Tidligere kamp · 2024-05-31 UTC
Research AI Agents Oppgjør — 31. mai 2024
Fra kategorien Research AI Agents. 34 merker plassert på tvers av 8 kjempere. Google AI Co-Scientist tok kronen.
Endelige plasseringer
Oppstillingen
Kjemperne
Profiler av hvert verktøy som konkurrerte i denne kampen, rangert etter sin endelige poengsum.
Google AI Co-Scientist
Et fler‑agent‑AI‑system som samarbeider med forskere for å generere hypoteser og akselerere biomedisinsk forskning.
Google AI Co-Scientist er et multi‑agent AI‑system designet for å samarbeide med forskere og akselerere biomedisinsk forskning. Systemet er bygget med Gemini 2.0 og fungerer som en virtuell vitenskapelig samarbeidspartner som hjelper til med å generere nye hypoteser og forskningsforslag. Systemet er ment å etterligne resonneringsprosessen som ligger til grunn for den vitenskapelige metoden og avdekke ny, original kunnskap. Når en forsker angir sitt forskningsmål i naturlig språk, genererer AI Co‑Scientist nye forskningshypoteser, en detaljert forskningsoversikt og eksperimentelle protokoller. Det bruker en koalisjon av spesialiserte agenter, inkludert Generation, Reflection, Ranking, Evolution, Proximity og Meta‑review, som benytter automatisert tilbakemelding for iterativt å generere, evaluere og forbedre hypoteser. Systemet gjør det mulig for forskere å samhandle med det på ulike måter, blant annet ved å gi seed‑ideer for utforskning eller tilbakemelding på genererte resultater i naturlig språk. AI Co‑Scientist bruker også verktøy som web‑search og spesialiserte AI‑modeller for å forbedre forankringen og kvaliteten på de genererte hypotesene. Systemet er designet for fleksibel skalering av compute og iterativ forbedring av sin vitenskapelige resonnering mot det spesifiserte forskningsmålet. AI Co-Scientist er spesielt nyttig for forskere som møter utfordringer med å navigere i den raske veksten av vitenskapelige publikasjoner og integrere innsikter fra ukjente fagområder. Ved å utnytte nyere AI-fremskritt, inkludert evnen til å syntetisere på tvers av komplekse emner og utføre langsiktig planlegging og resonnering, har AI Co-Scientist som mål å øke tempoet i vitenskapelige og biomedisinske oppdagelser. Systemet har blitt testet i ulike applikasjoner, inkludert oppdagelse av genoverføring og gjenoppdagelse av overføring. Selv om AI Co-Scientist gir flere fordeler, avhenger effektiviteten av kvaliteten på det innsendte forskningsmålet og forskerens evne til å gi meningsfull tilbakemelding. Google AI Co-Scientist er et nytt verktøy som har potensial til å påvirke det vitenskapelige fellesskapet betydelig, men dets begrensninger og potensielle skjevheter må vurderes nøye. Utviklingen av Google AI Co-Scientist er en pågående innsats, og dens fremtidige bruksområder og forbedringer vil avhenge av fortsatt forskning og testing.
Kriteriumfordeling
- Generering av hypoteser
- Opprettelse av forskningsoversikter
- Utvikling av eksperimentelle protokoller
- Spesialiserte agenter for vitenskapelig resonnering
- Automatisert tilbakemeldingssløyfe
- Integrasjon av nettsøk
Bright Data Web MCP
MCP‑server som gir AI‑agenter pålitelig nettsøk, scraping og nettleserautomasjon med 5 000 gratis månedlige forespørsler.
Bright Data Web MCP er en server som gjør det mulig for AI‑agenter å søke, scrape og automatisere nettlesere pålitelig. Den gir 5 000 gratis forespørsler per måned. Verktøyet gjør det mulig for AI‑agenter å effektivt søke på nettet, hente data og navigere nettsteder uten å bli blokkert. Det tilbyr funksjoner som sanntidssøkeresultater, datainnhenting, nettstedskjering og nettleserautomatisering. Web MCP er designet for å omgå blokker og restriksjoner, og er betrodd av mer enn 20 000 kunder over hele verden.
Kriteriumfordeling
- Sanntidssøk på nettet
- Nettsidegjennomgang og datainnhenting
- Nettleserautomasjon
- Omgå geobegrensninger og CAPTCHAs
- Rendering av JavaScript for dynamisk innhold
- Simulering av reell brukeradferd
Kosmos
Autonom AI-forsker for langvarige forskningskampanjer som analyserer data og litteratur for å produsere fullstendig sitert vitenskapelige rapporter.
Kosmos er en autonom AI-forsker designet for biopharma R&D-team og forskere. Den analyserer data og litteratur for å produsere fullt sitert vitenskapelige rapporter, og akselererer legemiddelutviklingsprosessen fra hypotese til registrering på dager i stedet for måneder. Kosmos opererer autonomt ved å lese litteratur, generere hypoteser, lede undersøkelser og utføre vitenskapelige arbeidsflyter. Verktøyet støtter hele livssyklusen for legemiddelutvikling, fra målidentifikasjon gjennom klinisk utvikling og innlevering. AI-verktøyet samarbeider med menneskelige forskere via Slack, Teams og e-post, og lærer fra organisasjonens kunnskap, bygger videre på eksperimentell historie og proprietær vitenskapelig data.
Kriteriumfordeling
- Autonom hypotese-generering
- Litteraturanalyse
- Dataanalyse
- Utførelse av vitenskapelige arbeidsprosesser
- Samarbeid via Slack, Teams og e-post
- Model-agnostisk for fremtidige state-of-the-art-modeller
THEUS (Aigora)
Forretnings-AI forskningsystem som omsetter proprietære undersøkelser til sporende innblikk med fakta-IDs, sitater og ekspertrapporter for syntese.
THEUS er en enterprise-AI forskningssystem som transformerer proprietært undersøkelser til etterforskningsdyktighet med fakta IDs, sitater og eksperthalter. Den er bygget på Googles Agent Development Kit (ADK) og bruker tovegsmodellering for data-basert kunnskapsagenter. Brukerne kan utvinne, synteetisere og utforske sin forskningsdata, og hver påstand blir støttet av en spesifik Fakta ID med side-nivå-sitater. THEUS tilbyr to måter å utforske på: å generere nye.insikter med Dr. Reed eller å analyserer eksisterende kunnskap med Dr. Sinclair. Denne plattformen er designet for direktører for innslagskjøp, ledere av sensorene på globalt nivå og innovasjon ledere som vurderer strategisk bygging ut av kabilet. Den benytter en formgitt forskningsmetodikk, ikke generisk forretnings-AI, og skaper data-basert kunnskapsagenter trent på egne institusjonelle data. Med 85% nye produkter som mislykkes innen 2 år (Nielsen), evidens-basert utforskning forbedrer dramatisk vedkommende beslutningskvalitet. Aigora tilbyr en enkelt sete, som inkluderer funksjoner slik som opp til 30 dokumenter som ble introdusert pr. måned, opp til 1 500 sider som ble analysert pr. måned, og opp til 500 spørsmål til Dr. Sinclair pr. måned. En av de viktigste fordelene ved THEUS er dets mulighet til å omforme årtier med proprietær data til etterførbare, vedtakklige analyser med hjelp av kunstig intelligens-baserte kunnskapsagenter.
Kriteriumfordeling
- Håndter og syngj, og utforske forskningsdata
- Generér nye innblikk med Dr. Reed eller analysér eksisterende kunnskap med Dr. Sinclair
- Bilateral modellering for data-grunnlagde kunnskapsagenter
- Koble produkt- og kundekunnskap for bilateral insikt
- Støtter overskriderende syntese og forskningsbrist-analyse
- Funksjoner i overkropp: Støtter skalaerings-begrænsinger for deltadato.
AMIE
En multimodal AI‑diagnostisk agent som gjennomfører kliniske samtaler og tolker medisinske bilder for nøyaktige diagnoser.
AMIE (Articulate Medical Intelligence Explorer) er en forsknings‑AI‑diagnostisk agent utviklet av Google DeepMind og Google Research. Den er designet for å gjennomføre kliniske samtaler og tolke medisinske bilder for nøyaktige diagnoser. I utgangspunktet var AMIE en tekstbasert medisinsk diagnostisk samtale‑AI‑agent publisert i Nature. Den nyeste utviklingen, multimodale AMIE, integrerer muligheten til å be om, tolke og resonnere om visuell medisinsk informasjon under kliniske samtaler på en intelligent måte. Denne utviklingen har som mål å forbedre diagnostisk nøyaktighet ved å innlemme multimodale data, som bilder og dokumenter, i diagnostikkprosessen. AMIE bruker et state‑aware reasoning‑rammeverk og er bygget på multimodale Gemini‑modeller. Den har blitt evaluert gjennom ekspertevurderinger, inkludert Objective Structured Clinical Examinations (OSCEs), og sammenlignet ytelsen med primærhelsetjenesteleger (PCPs) i ulike pasientscenarier.
Kriteriumfordeling
- Multimodal diagnostisk dialog
- Tolkning av visuell medisinsk informasjon
- Tilstandsbevisst resonnement‑rammeverk
- Integrasjon med Gemini-modeller
- Simuleringsmiljø for dialogevaluering
QualiaInterviews
AI-drevet plattform for flerspråklige, samtaleorienterte forsknings- og evalueringsintervjuer i stor skala
QualiaInterviews er en forskningsplattform som bruker AI til å gjennomføre intervjuer med deltakere via naturlig, samtalebasert dialog. Den muliggjør for team å samle kvalitative innsikter fra større utvalg enn tradisjonelle én-til-én-intervjuer, samtidig som den bevarer dybde og nyanse i åpne samtaler. Verktøyet støtter intervjuer på tvers av flere språk, noe som gjør det egnet for grenseoverskridende studier, global markedsundersøkelse og programevaluering. Forskere kan designe intervjuguider, distribuere dem til deltakere og gjennomgå automatisk strukturerte funn uten å manuelt moderere hver sesjon. QualiaInterviews brukes vanligvis av samfunnsforskere, evaluatorer, UX-team og organisasjoner som gjennomfører virkningsvurderinger og som trenger skalerbar kvalitativ data uten å gå på bekostning av samtalens dybde.
Kriteriumfordeling
- AI-modererte samtalebaserte intervjuer
- Støtte for flerspråklige intervjuer
- Automatiserte oppfølgings- og oppspørringsspørsmål
- Strukturerte analyser av kvalitative svar
- Skalerbar deltakerimplementering
- Verktøy for forsknings- og evalueringsarbeidsflyt
Table Agent er en maskinlæringsbasert dataassistant som er designet til å bistå med tabellforsker. Målet er å automatisere prosessen med å samle inn informasjon på noen gitt emne, noe som gjør forskning mer effektiv. Tøylen tillater personaliserte data-schemas, noe som gir brukerne mulighet til å tilpasse data-innsamlingen etter spesifikke behov. Dette fleksibiliteten er gunstig for en bred variasjon av applikasjoner og næringer der datastruktur kan variere betraktelig. I hjertet av Table Agents funksjonalitet står dens AI-agent-styrt søkeevne for data. Dette innebærer at verktøyet bruker kunstig intelligens til å aktivt søke etter og samle relevante data, potensielt reducirer den tid og anstrengelse som kreves for manuelle søk. Selv om detaljene om sin arbeidsprosess og implementeringer ikke blir vist, foreslår konseptet om en artifisiell datadriven assistent at det kunne gjøre det mulig å integrere med flere dataanalyseinstrumenter, og samtidig forbedre hele forskningsprosessen. Styrkene til Table Agent vil sannsynligvis inkludere evnen til å automatisk samle inn triviell datamengde og tilpasselsene til forskjellige datamodeller. Dette gjør det vanskelig å avgjøre dens begrensninger eller hvordan den sammenlignes med alternative datavitenskapelige verktøyer uten mer spesifikk informasjon.
Kriteriumfordeling
- Automatisert datagång
- Tilpasselige dataskevar
- Søk etter data ved hjelp av en kunstig intelligensagent
- Rask og nøyaktig datapulling
Autoresearch
Et åpenkildeprosjekt som lar AI‑agenter kjøre LLM‑treningseksperimenter autonomt og beholde de beste modellendringene.
Autoresearch er et open-source‑prosjekt som gjør det mulig for AI‑agenter å kjøre LLM‑treningseksperimenter autonomt og beholde de beste modellendringene. Prosjektet lar brukerne sette opp et lite, men ekte LLM‑treningsmiljø og la en AI‑agent eksperimentere med det natten over, endre koden, trene i en kort periode og sjekke om resultatene forbedres. Målet er å automatisere forskningsprosessen, slik at AI‑agenten kan utforske ulike modellarkitekturer, hyperparametere og optimaliseringsstrategier uten menneskelig inngripen. Prosjektet inkluderer en forenklet single‑GPU‑implementasjon av nanochat og gir en grunnleggende struktur for å programmere AI‑agentens forskningsprosess ved hjelp av Markdown‑filer. Prosjektet er designet for å være utvidbart, slik at brukerne kan legge til flere agenter og forbedre forskningsprosessen over tid.
Kriteriumfordeling
- Autonome LLM‑treningseksperimenter
- Forskingsprosesser drevet av AI‑agenter
- Enkelt‑GPU‑implementering av nanochat
- Markdown‑basert programmering for forskningsprosessen
- 5‑minutters treningsbudsjett med evalueringsmetrikken (val_bpb)