Battaglia passata · 2025-03-28 UTC
Research AI Agents Sfida — 28 marzo 2025
Dalla categoria Research AI Agents. 12 segni piazzate tra 5 sfidanti. Cell2Sentence ha conquistato la corona.
Classifica finale
La formazione
Gli sfidanti
Profili di ogni strumento che ha gareggiato in questa battaglia, ordinati per punteggio finale.
Cell2Sentence
Frammento open-source che converge l'espressione genica di singola cellula in 'frasi di cellula' al fine di poter analizzare e generare luce biologica grazie agli LLM.
Cell2Sentence è un framework open source che trasforma i dati di espressione genica delle cellule singole in 'frasi cellulare' per l'analisi ed il generamento d'insight tramite i Modelli di Linguaggio Grande (LLM). Propone una trasformazione di ordinamento per grado di vettori di espressione in frasi cellulare, che sono nomi di geni separati nello spazio ordinati secondo scendente espressione. Ciò consente agli LLM di modellare in modo nativo i dati della sequenza di RNA singola cellolare (scRNA-seq) utilizzando il linguaggio naturale. Il framework include i modelli C2S-Scale, che unificano i dati di transcriptomia e di testo e consentono di svolgere compiti avanzati per cellule singole come la previsione di perturbazione, la riassunzione dei dati, la didascalia dei cluster e la risposta a domande biologiche. I modelli C2S-Scale sono disponibili su Hugging Face e sono basati su architettture come Pythia e Gemma-2. Cell2Sentence è destinato a ricercatori e scienziati che lavorano con dati di transcriptomia di cellule singole. Il framework è stato aggiornato con nuovi modelli e funzionalità, tra cui il supporto per la fine-tuning su modelli di avvio personalizzati e la formattazione multi-cell di avvio. Inoltre include un insieme di modelli Pythia per la predizione del tipo cellulare, la generazione condizionata al tipo cellulare e un modello multi-cell multi-task diversificato addestrato su oltre 57 milioni di cellule umane e di topo. La piattaforma Cell2Sentence è ben documentata e fornisce tutorial per l'uso, inclusi esempi di adattamento fine e formattazione della domanda multi-cellula. Lo sviluppo di Cell2Sentence coinvolge il Laboratorio van Dijk e è stato pubblicato in una versione preprint su bioRxiv. Cell2Sentence abilita la scoperta delle cellule a scala singola con LLM.
Suddivisione dei criteri
- Trasformazione dei vettori di espressione in frasi di cellula
- Modelli C2S-Scale per compiti avanzati di single-cell
- Supporto per la fine-tuning su template di comando personalizzati
- Formato di comando multi-cell per multiple celle
- Modelli pre-adiestrati basati sull'architettura di Pythia e Gemma-2
AlphaSense
Un'ampia piattaforma di intelligence di mercato potenziata dall'AI che fornisce autonomamente insiemi di dati esperti e fornisce ricerche analista con un livello di scala.
AlphaSense è una piattaforma di intelligenza di mercato alimentata dall'intelligenza artificiale che fornisce informazioni affidabili per orientare le decisioni aziendali. Offre una vasta raccolta di fonti selezionate con cura, tra cui trascrizioni esperte di Tegus, ricerche di broker e documenti delle aziende. La piattaforma utilizza modelli di intelligenza artificiale avanzati per generare informazioni di alta qualità con citazioni a livello di frase. AlphaSense integra i flussi di lavoro, eliminando fonti frammentate e fornendo informazioni rilevate e connesse. Le sue capacità di intelligenza artificiale generativa forniscono informazioni in tempo reale che fondono le decisioni con competenze affidabili. La piattaforma è progettata per investimenti bancari, hedge funds, private equity, asset management, consulenza, biotecnologie, farmaceutiche e altre industrie. AlphaSense si distingue con le sue informazioni altamente sintetizzate, derivate da un insieme di contenuti senza pari. Il piano offre anche agenti personalizzabili per automatizzare compiti di ricerche ripetibili, trasformando le ricerche in rapporti e slide pronti per i manager e i dirigenti. La sua Ricerca Generativa fornisce una visuale a 360° dei mercati e delle aziende, collegando informazioni qualitative ai dati finanziari strutturati. Una delle principali sfide che AlphaSense è in grado di superare è la sua capacità di dare aiutare gli utenti a fare mosse audaci con fiducia e velocità. La piattaforma fornisce ai team le risposte precise, le prospettive uniche e gli aggiornamenti critici necessari per rimanere in vantaggio rispetto alla concorrenza.
Suddivisione dei criteri
- Fonti curate
- Trascrizioni esperti Tegus
- Ricerche degli analisti
- Fascicoli delle società
- Datos finanziari pubblici e privati
- GenAI per insiemi di dati in tempo reale
AMIE
Un agente medico diagnostico multimediali che condotta conversazioni cliniche ed interpreta immagini mediche per una diagnosi accurata.
AMIE (Explorer dell'intelligenza medica articolata) è un agente diagnostico AI di ricerca sviluppato da Google DeepMind e Google Research. È progettato per condutere conversazioni cliniche e interpretare immagini mediche per una diagnosi accurata. Inizialmente, AMIE era un agente conversazionale medico diagnostico di tipo testuale pubblicato su Nature. L'ultima evoluzione, il multimodale AMIE, integra la capacità di richiedere, interpretare e ragionare sulla informazione medica visiva in modo intelligente durante le conversazioni cliniche. Questo sviluppo mira a migliorare l'accuratezza diagnostica incorporando dati multimodali, come immagini e documenti, nel processo diagnostico. AMIE utilizza un framework di ragionamento a stato consapevole e si basa sui modelli multimodal Gemini. È stato valutato attraverso valutazioni di esperti, comprese le Valutazioni Cliniche Strutturate Obiettive (OSCEs), confrontando le sue prestazioni con le attività pratiche primarie dei medici (PCPs) in varie scenari di pazienti.
Suddivisione dei criteri
- Diagnostica dialogico multimediali
- Interpretazione dell'informazione medica visiva
- Framework di ragionamento a stato consapevole
- Integrazione con modelli Gemini
- Ambiente di simulazione per la valutazione del dialogo
Autoresearch
Progetto open-source che consente agli agenti AI di eseguire autonomamente gli esperimenti di addestramento dell'LLM e di mantenere le modifiche alla migliore modello.
Autoresearch è un progetto open-source che consente agli agenti AI di eseguire autonomamente gli esperimenti di addestramento dell'LLM e di mantenere le modifiche alla migliore modello. Il progetto consente agli utenti di configurare un ambiente di addestramento LLM di piccole dimensioni ma reale e di far lavorare un agente AI con esso durante la notte, modificando il codice, addestrando per un breve periodo e controllando se i risultati sono migliorati. L'obiettivo è automatizzare il processo di ricerca, permettendo all'agente AI di esplorare diverse architetture dei modelli, iperparametri e strategie di ottimizzazione senza l'intervento umano. Il progetto include un'implementazione semplificata single-GPU di nanochat e fornisce una struttura di base per programmare il processo di ricerca dell'agente AI utilizzando file Markdown. Il progetto è progettato per essere estendibile, consentendo agli utenti di aggiungere più agenti e migliorare il processo di ricerca nel tempo.
Suddivisione dei criteri
- Eseguimento autonomo degli esperimenti di addestramento dell'LLM
- Processo di ricerca guidato dall'agente AI
- Implementazione single-GPU di nanochat
- Programmazione del processo di ricerca tramite file Markdown
- Budget di training di 5 minuti con metrica di valutazione (val_bpb)
Google AI Co-Scientist
Un sistema di intelligenza artificiale multi-agente collabora con gli scienziati per generare ipotesi e accelerare la ricerca biomedica.
Google AI Co-Scientist è un sistema di intelligenza artificiale multi-agente progettato per collaborare con gli scienziati e accelerare la ricerca biomedica. È stato sviluppato con Gemini 2.0 e funziona come un collaboratore scientifico virtuale per aiutare a generare ipotesi e proposte di ricerca innovative. Il sistema è pensato per rispecchiare il processo di ragionamento alla base del metodo scientifico e scoprire nuove conoscenze originali. Dato un obiettivo di ricerca dello scienziato specificato in linguaggio naturale, l'AI Co-Scientist genera ipotesi di ricerca innovative, una panoramica dettagliata della ricerca e protocolli sperimentali. Utilizza una coalizione di agenti specializzati, tra cui Generation, Reflection, Ranking, Evolution, Proximity e Meta-review, che utilizzano feedback automatico per generare, valutare e perfezionare iterativamente le ipotesi. Il sistema consente agli scienziati di interagire con esso in vari modi, tra cui fornire idee iniziali per l'esplorazione o feedback sui risultati generati in linguaggio naturale. L'AI Co-Scientist utilizza inoltre strumenti come la ricerca web e modelli di intelligenza artificiale specializzati per migliorare la fondatezza e la qualità delle ipotesi generate. Il sistema è progettato per scalare in modo flessibile le risorse di calcolo e migliorare iterativamente la sua capacità di ragionamento scientifico verso l'obiettivo di ricerca specificato. L'AI Co-Scientist è particolarmente utile per gli scienziati che affrontano sfide nel navigare la rapida crescita delle pubblicazioni scientifiche e nell'integrare informazioni da domini non familiari. Sfruttando i recenti progressi dell'AI, compresa la capacità di sintetizzare argomenti complessi e eseguire pianificazione e ragionamento a lungo termine, l'AI Co-Scientist mira ad accelerare la velocità delle scoperte scientifiche e biomediche. Il sistema è stato testato in varie applicazioni, tra cui la scoperta del trasferimento di geni e la riscoperta del trasferimento. Mentre l'AI Co-Scientist presenta diversi vantaggi, la sua efficacia dipende dalla qualità dell'obiettivo di ricerca inserito e dalla capacità dello scienziato di fornire un feedback significativo. L'AI Co-Scientist è un nuovo strumento che ha il potenziale per avere un impatto significativo sulla comunità scientifica, ma i suoi limiti e potenziali pregiudizi devono essere attentamente valutati. Lo sviluppo dell'AI Co-Scientist è uno sforzo continuo e le sue future applicazioni e miglioramenti dipenderanno da ulteriori ricerche e test.
Suddivisione dei criteri
- Generazione di ipotesi
- Creazione di panoramica di ricerca
- Sviluppo di protocolli sperimentali
- Agenti specializzati per ragionamento scientifico
- Ciclo di feedback automatizzato
- Integrazione con la ricerca web