Tidligere kamp · 2026-05-10 UTC
Research AI Agents Oppgjør — 10. mai 2026
Fra kategorien Research AI Agents. 35 merker plassert på tvers av 10 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
GLM-4.6V
Åpen kildekode multimodal GLM fra Z.ai som samler visjon, tekst og verktøykalling for langkontekst‑resonnering, søk, koding og UI-til-kode.
GLM-4.6V er en multimodal stor språkmodell som skalerer kontekstvinduet til 128 k tokens og oppnår state-of-the-art‑ytelse innen visuell forståelse. Den integrerer native Function Calling‑funksjonalitet, som gir et samlet teknisk grunnlag for multimodale agenter i virkelige forretningsscenarioer. GLM-4.6V kan godta multimodale innspill og automatisk generere høy‑kvalitets, strukturert bilde‑tekst‑interlevert innhold, utføre kompleks dokumentforståelse, samt utføre visuell søk og gjenfinning. Denne modellen tilbyr flere funksjoner og scenarier, inkludert intelligent bilde‑tekst‑innholdsproduksjon og -layout, visuell nettsøk og generering av rik mediarapporter, samt forståelse av lange kontekster. Den kan godta blandede tekst‑bilde‑innspill, generere innhold av høy kvalitet og utføre en visuell revisjon av kandidatbilder. GLM-4.6V sin multimodale søke‑ og analysearbeidsflyt gjør det mulig med sømløs overgang fra visuell persepsjon til nettbasert henting og strukturert rapportgenerering. Den opprettholder multimodal kontekstbevissthet og utfører resonnering basert på både tekstuell og visuell informasjon. Denne modellen tilbyr flere funksjoner og scenarioer, inkludert intent recognition og search planning, multimodal results alignment, samt reasoning med rich media report generation.
Kriteriumfordeling
- Støtte for multimodale innspill (bilder, tekst, filer)
- Innebygd multimodal verktøykalling
- 128 k kontekstlengde
- Funksjonskalling‑muligheter
- Forståelse av lang kontekst
- Visuell forståelse og verktøygjenfinning
AlphaSense
En AI-drevet markedsintelligensplattform som selvstendig henter ekspertinnsikt og leverer analytiker‑nivå forskning i stor skala.
AlphaSense er en AI-drevet markedsintelligensplattform som gir pålitelige innsikter for å veilede forretningsbeslutninger. Plattformen tilbyr en omfattende samling av kuraterte kilder, inkludert Tegus eksperttranskripter, meglerforskning og selskapets filer. Ved å bruke avanserte AI-modeller genererer den høyverdi‑innsikter med sitasjonsnivå‑referanser. AlphaSense integrerer arbeidsflyter, eliminerer fragmenterte kilder og gir strømlinjeformede, sammenkoblede innsikter. Dens GenAI‑funksjoner leverer sanntidsinnsikter som forankrer beslutninger i pålitelig ekspertise. Plattformen er designet for investeringsbank, hedgefond, private equity, aktivforvaltning, konsulenter, livsvitenskap og andre bransjer. AlphaSense skiller seg ut med svært sammenfattet innsikt, syntetisert fra et uovertruffent innholdssett. Plattformen har også tilpassbare agenter for å automatisere repeterbare forskningsoppgaver, og omformer funn til rapporter og lysbilder klare for ledelsen. Dens Generative Search gir et 360‑graders perspektiv på markeder og selskaper, og kobler kvalitative innblikk med strukturert finansiell data. En av AlphaSense sin viktigste styrker er evnen til å gi brukere mulighet til å ta dristige beslutninger med trygghet og hurtighet. Plattformen gir teamene presise svar, unike perspektiver og kritiske oppdateringer de trenger for å holde seg foran konkurrentene.
Kriteriumfordeling
- Kuraterte kilder
- Tegus eksperttranskripsjoner
- Meglerforskning
- Selskapsopplysninger
- Private og offentlige finansdata
- GenAI for sanntidsinnsikt
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)
Cell2Sentence
Åpen kildekode-rammeverk som konverterer single-cell genuttrykk til 'cell setninger' slik at LLMs kan analysere og generere biologiske innsikter.
Cell2Sentence er et åpen kildekode‑rammeverk som omformer single‑cell genuttrykkdata til "cell sentences" for analyse og innsiktsgenerering ved hjelp av Large Language Models (LLMs). Det foreslår en rangordningstransformasjon av uttrykkvektorer til cell sentences, som er mellomromsseparerte gennavn sortert etter synkende uttrykk. Dette gjør det mulig for LLMs å modellere single‑cell RNA‑sequencing (scRNA‑seq) data med naturlig språk. Rammeverket inkluderer C2S-Scale‑modellene, som forener transkriptomiske og tekstlige data og muliggjør avanserte single‑cell‑oppgaver som forstyrrelsesprediksjon, datasett‑sammendrag, cluster‑beskrivelser og biologisk spørsmål‑og‑svar. C2S-Scale‑modellene er tilgjengelige på Hugging Face og er basert på arkitekturer som Pythia og Gemma-2. Cell2Sentence er rettet mot forskere og vitenskapsfolk som jobber med single‑cell transkriptomikkdata. Rammeverket er oppdatert med nye modeller og funksjoner, inkludert støtte for finjustering på tilpassede promptmaler og flerkapsle promptformat. Det inkluderer også en serie Pythia-modeller for celletypeprediksjon, celletypebetinget generering, og en variert flerkapsle fleroppgave-modell trent på over 57 millioner menneskelige og musceller. Cell2Sentence-rammeverket er dokumentert og har tutorials for bruk, inkludert eksempler på finjustering og formattering av flere celler i prompt. Utviklingen av Cell2Sentence involverer van Dijk Lab og er publisert i en preprint på bioRxiv. Cell2Sentence muliggjør oppdagelse av enkeltceller av neste generasjon med LLMs.
Kriteriumfordeling
- Transformasjon av uttrykksvektorer til 'cell setninger',
- C2S-Scale-modeller for avanserte single-cell oppgaver
- Støtte for finjustering på tilpassede promptmaler
- Multi-cell promptformattering
- Forhåndstrente modeller basert på Pythia og Gemma-2 arkitekturer
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.
StartupValidator
Verifikasjon av startup-ide med AI med levende Twitter-utsendinger og webresearch for å generere et scoret verdikt med risikoer, styrker og foreslåtte omstillinger.
StartupValidator er en AI-verktøy designet for å validerer startup-ideer ved hjelp av levende Twitter-signaler og nettets forskning. Målet er å tilby en rangeret verdikt på startup-ideens gjennomførbarhet, med fokus på risikoer, styrker, og foreslå mulige omføring. Dette verktøyet ser ut til å være rettet mot gründer og startup-eksperter som søker å vurder om det er mulig å gjennomføre sin idé før å investere store ressurser. Ved hjelp av reelle tidssvake data fra Twitter og nettet, tilbyr StartupValidator et data-drevet tilnærming til startup-validering. Imidlertid er verdiktet på verktøiets tillit og nøyaktighet usikker, i mangel på mer spesifik informasjon om metodikk og datakilder. Dette verktøyet sannsynligvis integrerer med Twitters API og muligens andre nettdatakilder for å samle på relevante informasjon.
Kriteriumfordeling
- Analyse av levende Twitter-utsendinger
- Integrering av webresearch
- Scoret verdikt på startup-aktivitetens mulighet
- Identifisering av risikoer og styrker
- Foreslåtte omstillinger for forbedring
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
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
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