Eerdere strijd · 2026-05-10 UTC
Research AI Agents Duel — 10 mei 2026
Uit de categorie Research AI Agents. 35 markeringen geplaatst over 10 strijders. Google AI Co-Scientist pakte de kroon.
Eindstand
De line-up
De strijders
Profielen van elke tool die in deze strijd meedeed, gerangschikt op eindscore.
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
GLM-4.6V
Open-source multimodaal GLM van Z.ai die visie, tekst en toolaanroepen verenigt voor lange-context redenering, zoeken, coderen en UI-to-code.
GLM-4.6V is een multimodaal groot taalmodel dat de contextwindow schaalt tot 128k tokens en een state‑of‑the‑art prestatie levert in visuele begrip. Het integreert native Function Calling mogelijkheden, waardoor een uniforme technische basis ontstaat voor multimodale agents in real‑world business scenario’s. GLM-4.6V kan multimodale invoer accepteren en automatisch hoogwaardige, gestructureerde afbeelding‑tekstafwisselende inhoud genereren, complexe documentbegrip uitvoeren, en visuele zoek- en retrieval doen. Dit model biedt verschillende mogelijkheden en scenario’s, waaronder intelligente afbeelding‑tekstinhoud creatie en layout, visuele websearch en rijke media rapportgeneratie, en lange-context begrip. Het kan gemengde tekst‑afbeeldinginvoer accepteren, hoogwaardige inhoud genereren en een visuele audit uitvoeren op kandidaat‑afbeeldingen. De multimodale search‑and‑analysis workflow van GLM-4.6V maakt naadloze overgang mogelijk van visuele perceptie naar online retrieval en gestructureerde rapportgeneratie. Het behoudt multimodale contextbewustzijn en voert redeneringen uit die gebaseerd zijn op zowel tekstuele als visuele informatie. Dit model biedt verschillende mogelijkheden en scenario’s, waaronder intentieherkenning en zoekplanning, multimodale resultaatalignatie, en redeneren met rijke media rapportgeneratie.
Kritériumverdeling
- Multimodaal invoerondersteuning (afbeeldingen, tekst, bestanden)
- Native multimodaal toolaanroepen
- 128k contextlengte
- Function Calling mogelijkheden
- Lange-context begrip
- Visuele compréhensies en tool retrieval
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
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)
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
THEUS (Aigora)
Bedrijfs-AI-onthangsysteem dat eigendomsstudies omzet in waarneembare inzichten met Fact IDs, aanbevelingen en expert-avatarren voor synthese.
THEUS is een zakelijk AI-onderzoekssysteem dat propriëtaire studies omvormt tot traceerbare inzichten met feit-ID's, verwijzingen en expert-avatar's. Het is gebouwd op Google's Agent Development Kit (ADK) en gebruikt bidirectionele modellering voor data-gebaseerde kennisagenten. Gebruikers kunnen hun onderzoeksgegevens extracten, synthetiseren en verkennen, en elke bewering wordt ondersteund door een specifieke Feit-ID met paginaniveau-verwijzingen. THEUS biedt twee manieren om te verkennen: het genereren van nieuwe inzichten met Dr. Reed of het analyseren van bestaande kennis met Dr. Sinclair. Het platform is ontwikkeld voor VPs Insights, Global Sensory Leads en innovatieleiders die de strategische opbouw van capaciteiten evalueren. Het maakt gebruik van een doelgerichte onderzoeksmethodologie, geen generieke enterprise AI, en creëert datagedreven kennisagenten die zijn getraind op daadwerkelijke institutionele gegevens. Met 85% van nieuwe producten die binnen twee jaar falen (Nielsen), verbetert evidence-based verkenning de besluitkwaliteit aanzienlijk. THEUS biedt een solo seat aan, met functies zoals het verwerken van maximaal 30 documenten per maand, het parseren van maximaal 1.500 pagina's per maand en het stellen van maximaal 500 vragen aan Dr. Sinclair per maand. Een van de belangrijkste voordelen van THEUS is het vermogen om decennia aan propriëtaire gegevens om te zetten in traceerbare, beslissingsklare inzichten met behulp van AI-gebaseerde kennisagenten.
Kritériumverdeling
- Uit het onderzoek halen, synthetiseren en verkennen
- Genereer nieuwe inzichten met Dr. Reed of bestaande kennis analyseren met Dr. Sinclair
- Bidirectionele modellering voor data-aangedreven kennisagenten
- Verbind product- en consumentenkennis voor bidirectionele inzichten
- Ondersteunt cross-studie synthese en onderzoeksbreukanalyses
- Supports
StartupValidator
AI-startupideeënvalidator die live Twitter-signalen en webonderzoek gebruikt om een gescoorde uitspraak te genereren met risico's, sterke punten en voorgestelde pivots.
StartupValidator is een AI-tool die is ontworpen om startupideeën te valideren met behulp van live Twitter-signalen en webonderzoek. Het doel is om een gescoorde uitspraak te leveren over de levensvatbaarheid van een startupidee, waarbij risico's, sterke punten worden benadrukt en mogelijke pivots worden voorgesteld. Deze tool lijkt gericht te zijn op ondernemers en startupoprichters die de haalbaarheid van hun ideeën willen beoordelen voordat ze aanzienlijke middelen investeren. Door gebruik te maken van realtime gegevens van Twitter en internet, biedt StartupValidator een datagedreven aanpak voor startupvalidatie. Echter, zonder meer specifieke informatie over de methodologie en gegevensbronnen, zijn de betrouwbaarheid en nauwkeurigheid van de tool onzeker. De tool integreert waarschijnlijk met Twitter's API en mogelijk andere webgegevensbronnen om relevante informatie te verzamelen.
Kritériumverdeling
- Live Twitter-signaalanalyse
- Webonderzoekintegratie
- Gescoorde uitspraak over startuplevensvatbaarheid
- Risico- en sterkte-identificatie
- Voorgestelde pivots voor verbetering
Kosmos
Autonome AI-wetenschapper voor lange onderzoeks campagnes die data en literatuur analyseert om volledig onderbouwde wetenschappelijke rapporten te produceren.
Kosmos is een autonome AI-wetenschapper die is ontworpen voor biopharma R&D-teams en onderzoekers. Het analyseert data en literatuur om volledig onderbouwde wetenschappelijke rapporten te produceren, waardoor het drugontwikkelingsproces van hypothese tot registratie in dagen, niet maanden, wordt versneld. Kosmos werkt autonoom, leest literatuur, genereert hypothesen, stuurt onderzoeken aan en voert wetenschappelijke workflows uit. Het ondersteunt de volledige levenscyclus van drugontwikkeling, van doelidentificatie tot klinische ontwikkeling en indiening. De AI-tool werkt samen met menselijke wetenschappers via Slack, Teams en e-mail en leert van de kennis van de organisatie, voortbouwend op experimentele geschiedenis en propriëtaire wetenschappelijke data.
Kritériumverdeling
- Autonome hypothese generatie
- Literatuur analyse
- Data analyse
- Wetenschappelijke workflow uitvoering
- Samenwerking via Slack, Teams en e-mail
- Model agnostisch voor toekomstige state-of-the-art modellen
Table Agent
Artificiële intelligentie-powdered data-assisteerder voor tabulair onderzoek
Table Agent is een AI-gepowered data-assistent ontworpen om bij te dragen aan tabulaire onderzoeken. Er is voornemens om het proces van samenvoeging van gegevens over elke gegeven thema automatiseren, waardoor onderzoek effectiever wordt. De tool stelt gebruikers in staat om hun data-schema's aan te passen, waardoor het de gebruikers is mogelijk om hun gegevensoverdracht aan te passen aan specifieke behoeften. Deze flexibiliteit is vooral nuttig voor een breed scala aan toepassingen en branches waar de gegevensstructuur significant kan verschillen. Op het hart van de functionaliteit van Table Agent draait de AI-agentbestuurde dataplaatszoeker. Dit betekent dat de tool kunstmatige intelligentie gebruikt om actief relevante gegevens te zoeken en samen te stellen, wat potentiële tijd- en inspanningsbesparingen kan veroorzaken bij het uitvoeren van handmatige zoekacties. Hoewel de details over zijn workflow en integraties niet zijn opgegeven, suggereert het concept van een AI-bestuurd gegevensassistent dat het mogelijk is om deze soort tools eenvoudig te integreren met verschillende gegevensanalysetools, waardoor de algemene onderzoeksprocessen verrijkt worden. De sterktes van Table Agent zouden hoogstwaarschijnlijk zijn de mogelijkheid om tijdrovende data-inzameltaken te automatiseren en de aanpasbaarheid van verschillende datastructuren. Zonder echter meer specifieke informatie is het echter lastig om zijn beperkingen vast te stellen of hoe hij zich vergelijkt met alternatieve data-assistent tools.
Kritériumverdeling
- Automatische gegevensverzameling
- Aanpasbare data-schema's
- AI-agent gedreven gegevenszoekfunctie
- Snelle en nauwkeurige gegevensoaverzameling
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