Korábbi csata · 2025-03-28 UTC
Research AI Agents Leszámolás — 2025. március 28.
A(z) Research AI Agents kategóriából. 12 jelölés elhelyezve 5 versenyző között. Cell2Sentence szerezte meg a koronát.
Végeredmény
A felállás
A versenyzők
Minden eszköz profilja, amely ebben a csatában versenyzett, a végső pontszámuk szerint rangsorolva.
Cell2Sentence
Nyílt forráskódú keretrendszer, amely egycellás génexpressziót alakít 'cell sentences'-é, hogy az LLM-ek elemezhetnek és biológiai betekintéseket generálhassanak.
A Cell2Sentence egy nyílt forráskódú keretrendszer, amely egycellás gének expressziós adatait "cellás mondatokká" alakítja át elemzés és betekintés generálására Nagy Nyelvi Modellek (LLM-ek) segítségével. Egy sorrendi transzformációt javasol az expressziós vektorok cellás mondatokká történő átalakítására, amelyek szóközökkel elválasztott génnevekből állnak, csökkenő expresszió sorrendjében. Ez lehetővé teszi az LLM-ek számára, hogy természetes nyelven modellezzék az egycellás RNS-szekvenálás (scRNA-seq) adatait. A keretrendszer tartalmazza a C2S-Scale modelleket, amelyek az átírásos és a szöveges adatokat egyesítik, és lehetővé teszik az egycellás feladatokat, például a zavarásbecsülést, az adatkészlet összefoglalását, a klaszter leírást és a biológiai kérdések megválaszolását. A C2S-Scale modellek elérhetők a Hugging Face-en, és olyan architektúrákon alapulnak, mint a Pythia és a Gemma-2. A Cell2Sentence célja, hogy segítse a kutatókat és a tudósokat, akik egycellás transzkriptómiai adatokkal dolgoznak. A keretrendszert frissítették új modellekkel és funkciókkal, ideértve a testreszabott sablonokon való finomhangolást és a multi-cellás prompt formázást. Emellett tartalmaz egy Pythia modellek sorozatát a sejttypusok előrejelzésére, a sejttypus feltételezett generálására, és egy sokszínű, többsejtes, többfeladatos modellt, amelyet több mint 57 millió emberi és egérsejten képeztek ki. A Cell2Sentence keretrendszer dokumentált, és tartalmaz oktatóanyagokat a használatához, beleértve a finomhangolás és a több cellás prompt formázás példáit. A Cell2Sentence fejlesztése a van Dijk Labban történt és egy előnyomtatásban közzétették a bioRxiv-en. A Cell2Sentence lehetővé teszi a következő generációs egymagos felfedezést LLM-ek segítségével.
Kritériumok szétosztása
- Expressziós vektorok transzformálása cell sentencesbé
- C2S-Scale modellek az egycellás feladatokhoz
- Támogatás egyéni prompptemplaték finomhangolásához
- Több sejtet tartalmazó prompthoz formázás
- Előre betanított modellek Pythia és Gemma-2 architektúrákon
AlphaSense
AI-alapú piaci intelligencia platform, amely autonóm módon szerez szakértői betekintéseket, és elemző szintű kutatást nyújt nagyszabásban.
Az AlphaSense egy mesterséges intelligencia-alapú piaci információk platform, amely megbízható betekintést nyújt az üzleti döntéshozatalhoz. Átfogó gyűjteményt kínál gondosan kiválasztott forrásokból, beleértve a Tegus szakértői átiratokat, brókerkutatásokat és céges befektetéseket. A platform fejlett AI modelleket használ a legmagasabb minőségű betekintések előállításához mondat szintű hivatkozásokkal. Az AlphaSense integrálja a munkafolyamatokat, megszüntetve a szétszórt forrásokat és áramvonalas, összefüggő betekintést nyújt. A GenAI képességei valós idejű betekintést nyújtanak, amely megalapozza a döntéseket megbízható szakértelemmel. A platform az investment banki, hedge alap, private equity, eszközkezelés, tanácsadás, élettudományok és egyéb iparágak számára készült. Az AlphaSense magas szinten összegzett információkkal különbözteti meg magát, amelyek egy páratlan tartalmi készletből származnak. A platform egyéni beállításokkal rendelkező ügynököket is tartalmaz, amelyek lehetővé teszik az ismétlődő kutatási feladatok automatizálását, és az eredményeket igazgatói jelentésekbe és diákba átalakítják. A Generative Search 360 fokos nézetet nyújt a piacokról és a vállalatokról, és összekapcsolja a minőségi információkat a strukturált pénzügyi adatokkal. Az AlphaSense egyik fő erőssége, hogy lehetővé teszi a felhasználók számára, hogy merész lépéseket tehessenek biztonsággal és sebességgel. A platform pontosságot, egyedi perspektívákat és kritikus frissítéseket nyújt a csapatoknak, amelyekre szükségük van ahhoz, hogy lépést tartsanak a versennyel.
Kritériumok szétosztása
- Kiértékelt források
- Tegus szakértői naplók
- Bróker kutatások
- Vállalati beadványok
- Magán és nyilvános pénzügyi adatok
- GenAI valós idejű betekintéshez
AMIE
Egy multimodális AI diagnosztikai ügynök, amely klinikai beszélgetéseket folytat és orvosi képeket értelmez pontos diagnózisok érdekében.
AMIE (Articulate Medical Intelligence Explorer) egy kutatási AI diagnosztikai ügynök, amelyet a Google DeepMind és Google Research fejlesztett. A cél az, hogy klinikai beszélgetéseket folytasson, illetve orvosi képeket értelmezzen pontos diagnózisok érdekében. Az AMIE eredetileg szövegalapú orvosi diagnosztikai konverzációs AI ügynök volt, amelyet a Nature publikálott. Az új, multimodális AMIE integrálja a vizuális orvosi információk intelligens kérése, értelmezése és elmélyítése képességét a klinikai párbeszéd során. Ez a fejlesztés a diagnosztikai pontosság javítását célozza, azáltal, hogy multimodális adatokat, például képeket és dokumentumokat is bevon a diagnosztikai folyamatba. Az AMIE egy állapottudatos érvelési keretrendszert használ, és multimodális Gemini modellekre épül. További értékelést szakmai vizsgálatokkal, köztük az Objektív Szerkesztett Klinikai Vizsgálatok (OSCEk) segítségével végeztek, összehasonlítva teljesítményét elsőrendű orvosokkal (PCP) különböző páciensekkel.
Kritériumok szétosztása
- Multimodális diagnosztikai párbeszéd
- Vizuális orvosi információk értelmezése
- Állapottudatos érvelési keretrendszer
- Integráció a Gemini modellekkel
- Szimulációs környezet a párbeszédeken történő értékeléshez
Autoresearch
Nyílt forráskódú projekt, amely lehetővé teszi, hogy az AI ügynökök önállóan futtassák LLM tréningkísérleteket és megtartsák a legjobb modellváltoztatásokat.
Az Autoresearch egy nyílt forráskódú projekt, amely lehetővé teszi, hogy az AI ügynökök önállóan futtassák LLM tréningkísérleteket és megtartsák a legjobb modellváltoztatásokat. A projekt lehetővé teszi a felhasználók számára, hogy egy kis, de valós LLM tréningkörnyezetet állítsanak fel, és egy AI ügynököt éjszakánként kísérleteztesse vele: módosítja a kódot, rövid ideig tréninget végez, és ellenőrzi, hogy javulnak-e az eredmények. A cél a kutatási folyamat automatizálása, hogy az AI ügynök emberi beavatkozás nélkül felfedezhesse a különböző modellarchitektúrákat, hiperparamétereket és optimalizációs stratégiákat. A projekt tartalmaz egy egyszerűsített, egy GPU-s nanochat megvalósítást, és alapvető struktúrát biztosít az AI ügynök kutatási folyamatának programozásához Markdown fájlok segítségével. A projekt bővíthető, így a felhasználók további ügynököket adhatnak hozzá és idővel javíthatják a kutatási folyamatot.
Kritériumok szétosztása
- Önálló LLM tréningkísérletek
- AI ügynök által vezérelt kutatási folyamat
- Egy GPU-s nanochat megvalósítás
- Markdown-alapú programozás a kutatási folyamathoz
- 5 perces tréningidőkeret értékelési metrikával (val_bpb)
Google AI Co-Scientist
Több agentes AI-rendszer, amely együttműködik a tudóssal annak a feltételezések és az orvosi kutatások gyorsítása érdekében.
A Google AI Co-Scientist egy összetett agentekkel ellátott AI rendszer, amelyet a tudósokkal való együttműködésre és az orvosi kutatások gyorsítására terveztek. A rendszer a Gemini 2.0-nal készült és egy mesterséges intelligencia által vezetett kísérőként működik, amely segít új hipotézisek és kutatási javaslatok kialakításában. Feladata azon a módon gondolkodni, amelyen az tudományos methodológia alapul, és új, eredeti tudományos eredmények fellelését célozza. Egy természetes nyelven megadott tudós kutatási cél esetén az AI Co-Scientist új kutatási hipotéziseket, részletes kutatási áttekintést és kísérleti protokollokat hoz létre. A rendszer egy szakosodott szimulált ügynökökből álló koalíciót alkalmaz, köztük Generation, Reflection, Ranking, Evolution, Proximity és Meta-review ügynököket, amelyek a szakadatokkal együttműködve iteratív hipotézis- megjelenítéséről, kiértékeléséről és finomításáról állnak. A rendszer lehetővé teszi számára, hogy a tudósok különböző módon kölcsönhatásba lépjenek a rendszerrel, köztük a kutatás irányának kiindulópontjai az exploráció vagy a generált kimenetekről szóló visszajelzés nyelvtermészetes módon. Az AI Co-Scientist szoftver továbbá a webkeresés és különleges mesterséges intelligencia- modell használatával növeli meg a létrejött hipotézisek megalapozottságát és minőségét. A rendszer tervezetten a számítógépes számítások rugalmas méretezhetők, és iteratív módon fejlesztheti a tudományos kifejezését, a megadott kutatási célhoz rendelve. Az AI Co-Scientist különösen hasznos lehet azoknak a tudósoknak, akik nehézségekkel küzdenek a gyorsan növekedő tudományos publikációk navigálásában és az ismeretlen területű megfigyelések integrálásában. Az újkori AI előrelépések felhasználásával, beleértve a komplex témák szintézisét és a hosszú távú tervezést és észlelést, az AI Co-Scientist célja, hogy felgyorsítsa a tudományos és orvosi felfedezések óráját. A rendszer számos alkalmazásban tesztelték, beleértve a gének átadásának felfedezését és újrakeresését is. Míg az AI Co-Scientist több előnnyel rendelkezik, hatékonysága attól függ, hogy az input kutatási cél érdemben jó minőségű, illetve hogy a tudós meg tud-e adni értelmes visszajelzést. Az AI Co-Scientist egy új eszköz, amely jelentős hatással lehet a tudományos közösségre, de korlátozásainak és lehetséges csoporthányadoságainak óvatos értékelésre van szükség. A fejlesztési folyamat a Google AI Co-Scientist eszközt folyamatosan fejleszti, annak jövőbeli alkalmazási formái és a további javításai függenek a rendszeres kutatás és tesztelés eredményeitől.
Kritériumok szétosztása
- Hipotézisgenerálás
- Kutatási összefoglalat létrehozása
- Kísérleti protokoll fejlesztése
- A tudományos érveléshez szakosodott ügynökök
- Automatizált visszajelzési folyamat
- Web-keresés bevonása