Eerdere strijd · 2025-03-28 UTC
Research AI Agents Duel — 28 maart 2025
Uit de categorie Research AI Agents. 12 markeringen geplaatst over 5 strijders. Cell2Sentence pakte de kroon.
Eindstand
De line-up
De strijders
Profielen van elke tool die in deze strijd meedeed, gerangschikt op eindscore.
Cell2Sentence
Open-source framework dat enkelcella geneexpressie omzet in 'cell sentences', zodat LLM's dit kunnen analyseren en biologisch inzicht kunnen genereren.
Cell2Sentence is een open-sourceframework dat genexpressiedata van afzonderlijke cellen omvormt tot 'celzinnen' voor analyse en het genereren van inzichten door Large Language Models (LLMs). Het stelt een rangschikkingstransformatie van expressievectoren naar celzinnen voor, bestaande uit door spaties gescheiden genamen die zijn gerangschikt in aflopende expressie. Hierdoor kunnen LLMs native modeling uitvoeren van enkelvoudige cel-RNA-sequentiedata (scRNA-seq) met natuurlijke taal. Het framework bevat de C2S-Scale-modellen, die transcriptomische en tekstuele gegevens verenigen en geavanceerde taken op het gebied van afzonderlijke cellen mogelijk maken, zoals het voorspellen van perturbatie, het samenvatten van datasets, het captionen van clusters en het beantwoorden van biologische vragen. De C2S-Scale-modellen zijn beschikbaar op Hugging Face en zijn gebaseerd op architecturen zoals Pythia en Gemma-2. Cell2Sentence is gericht op onderzoekers en wetenschappers die werken met transcriptomische gegevens van afzonderlijke cellen. Het raamwerk is bijgewerkt met nieuwe modellen en functies, waaronder ondersteuning voor fine-tuning op aangepaste promptsjablonen en multi-cell-promptopmaak. Het bevat ook een reeks Pythia-modellen voor celtypevoorspelling, celtypevoorwaardelijke generatie en een divers multi-cell multi-taakmodel dat is getraind op meer dan 57 miljoen menselijke en muiscellen. Het Cell2Sentence-framework is gedocumenteerd en heeft tutorials voor gebruik, inclusief voorbeelden van fijnafstemming en multi-cel-promptopmaak. De ontwikkeling van Cell2Sentence is afkomstig van het van Dijk Lab en is gepubliceerd in een preprint op bioRxiv. Cell2Sentence maakt volgende generatie single-cell ontdekking mogelijk met LLMs.
Kritériumverdeling
- Transformeren van expressievectoren naar cell sentences
- C2S‑Scale modellen voor geavanceerde enkelcel‑taken
- Ondersteuning voor finetunen met aangepaste prompt‑sjablonen
- Multi‑cel prompt‑formatting
- Voorgetrainde modellen gebaseerd op Pythia en Gemma‑2 architecturen
AlphaSense
Een AI-gedreven marktintelligentieplatform dat zelfstandig deskundige inzichten verzamelt en onderzoek op analistniveau levert op grote schaal.
AlphaSense is een door AI aangedreven marktintelligentieplatform dat betrouwbare inzichten biedt om zakelijke beslissingen te ondersteunen. Het biedt een uitgebreide verzameling van geselecteerde bronnen, waaronder Tegus-experttranscripts, onderzoeksrapporten van brokers en bedrijfsdocumenten. Het platform gebruikt geavanceerde AI-modellen om hoogwaardige inzichten te genereren met bronvermeldingen op zinsniveau. AlphaSense integreert werkprocessen, waardoor gefragmenteerde bronnen worden geëlimineerd en gestroomlijnde, verbonden inzichten worden geboden. De GenAI-mogelijkheden bieden realtime inzichten die beslissingen baseren op betrouwbare expertise. Het platform is ontworpen voor investment banking, hedgefondsen, private equity, vermogensbeheer, consultancy, life sciences en andere industrieën. AlphaSense onderscheidt zich door zijn hoog gesynthetiseerde inzichten, gegenereerd uit een ongeëvenaard contentaanbod. Het platform biedt ook aanpasbare agents om herhalende onderzoeks taken te automatiseren, waardoor onderzoeksresultaten worden omgezet in uitvoeringsklare rapporten en dia's. De Generative Search-functionaliteit biedt een 360-gradenbeeld van markten en bedrijven, waarbij kwalitatieve inzichten worden gekoppeld aan gestructureerde financiële gegevens. Een van de belangrijkste sterke punten van AlphaSense is het vermogen om gebruikers in staat te stellen om met vertrouwen en snelheid beslissende stappen te zetten. Het platform geeft teams de precieze antwoorden, unieke perspectieven en cruciale updates die ze nodig hebben om de concurrentie voor te blijven.
Kritériumverdeling
- Gekuriseerde bronnen
- Tegus-experttranscripties
- Makelaarsonderzoek
- Bedrijfsdocumenten
- Private en publieke financiële gegevens
- GenAI voor realtime inzichten
AMIE
Een multimodaal AI‑diagnostisch agent dat klinische gesprekken voert en medische beelden interpreteert voor nauwkeurige diagnoses.
AMIE (Articulate Medical Intelligence Explorer) is een onderzoeks‑AI‑diagnostisch agent ontwikkeld door Google DeepMind en Google Research. Het is ontworpen om klinische gesprekken te voeren en medische beelden te interpreteren voor nauwkeurige diagnoses. Initieel was AMIE een tekstgebaseerde medische diagnostische conversatie‑AI die werd gepubliceerd in Nature. De nieuwste ontwikkeling, multimodaal AMIE, integreert het vermogen om visuele medische informatie op intelligente wijze op te vragen, te interpreteren en erover te redeneren tijdens klinische gesprekken. Deze ontwikkeling beoogt de diagnostische nauwkeurigheid te verbeteren door multimodale data, zoals beelden en documenten, in het diagnostische proces te verwerken. AMIE maakt gebruik van een state‑aware redeneringskader en is gebouwd op multimodale Gemini‑modellen. Het is geëvalueerd via deskundige beoordelingen, waaronder Objective Structured Clinical Examinations (OSCEs), waarbij de prestaties werden vergeleken met primair zorgverleners (PCP’s) in diverse patiëntenscenario’s.
Kritériumverdeling
- Multimodaal diagnostisch dialoog
- Interpretatie van visuele medische informatie
- Statenbewust redeneringskader
- Integratie met Gemini‑modellen
- Simulatieruimte voor dialoogevaluatie
Autoresearch
Een open-source project waarmee AI‑agents autonoom LLM‑trainingsexperimenten kunnen uitvoeren en de beste modelwijzigingen behouden.
Autoresearch is een open-source project dat AI‑agents in staat stelt autonoom LLM‑trainingsexperimenten uit te voeren en de beste modelwijzigingen te bewaren. Het project laat gebruikers een kleine maar werkelijke LLM‑trainingsomgeving opzetten en een AI‑agent laten experimenteren over nacht, de code aanpassen, kort trainen en controleren of de resultaten verbeteren. Het doel is om het onderzoeksproces te automatiseren, waardoor de AI‑agent verschillende modelarchitecturen, hyperparameters en optimalisatiestrategieën kan verkennen zonder menselijke tussenkomst. Het project bevat een vereenvoudigde single‑GPU implementatie van nanochat en biedt een basisstructuur voor het programmeren van het onderzoeksproces van de AI‑agent met behulp van Markdown‑bestanden. Het project is ontworpen om uitbreidbaar te zijn, zodat gebruikers meer agents kunnen toevoegen en het onderzoeksproces in de loop van de tijd kunnen verbeteren.
Kritériumverdeling
- Autonome LLM‑trainingsexperimenten
- Onderzoekproces geleid door AI‑agents
- Single‑GPU implementatie van nanochat
- Markdown‑gebaseerd programmeren voor het onderzoeksproces
- 5‑minutige trainingsbudget met evaluatiemetriek (val_bpb)
Google AI Co-Scientist
Een multi-agent AI-systeem dat samenwerkt met wetenschappers om hypotheses te genereren en biomedisch onderzoek te versnellen.
De Google AI Co-Scientist is een multi-agent AI-systeem dat is ontworpen om samen te werken met wetenschappers en biomedisch onderzoek te versnellen. Het is gebouwd met Gemini 2.0 en fungeert als een virtuele wetenschappelijke collaborator om nieuwe hypothesen en onderzoeksvoorstellen te helpen genereren. Het systeem is bedoeld om het redeneerproces dat ten grondslag ligt aan de wetenschappelijke methode na te bootsen en nieuwe, originele kennis te ontdekken. Gegeven een onderzoeksdoel van een wetenschapper dat in natuurlijke taal is gespecificeerd, genereert de AI Co-Scientist nieuwe onderzoekshypothesen, een gedetailleerd onderzoeksoverzicht en experimentele protocollen. Het gebruikt een coalitie van gespecialiseerde agents, waaronder Generation, Reflection, Ranking, Evolution, Proximity en Meta-review, die gebruikmaken van automatische feedback om iteratief hypothesen te genereren, te evalueren en te verfijnen. Het systeem stelt wetenschappers in staat om op verschillende manieren met het systeem te interageren, waaronder het leveren van startideeën voor verkenning of feedback op gegenereerde uitvoer in natuurlijke taal. De AI Co-Scientist maakt ook gebruik van tools zoals web-search en gespecialiseerde AI-modellen om de gronding en kwaliteit van gegenereerde hypothesen te verbeteren. Het systeem is ontworpen om flexibel te schalen en zijn wetenschappelijke redeneervaardigheden iteratief te verbeteren richting het gespecificeerde onderzoeksdoel. De AI Co-Scientist is bijzonder nuttig voor wetenschappers die moeite hebben om de snelle groei in wetenschappelijke publicaties bij te houden en inzichten uit onbekende domeinen te integreren. Door gebruik te maken van recente AI-vooruitgangen, waaronder het vermogen om complexe onderwerpen te synthetiseren en langetermijnplanning en -redenering uit te voeren, heeft de AI Co-Scientist tot doel de kloksnelheid van wetenschappelijke en biomedische ontdekkingen te versnellen. Het systeem is getest in verschillende toepassingen, waaronder het ontdekken van genoverdracht en het opnieuw ontdekken van genoverdracht. Hoewel de AI Co-Scientist verschillende voordelen biedt, is de doeltreffendheid afhankelijk van de kwaliteit van het ingevoerde onderzoeksdoel en het vermogen van de wetenschapper om betekenisvol feedback te geven. De AI Co-Scientist is een nieuwe tool die het potentieel heeft om een aanzienlijke impact te hebben op de wetenschappelijke gemeenschap, maar de beperkingen en mogelijke vooroordelen moeten zorgvuldig worden geëvalueerd. De ontwikkeling van de AI Co-Scientist is een voortdurende inspanning en de toekomstige toepassingen en verbeteringen ervan zullen afhankelijk zijn van continu onderzoek en testing.
Kritériumverdeling
- Hypothese generatie
- Onderzoeksoversicht creëren
- Ontwikkeling van experimentele protocollen
- Gespecialiseerde agenten voor wetenschappelijke redenering
- Automatische feedbackloop
- Integratie van web-search