Tidigare batalj · 2025-03-28 UTC
Research AI Agents Uppgörelse — 28 mars 2025
Från kategorin Research AI Agents. 12 markeringar placerade över 5 kämpar. Cell2Sentence tog kronan.
Slutställning
Uppställningen
Kämparna
Profiler av varje verktyg som tävlade i den här bataljen, rankade efter sin slutpoäng.
Cell2Sentence
Öppen källkod-ramverk som omvandlar enkelcellars genuttryck till 'cellmeningar' så att LLMs kan analysera och generera biologiska insikter.
Cell2Sentence är ett open-source-ramverk som omvandlar enstaka cellers genuttrycksdata till "cellmeningar" för analys och insiktsgenerering av Large Language Models (LLMs). Det föreslår en rankeringsomvandling av uttrycksvektorer till cellmeningar, vilka består av gener som är mellanslagsskilta och ordnade efter fallande uttrycksnivå. Detta gör det möjligt för LLMs att nativt modellera single-cell RNA sequencing (scRNA-seq)-data med hjälp av naturligt språk. Ramverket inkluderar C2S-Scale-modellerna, vilka förenar transcriptomisk och textuell data och möjliggör avancerade single-cell-uppgifter som perturbationsförutsägelse, dataset-sammanfattning, kluster-beskrivning och biologiska fråge-svar. C2S-Scale-modellerna finns tillgängliga på Hugging Face och bygger på arkitekturer som Pythia och Gemma-2. Cell2Sentence riktar sig till forskare och vetenskapsmän som arbetar med single-cell transcriptomisk data. Ramverket har uppdaterats med nya modeller och funktioner, inklusive stöd för finjustering på anpassade promptmallar samt formatering av prompts för flera celler. Det innehåller även en samling Pythia-modeller för celltypsprediktion, celltypsvillkorad generation och en mångsidig multi-cell multi-task-modell tränad på över 57 miljoner mänskliga och musceller. Cell2Sentence-ramverket är dokumenterat och har handledningar för användning, inklusive exempel på finjustering och multi-cell prompt-formattering. Utvecklingen av Cell2Sentence involverar van Dijk Lab och har publicerats i ett preprint på bioRxiv. Cell2Sentence möjliggör nästa generations upptäckt av enstaka celler med LLMs.
Radbrytning av kriterier
- Omvandling av uttrycksvektorer till cellmeningar
- C2S-Scale-modeller för avancerade enkelcellsuppgifter
- Stöd för finjustering på anpassade prompt-mallar
- Format av multi-cell prompts
- Förtränade modeller baserade på Pythia- och Gemma-2-arkitekturer
AlphaSense
En AI‑driven marknadsintelligensplattform som autonomt samlar expertrådgivning och levererar forskningsresultat på analytikernivå i stor skala.
AlphaSense är en AI‑driven plattform för marknadsintelligens som levererar pålitliga insikter för att vägleda affärsbeslut. Den erbjuder en omfattande samling av kuraterade källor, inklusive Tegus experttranskript, broker research och företagsdokument. Plattformen använder avancerade AI‑modeller för att generera högkvalitativa insikter med citeringar på meningsnivå. AlphaSense integrerar arbetsflöden, eliminerar fragmenterade källor och ger strömlinjeformade, sammankopplade insikter. Dess GenAI‑funktioner ger realtidsinsikter som förankrar besluten i pålitlig expertis. Plattformen är avsedd för investment banking, hedgefonder, private equity, kapitalförvaltning, konsultverksamhet, life sciences och andra branscher. AlphaSense särskiljer sig genom sina starkt syntetiserade insikter, som är framtagna från en oöverträffad datamängd. Plattformen har också anpassningsbara agenter för att automatisera återkommande forskningsuppgifter, och omvandlar fynd till chefsfärdiga rapporter och presentationer. Dess Generative Search ger en 360-graders vy av marknader och företag, och kopplar kvalitativa insikter till strukturerad finansiell data. En av AlphaSenses nyckelstyrkor är förmågan att ge användare möjlighet att fatta djärva beslut med självförtroende och snabbhet. Plattformen ger teamen de precisa svaren, unika perspektiven och kritiska uppdateringarna de behöver för att ligga steget före konkurrensen.
Radbrytning av kriterier
- Kuraterade källor
- Tegus expertutskrifter
- Mäklarforskning
- Företagsinlämningar
- Privata och offentliga finansiella data
- GenAI för realtidsinsikter
AMIE
En multimodal AI-diagnostisk agent som genomför kliniska samtal och tolkar medicinska bilder för att ge korrekta diagnoser.
AMIE (Articulate Medical Intelligence Explorer) är en forskningsbaserad AI-diagnostisk agent utvecklad av Google DeepMind och Google Research. Den är utformad för att genomföra kliniska samtal och tolka medicinska bilder för korrekta diagnoser. Ursprungligen var AMIE en textbaserad medicinsk diagnostisk konversationell AI-agent som publicerades i Nature. Den senaste utvecklingen, multimodala AMIE, integrerar förmågan att intelligenta begära, tolka och resonera kring visuella medicinska uppgifter under kliniska samtal. Denna utveckling syftar till att förbättra diagnostisk noggrannhet genom att införliva multimodala data, såsom bilder och dokument, i den diagnostiska processen. AMIE använder ett tillståndsmedvetet resonansramverk och bygger på multimodala Gemini-modeller. Den har utvärderats genom expertbedömningar, inklusive Objective Structured Clinical Examinations (OSCEs), där dess prestanda jämfördes med primärvårdsläkare (PCP) i olika patientscenarier.
Radbrytning av kriterier
- Multimodalt diagnostiskt samtal
- Visuell tolkning av medicinsk information
- Tillståndsmedveten resonemangsram
- Integration med Gemini-modeller
- Simuleringsmiljö för dialogutvärdering
Autoresearch
Ett öppen källkodsprojekt som låter AI-agenter köra LLM-träningsexperiment autonomt och behålla de bästa modellförändringarna.
Autoresearch är ett öppen källkodsprojekt som gör det möjligt för AI-agenter att självständigt köra LLM-träningsexperiment och behålla de bästa modelländringarna. Projektet gör det möjligt för användare att sätta upp en liten men riktig LLM-träningsmiljö och låta en AI-agent experimentera med den över natten, ändra koden, träna under kort tid och kontrollera om resultaten förbättras. Målet är att automatisera forskningsprocessen genom att låta AI-agenten utforska olika modellarkitekturer, hyperparametrar och optimeringsstrategier utan mänsklig inblandning. Projektet innehåller en förenklad single‑GPU-implementation av nanochat och erbjuder en grundläggande struktur för att programmera AI-agentens forskningsprocess med Markdown-filer. Projektet är utformat för att vara utökningsbart, så att användare kan lägga till fler agenter och förbättra forskningsprocessen över tid.
Radbrytning av kriterier
- Autonoma LLM-träningsexperiment
- Forskning driven av AI-agenter
- Enkel-GPU-implementation av nanochat
- Markdown-baserad programmering för forskningsprocessen
- 5-minuters träningsbudget med utvärderingsmetrik (val_bpb)
Google AI Co-Scientist
Ett molntjänstbaserat AI-system som samarbetar med vetenskapsmän för att generera hypoteser och förhårdna sjukhusforskning.
Google AI Co-vetenskapsman är ett komplext AI-system designat för att samarbeta med forskare och åstadkomma förbättringar i den biomedicinska forskningen. Systemet bygger för fullt på Gemini 2.0 och fungerar som en virtuell vetenskaplig samarbetspartner för att hjälpa till att generera nyckelhypoteser och forskningsförslag. Målet är att systemet skall spegla den logik som ligger bakom vetenskaplig metod och upptäcka nya, originella kunskaper. Med en forskares undersökningsmål specificerat i naturlig språk, skapar AI Co-vetenskapsmannen nyttiga forskningshypoteser, detaljerade forskningsöversikter samt experimentalprotokoll. Det använder sig av en kohort av specialiserade agenter, inklusive Generation, Reflection, Ranking, Evolution, Proximity samt Meta-review, vilka använder sig automatisk feedback för att iterativt generera, värdera och förfina hypoteserna. Systemet möjliggör för forskare att interagera med det på olika sätt, inklusive att förmedla sångseed-hanterande idékällor för utforskning eller feedback på genererade utgångar på naturlig språk. AI Co-vetenskapsmannen använder sig även av verktyg såsom web-sök och specialiserade AI-modeller för att förbättra grunden och kvaliteten av genererade hypoteser. Systemet är designat för att flexibelt skal och successivt förbättra sin vetenskapliga logik mot specifiserat undersökningsmål. AI Co-Vetaren är särskilt användbar för vetare som möter utmaningar vid navigeringen av den snabba tillväxten av vetenskapliga publikationer och integrering av inblickar från okända domäner. Genom att utnyttja senaste AI-framstegen, inklusive förmågan att syntetisera över komplexa ämnen och utföra långsiktig planering och resonemang, syftar AI Co-Vetaren till att öka hastigheten på vetenskapliga och biomedicinska upptäckter. Systemet har testats i olika tillämpningar, inklusive upptäckt av gentransfer och återupptäckt av gentransfer. Även om AI Co-Scientisten presenterar flera fördelar beror dess effektivitet på den inkommande forskningsmålets kvalitet samt forskarens möjligheter att ge betydelsefulla återkopplingar. AI Co-Vetaren är en ny verktyg som har potential att på ett signifikant sätt påverka vetenskapsgemenskapen, men dess begränsningar och potentiella fördomar måste noggrant utvärderas. Utvecklingen av AI Co-Sångivaren är en pågående insats, och dess framtida tillämpningar och förbättringar kommer att beror på fortsatt forskning och testning.
Radbrytning av kriterier
- Hypotesgenerering
- Forskningsöversiktsskapande
- Experimentell protokollsutveckling
- Specialiserade agenter för vetenskaplig resonemang
- Automatiserad återkoppling
- Webb-sökning integration