Research AI Agents Pojedynek — 28 marca 2025

1

Cell2Sentence

Otwartoźródłowy framework, który zamienia ekspresję genów pojedynczych komórek w ‘zdania komórkowe’, pozwalając LLM-om na analizę i generowanie wniosków biologicznych.

4.3 (4)

Bezpłatne

Pełna recenzja

Cell2Sentence to otwarty framework, który przerabia pojedyncze dane wyrażenia genów na 'zdania komórek' w celu analizy i generowania wglądu przez Duże Modele Językowe (LLMs). Zaproponował on w kolejności zrębkowanie wektorów ekspresji do zdania komórkowego, składające się z nazw genów podane w spacjach, które są zakresowo ustalone w opadaniu ekspresji. To pozwala LLM-om natywnie modelować pojedyncze dane sekwencji RNA (scRNA-seq) za pomocą naturalnego języka. Framework zawiera model C2S-Scale, który scalą mechanizmy transkryptomiki i danych tekstowych i czyni dostępne zaawansowane zadania pojedynczych komórek, takie jak predykcja perturbacji, podsumowanie danych, opisowanie klastrów i odpowiedzi na pytania biologiczne. Modele C2S-Scale są dostępne na Hugging Face i powstają na architekturach jak Pythia i Gemma-2. Cell2Sentence został stworzony głównie dla badaczy i naukowców zajmujących się danymi transkryptomiki pojedynczych komórek. Framework został zaktualizowany za pomocą nowych modeli oraz funkcji, w tym wsparcia dla fine-tuning w określonych szablonach instrukcji i formacji promt wielocelutowej. Zawiera również zestaw modeli Pythia dla predykcji typu komórki, generowania z warunkiem typu komórki, oraz różnorodny model wielocelutowo-czarowany, który został przeszkolony na 57 milionach komórek ludzkich i mysich. Framwork Cell2Sentence jest udokumentowany i zawiera instrukcje użytkowe, w tym przykłady fine-tuningu oraz formowania promtów wielocellowych. Podczas rozwoju Cell2Sentence są zaangażowani Laboratorium van Dijk'a i publikacja została opublikowana w preprint na bioRxiv. Cell2Sentence umożliwia przełomową odkrywkę pojedynczych komórek za pomocą modeli LLM.

• Transformacja wektorów ekspresji w zdania komórkowe
• Modele C2S-Scale dla zaawansowanych zadań na pojedynczych komórkach
• Wsparcie dla dostrajania na własnych szablonach promptów
• Formatowanie promptów dla wielu komórek
• Modele wstępnie wytrenowane oparte na architekturach Pythia i Gemma‑2

2

AlphaSense

Platforma wywiadu rynkowego zasilana sztuczną inteligencją, która samodzielnie gromadzi ekspertyzy i dostarcza badania na poziomie analityka w dużej skali.

4.4 (5)

Kontakt

Pełna recenzja

AlphaSense to platforma wywiadu rynkowego oparta na sztucznej inteligencji, która dostarcza wiarygodne informacje do kierowania decyzjami biznesowymi. Oferta obejmuje szeroką kolekcję źródeł sprawdzonych, w tym Tegus expert transcripts, badaniach brokerów i plikach firmowych. Platforma wykorzystuje zaawansowane modele AI do generowania wysokiej jakości informacji z cytacjami na poziomie zdania. AlphaSense łączy w sobie przepływy robocze, eliminując źródła fragmentaryczne i dostarczając zorientowane wraz ze źródłami informacje. Jego GenAI umożliwia pozyskiwanie informacji w czasie rzeczywistym, umieszczając decyzje na podłożu wiarygodnej wiedzy. Platforma jest zoptymalizowana dla bankowości inwestycyjnej, funduszy hedge, prywatnych funduszy, zarządzania aktywami, doradztwa, nauk o życiu oraz innych branż. AlphaSense odróżnia się swoimi wysoce syntezowanymi wglądami, syntezowanymi z niezrównanej zestawy treści. Platforma zawiera również personalizowalne agentów do automatyzacji powtarzalnych zadań badawczych, przerabiając wyniki w gotowe raporty dla zarządów i arkusze prezentacyjne. Jej Generative Search zapewnia 360-stopniowy widok rynków i firm, łącząc jakościowe wglądy z strukturą danych finansowych. Jednym z głównych atutów AlphaSense'a jest jego zdolność do umożliwienia użytkownikom podejmowanie odważnych decyzji z pewnością i sprawnością. Platforma dostarcza zespołom dokładne odpowiedzi, unikalne perspektywy oraz ważne aktualizacje, które potrzebują, aby pozostać przed wizerunkiem konkurencji.

• Kuratorowane źródła
• Transkrypcje ekspertów Tegus
• Badania brokerów
• Złożone dokumenty firmowe
• Prywatne i publiczne dane finansowe
• GenAI dla wniosków w czasie rzeczywistym

3

AMIE

Wielomodalny agent AI diagnostyczny, który prowadzi konwersacje kliniczne i interpretuje obrazy medyczne w celu dokładnych diagnoz.

4.7 (6)

Bezpłatne

Pełna recenzja

AMIE (Articulate Medical Intelligence Explorer) to badawcze narzędzie AI diagnostyczne stworzone przez Google DeepMind i Google Research. Jest zaprojektowane do prowadzenia konwersacji klinicznych oraz interpretacji obrazów medycznych w celu precyzyjnych diagnoz. Początkowo AMIE był oparty na tekstowym AI diagnostycznym konwersacyjnym publikowanym w czasopiśmie Nature. Najnowsze udoskonalenie, wielomodalny AMIE, integruje zdolność inteligentnego żądania, interpretacji i rozumienia informacji wizualnych podczas konwersacji klinicznych. Rozwój ma na celu zwiększenie dokładności diagnoz poprzez uwzględnienie danych wielomodalnych, takich jak obrazy i dokumenty, w procesie diagnostycznym. AMIE korzysta ze struktury rozumowania zorientowanej na stan (state-aware reasoning) i opiera się na wielomodalnych modelach Gemini. Był oceniany przez ekspertów, w tym w ramach Objective Structured Clinical Examinations (OSCE), porównując jego wydajność do lekarzy pierwszego kontaktu (PCP) w różnych scenariuszach pacjentów.

• Wielomodalny dialog diagnostyczny
• Interpretacja wizualnych informacji medycznych
• Framework rozumowania zorientowanego na stan
• Integracja z modelami Gemini
• Środowisko symulacyjne do oceny dialogu

4

Autoresearch

Projekt open-source, który pozwala agentom AI autonomicznie przeprowadzać eksperymenty treningowe LLM i zachowywać najlepsze zmiany modeli.

4.8 (5)

Bezpłatne

Pełna recenzja

Autoresearch to projekt open-source, który umożliwia agentom AI autonomiczne przeprowadzanie eksperymentów treningowych LLM oraz zachowywanie najlepszych zmian modeli. Projekt pozwala użytkownikom skonfigurować małe, ale autentyczne środowisko treningowe LLM i zostawić agenta AI do eksperymentowania z nim przez noc, modyfikując kod, trenując krótko i sprawdzając, czy wyniki się poprawiają. Celem jest automatyzacja procesu badawczego, pozwalając agentowi AI eksplorować różne architektury modeli, hiperparametry i strategie optymalizacji bez ingerencji człowieka. Projekt zawiera uproszczoną implementację nanochat na pojedynczym GPU oraz udostępnia podstawową strukturę do programowania procesu badawczego agenta przy użyciu plików Markdown. Projekt jest zaprojektowany jako rozszerzalny, umożliwiając użytkownikom dodawanie kolejnych agentów i ulepszanie procesu badawczego z czasem.

• Autonomiczne eksperymenty treningowe LLM
• Proces badawczy prowadzony przez agenta AI
• Implementacja nanochat na pojedynczym GPU
• Programowanie procesu badawczego oparte na Markdown
• 5‑minutowy budżet czasu treningu z metryką oceny (val_bpb)

5

Google AI Co-Scientist

Wielooagentowy system AI współpracujący z naukowcami w generowaniu hipotez i przyspieszaniu badań biomedycznych.

4.5 (4)

Bezpłatne

Pełna recenzja

Google AI Co-Scientist to wielooagentowy system AI zaprojektowany do współpracy z naukowcami i przyspieszania badań biomedycznych. Zbudowany w oparciu o Gemini 2.0, działa jako wirtualny współpracownik naukowy, pomagając generować nowe hipotezy i propozycje badań. System ma odzwierciedlać proces rozumowania leżący u podstaw metody naukowej i odkrywać nową, oryginalną wiedzę. Na podstawie celu badawczego określonego w języku naturalnym, AI Co-Scientist generuje nowe hipotezy badawcze, szczegółowy przegląd badań oraz protokoły eksperymentalne. Wykorzystuje koalicję wyspecjalizowanych agentów, w tym Generation, Reflection, Ranking, Evolution, Proximity i Meta-review, które przy użyciu zautomatyzowanego sprzężenia zwrotnego iteracyjnie generują, oceniają i udoskonalają hipotezy. System umożliwia naukowcom interakcję na różne sposoby, w tym podawanie pomysłów wyjściowych do eksploracji lub udzielanie informacji zwrotnej w języku naturalnym. AI Co-Scientist korzysta także z narzędzi takich jak web‑search i specjalistyczne modele AI, aby zwiększyć wiarygodność i jakość generowanych hipotez. System jest zaprojektowany tak, aby elastycznie skalować moc obliczeniową i iteracyjnie poprawiać swoje rozumowanie naukowe w kierunku określonego celu badawczego. AI Co-Scientist jest szczególnie przydatny dla naukowców, którzy mają trudności w poruszaniu się po szybkim wzroście liczby publikacji naukowych oraz integrowaniu wiedzy z nieznanych dziedzin. Wykorzystując najnowsze osiągnięcia AI, w tym zdolność do syntezy w złożonych tematach oraz planowania i rozumowania długoterminowego, AI Co-Scientist ma przyspieszyć tempo odkryć naukowych i biomedycznych. System testowano w różnych zastosowaniach, w tym w odkrywaniu i ponownym odkrywaniu transferu genów. Choć AI Co-Scientist oferuje wiele korzyści, jego skuteczność zależy od jakości wprowadzonego celu badawczego oraz od zdolności naukowca do dostarczania znaczącej informacji zwrotnej. AI Co-Scientist jest nowym narzędziem, które może mieć znaczący wpływ na społeczność naukową, ale jego ograniczenia i potencjalne uprzedzenia muszą być dokładnie ocenione. Rozwój AI Co-Scientist jest procesem ciągłym, a przyszłe zastosowania i ulepszenia będą zależały od dalszych badań i testów.

• Generowanie hipotez
• Tworzenie przeglądu badań
• Opracowywanie protokołów eksperymentalnych
• Specjalistyczne agenty do rozumowania naukowego
• Automatyczna pętla sprzężenia zwrotnego
• Integracja wyszukiwania w sieci