Tidligere kamp · 2023-12-16 UTC
Research AI Agents Oppgjør — 16. desember 2023
Fra kategorien Research AI Agents. 33 merker plassert på tvers av 10 kjempere. Atelier Ruixen tok kronen.
Endelige plasseringer
Oppstillingen
Kjemperne
Profiler av hvert verktøy som konkurrerte i denne kampen, rangert etter sin endelige poengsum.
Atelier Ruixen
AI-kunnskapsassistent som forfiner spørsmål og kuraterer leselister for å omdanne spredt informasjon til handlingsrettede innsikter.
Atelier Ruixen er en plattform som hjelper brukere med å forfina spørsmålene sine og kuratere leselister for å forvandle spredt informasjon til handlingsrettede innsikter. Den tilbyr et omfattende kunnskapsarkiv som er vevd av 11 897 tråder inn i 1 063 distinkte kognitive tråder. Disse trådene er produktet av ‘Masters’ som bruker mønsterfortsettelse for å kristallisere kompleks informasjon til forståelige formater. Plattformen er ikke en form for dokumentasjon som Wikipedia, men snarere en kurert samling av kunnskap presentert i et unikt og mønsterbasert format. Den kombinerer visdommen fra tidligere kunnskap med kraften fra fremtidig intelligens. Brukere kan interagere med plattformen via et samtalegrensesnitt, der de kan stille spørsmål og motta kuraterte leselister i svar. Alt i alt har Atelier Ruixen som mål å gi brukerne et kraftig verktøy for å hente handlingsrettede innsikter fra kompleks informasjon.
Kriteriumfordeling
- Forfinet spørsmålsstilling
- Kuraterte leselister
- Mønsterbasert format for presentasjon av komplekse opplysninger
- Samtaleforgrensesnitt
- Kunnskapsøkosystem
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
Company Status Agent
Verificer massegittet straks og aktive statuser på verdens offisielle registre.
Company Status Agent er et AI-drevet verifikasjonstool som kontrollerer om en bedrift offisielt er registrert og i dag aktiv. Det sender forespørsler til pålitelige regnskaps- og korporative registre over hele verden, og returnerer en tydelig statusrapport i sekunder i stedet for å kreve manuell søkering over flere jurisdiksjoner. Verktøyet er designet for å støtte arbeid med granskninger før kontrakts undertegning, åpning av konti samt utvidelse av kreditt, for å forhindre eksponering for bedrageri og virksomheter uten virkelig eksistens. Gjennom automatisering av registreringskontroller, forenkler det KYB (Vit din virksomhet-process) og gir profesjonelle en fast måte å bekrefte rettslige forhold over grenser.
Kriteriumfordeling
- Kraftforbedret registerlek
- Verdens omfangende dekning av domenier
- Aktiv vs. inaktiv statuskontroller
- Virksomhetsidentifikasjon
- Kommplemssels- og påloggingstøtte
- Rask på forespørselrapporter
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
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
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
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
ResearchClaw
OpenClaw-drevet agent som finner og rangerer forskere fra artikler, skriver enkle engelske ansettelsesartikler, og utarbeider kalde e-poster som refererer til deres arbeid.
ResearchClaw er en AI-drevet verktøy som er utviklet for å hjelpe til med å identifisere og kontakte forskere. Det bruger OpenClaw-teknologi til å finne og rangere forskere basert på deres publiserte artikler. Verktøyet genererer enkle engelske resumé over forskeren's arbeid, som kan brukes til å skape ansatt-teser og andre tekst. I tillegg sender ResearchClaw ut forespørsel om åpenhet (cold emails) som refererer til forskeren’s arbete, slik at det kan fremme initial kontakt. Verktøyet skal streame prosessen av å finne og kobles til potensielle kandidater til forskningsstillinger. Ved å automatisere oppdagelse og kontaktprosessen, besparer ResearchClaw tid og anstrengelser for disse involvert i ansatte forskere. Verktoyets egenskaper kan være nyttige for institusjoner, organisasjoner og bedrifter som søker å rekruttere forskere. ResearchClaws funksjoner kan enkle tilgangen til hverdensrekursprosessen, men dens effektivitet kan avhenge av kvaliteten på data det er trent på og den spesifikke behovene for brukeren. Verktoyets evne til å sende ut forespørsel (email) og sammendrag (teser) kan også ses på som både tidsbesparende og en potensial begrænsning, da personlige berøringer og detaljer kan bli tapt. Som med andre AI-påvirkede verktøy, kan det være begrænsinger i dens oppfatning og representasjon av komplekse forskningssaker. I alt har ResearchClaw mulighet for å være et verdifuldt verktøy for dem som søker å identifisere og kobles til forskere, men dens begrænsninger bør overveies når du bruker verktøyet.
Kriteriumfordeling
- Forskeridentifisering og rangering
- Generator av ansprekkelige ansøkningserklæringer på vanlig språk
- Draft av kalde e-poster
- Integrering av OpenClaw-teknologi
- Automatiserte outreach-funksjoner
- Sammendrag av forskerarbeid
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.
OpenAI Deep Research
Autonom AI-agent som utfører flersteg webforsking og leverer strukturerte rapporter
OpenAI Deep Research er en agentbasert funksjon i ChatGPT som surfer på nettet for din del, leser og syntetiserer informasjon fra mange kilder for å produsere en lengre, sitert rapport. I stedet for et enkelt, raskt svar, planlegger den en forskningssti, følger lenker, sammenligner funn og itererer i flere minutter for å håndtere spørsmål som normalt ville kreve at en menneskelig bruker bruker timer med graving. Det er rettet mot oppgaver som konkurranseanalyse, markeds- og akademisk forskning, due diligence og detaljerte produkt- eller policy-sammenligninger. Brukere sender inn en prompt, svarer eventuelt på avklaringsspørsmål, og mottar en skriftlig rapport med inline‑citater de kan verifisere. Verktøyet er tilgjengelig for betalende ChatGPT‑brukere med brukslimitt som varierer etter plannivå.
Kriteriumfordeling
- Autonom flersteg nettlesning
- Langformede rapporter med innebygde sitater
- Avklaringsspørsmål før forskningen starter
- Resonerende over tekst, bilder og PDF-er
- Oppdateringer om fremdrift under forskningskjøringer
- Eksporterbare resultater innen ChatGPT