, élaborées à partir d'un ensemble de contenus sans égal. La plateforme propose également des agents personnalisables pour automatiser les tâches de recherche répétitives, transformant les résultats en rapports et diapositives prêts à l'usage des dirigeants. Sa recherche générative offre une vue à 360 degrés des marchés et des entreprises, reliant les informations qualitatives aux données financières structurées. L'une des principales forces d'AlphaSense est sa capacité à donner aux utilisateurs les moyens de prendre des décisions audacieuses avec confiance et rapidité. La plateforme fournit aux équipes les réponses précises, des perspectives uniques et des mises à jour critiques dont elles ont besoin pour garder une longueur d'avance sur la concurrence.
Répartition des critères
- Sources triées
- Transcriptions d'experts Tegus
- Recherches d'intermédiaires
- Dossiers d'entreprise
- Données financières privées et publiques
- GenAI pour des insights en temps réel
Autoresearch
Un projet open-source qui permet aux agents IA d'exécuter de façon autonome des expériences d'entraînement de LLM et de conserver les meilleures modifications de modèle.
Autoresearch est un projet open-source qui permet aux agents IA d'exécuter de façon autonome des expériences d'entraînement de LLM et de conserver les meilleures modifications de modèle. Le projet permet aux utilisateurs de mettre en place un environnement d'entraînement LLM simple mais réel et de laisser un agent IA l'expérimenter pendant la nuit, en modifiant le code, en entraînant pendant une courte période, et en vérifiant si les résultats s'améliorent. L'objectif est d'automatiser le processus de recherche, en laissant l'agent IA explorer différentes architectures de modèles, hyperparamètres et stratégies d'optimisation sans intervention humaine. Le projet inclut une implémentation simplifiée sur un seul GPU de nanochat et fournit une structure de base pour programmer le processus de recherche de l'agent IA à l'aide de fichiers Markdown. Le projet est conçu pour être extensible, permettant aux utilisateurs d'ajouter davantage d'agents et d'améliorer le processus de recherche au fil du temps.
Répartition des critères
- Expériences d'entraînement LLM autonomes
- Processus de recherche piloté par un agent IA
- Implémentation à un seul GPU de nanochat
- Programmation du processus de recherche basée sur Markdown
- Budget d'entraînement de 5 minutes avec métrique d'évaluation (val_bpb)
Cell2Sentence
Cadre open-source qui convertit l'expression génique à cellule unique en « phrases cellulaires » pour que les LLM puissent analyser et générer des perspectives biologiques.
Cell2Sentence est un cadre open-source qui transforme les données d'expression génique de cellules individuelles en 'phrases cellulaires' pour l'analyse et la génération d'informations par les grands modèles de langage (LLM). Il propose une transformation de classement des vecteurs d'expression en phrases cellulaires, qui sont des noms de gènes séparés par des espaces classés par ordre d'expression décroissant. Cela permet aux LLM de modéliser nativement les données de séquençage de l'ARN de cellules individuelles (scRNA-seq) en utilisant le langage naturel. Le cadre comprend les modèles C2S-Scale, qui unifient les données transcriptomiques et textuelles et permettent des tâches avancées sur cellules individuelles telles que la prédiction de perturbation, la synthèse de jeu de données, la légende de regroupement et la réponse à des questions biologiques. Les modèles C2S-Scale sont disponibles sur Hugging Face et sont basés sur des architectures telles que Pythia et Gemma-2. Cell2Sentence est destiné aux chercheurs et aux scientifiques travaillant avec des données de transcriptomique de cellules individuelles. Le cadre a été mis à jour avec de nouveaux modèles et fonctionnalités, notamment la prise en charge de l'ajustement fin sur des modèles de prompts personnalisés et un formatage de prompts multi-cellules. Il comprend également une suite de modèles Pythia pour la prédiction de type de cellule, la génération conditionnée de type de cellule et un modèle multi-tâches multi-cellules diversifié entraîné sur plus de 57 millions de cellules humaines et de souris. Le framework Cell2Sentence est documenté et propose des tutoriels pour son utilisation, incluant des exemples d'ajustement fin et de formatage de prompts multi-cellules. Le développement de Cell2Sentence implique le van Dijk Lab et a été publié dans une prépublication sur bioRxiv. Cell2Sentence permet une découverte de nouvelle génération au niveau de la cellule individuelle grâce aux LLM.
Répartition des critères
- Transformation des vecteurs d'expression en phrases cellulaires
- Modèles C2S-Scale pour les tâches avancées sur cellules uniques
- Support du réglage fin sur des modèles de prompt personnalisés
- Formatage multi-cellule des prompts
- Modèles pré-entraînés basés sur les architectures Pythia et Gemma-2
THEUS (Aigora)
Système d'analyse d'intelligence artificielle d'entreprise pour mieux exploiter des données propres et faciliter le renforcement stratégique.
THEUS est un système de recherche en intelligence artificielle pour les entreprises qui transforme des études propriétaires en informations traçables avec des ID de faits, des citations et des avatars d'experts. Il est construit sur le Google Agent Development Kit (ADK) et utilise une modélisation bidirectionnelle pour des agents de connaissances ancrés dans les données. Les utilisateurs peuvent extraire, synthétiser et explorer leurs données de recherche, et chaque affirmation est étayée par un ID de fait spécifique avec des citations au niveau de la page. THEUS propose deux façons d'explorer : générer de nouvelles informations avec le Dr Reed ou analyser les connaissances existantes avec le Dr Sinclair. Cette plateforme est conçue pour les directeurs généraux de l'analyse, les responsables mondiaux de la perception sensorielle et les leaders de l'innovation qui évaluent le développement des capacités stratégiques. Elle utilise une méthodologie de recherche spécialement conçue, et non un AI générique pour entreprises, et crée des agents de connaissance fondés sur des données, entraînés sur les données institutionnelles réelles. Avec 85 % de nouveaux produits qui échouent dans les deux ans (Nielsen), l'exploration fondée sur des preuves améliore considérablement la qualité des décisions. THEUS propose un siège solo, qui comprend des fonctionnalités telles que jusqu'à 30 documents ingérés par mois, jusqu'à 1 500 pages analysées par mois et jusqu'à 500 questions à Dr. Sinclair par mois. L'un des principaux avantages de THEUS est sa capacité à transformer des décennies de données propriétaires en intelligence traçable et prête à être utilisée pour la prise de décision grâce à des agents de connaissances alimentés par l'IA.
Répartition des critères
- Intelligence Artificielle d'entreprise pour l'exploitation des données propres
- Expert avatar-propulsé analyse
- Référence traceable et démontable des études internes et des découvertes des chercheurs
- Genération de rapports entreprises pour la production de rapports de recherche audit-préparer
- Chaque vérité liée à une citation
StartupValidator
Validateur d'idées de startup IA utilisant les signaux Twitter en direct et la recherche web pour générer un verdict noté avec des risques, des forces et des pivots suggérés.
StartupValidator est un outil IA conçu pour valider les idées de startup en utilisant les signaux Twitter en direct et la recherche web. Il vise à fournir un verdict noté sur la viabilité d'une idée de startup, en mettant en évidence les risques, les forces et en suggérant des pivots potentiels. Cet outil semble cibler les entrepreneurs et les fondateurs de startup qui cherchent à évaluer la faisabilité de leurs idées avant d'investir des ressources importantes. En tirant parti des données en temps réel de Twitter et du web, StartupValidator offre une approche basée sur les données pour la validation de startup. Cependant, sans informations plus spécifiques sur sa méthodologie et ses sources de données, la fiabilité et la précision de l'outil sont incertaines. L'outil intègre probablement l'API de Twitter et éventuellement d'autres sources de données web pour collecter des informations pertinentes.
Répartition des critères
- Analyse des signaux Twitter en direct
- Intégration de la recherche web
- Verdict noté sur la viabilité de la startup
- Identification des risques et des forces
- Pivots suggérés pour l'amélioration
Kosmos
Scientifique autonome IA pour des campagnes de recherche de longue durée qui analysent les données et la littérature pour produire des rapports scientifiques entièrement cités.
Kosmos est un scientifique autonome IA conçu pour les équipes de R&D biopharma et les chercheurs. Il analyse les données et la littérature pour produire des rapports scientifiques entièrement cités, accélérant le processus de développement de médicaments de l'hypothèse à l'enregistrement en quelques jours, et non en mois. Kosmos fonctionne de manière autonome, lisant la littérature, générant des hypothèses, dirigeant les enquêtes et exécutant les flux de travail scientifiques. Il prend en charge l'ensemble du cycle de vie du développement de médicaments, de l'identification des cibles à travers le développement clinique et le dépôt. L'outil IA collabore avec les scientifiques humains via Slack, Teams et e-mail, et apprend de la connaissance de l'organisation, en s'appuyant sur l'histoire expérimentale et les données scientifiques propriétaires.
Répartition des critères
- Génération autonome d'hypothèses
- Analyse de la littérature
- Analyse de données
- Exécution de flux de travail scientifiques
- Collaboration via Slack, Teams et e-mail
- Modèle agnostique pour les modèles de pointe futurs
Table Agent
Assistant de recherche numérique augmenté U0001F44B AI pour la recherche tabulaire
Table Agent est un assistant basé sur l'apprentissage automatique conçu pour faciliter la recherche dans les données tabulaires. Il est destiné à automatiser la collecte de données sur n'importe quel sujet, rendant ainsi la recherche plus efficace. La plateforme permet des schémas de données personnalisables, ce qui permet aux utilisateurs de personnaliser leur collecte de données en fonction de leurs besoins spécifiques. Cette flexibilité est bénéfique pour une large gamme d'applications et d'industries où la structure des données peut varier considérablement. Au cœur de la fonctionnalité de Table Agent se trouve sa capacité de recherche de données basée sur un agent de l'intelligence artificielle. Cela signifie que l'outil utilise l'intelligence artificielle pour chercher activement et compiler les données pertinentes, ce qui pourrait potentiellement réduire le temps et les efforts nécessaires pour effectuer des recherches manuelles. Bien que les détails de son flux de travail et de ses intégrations ne soient pas précisés, le concept d'un assistant de données guidé par l'IA suggère qu'il pourrait s'intégrer de manière fluide à divers outils d'analyse de données, améliorant ainsi l'ensemble du processus de recherche. Les forces probablement de Table Agent incluent sa capacité à automatiser des tâches de collecte de données fastidieuses et sa flexibilité pour différents formats de données. Toutefois, sans plus d'informations spécifiques, il est difficile de déterminer ses limites ou comment il se compare à d'autres outils d'assistants de données.
Répartition des critères
- Collecte de données automatisée
- Schemas de données personnalisables
- Recherche de données pilotée par un agent IA
- Récupération de données rapide et précise
AMIE
Un agent diagnostique multimodal IA qui conduit des conversations cliniques et interprète des images médicales pour des diagnostics précis.
AMIE (Articulate Medical Intelligence Explorer) est un agent diagnostique IA de recherche développé par Google DeepMind et Google Research. Il est conçu pour mener des conversations cliniques et interpréter des images médicales afin d'obtenir des diagnostics précis. Initialement, AMIE était un agent conversationnel diagnostique médical basé sur le texte, publié dans la revue Nature. La dernière avancée, AMIE multimodal, intègre la capacité de demander, d'interpréter et de raisonner intelligemment sur les informations médicales visuelles au cours de conversations cliniques. Ce développement vise à améliorer la précision diagnostique en incorporant des données multimodales, telles que images et documents, dans le processus diagnostique. AMIE utilise un cadre de raisonnement conscient de l'état et est construit sur les modèles Gemini multimodaux. Il a été évalué via des évaluations d'experts, y compris des Examens Structurés Cliniques Objectifs (OSCEs), comparant ses performances à celles des médecins de soins primaires (PCPs) dans divers scénarios de patients.
Répartition des critères
- Dialogue diagnostique multimodal
- Interprétation d'informations médicales visuelles
- Cadre de raisonnement conscient de l'état
- Intégration avec les modèles Gemini
- Environnement de simulation pour l'évaluation des dialogues