ArtikelJuraj Gottweis et al.Forschung
Wissenschaftliche Entdeckungen scheitern oft an der Kluft zwischen tiefem Spezialwissen und disziplinübergreifenden Zusammenhängen. Co-Scientist zeigt, wie LLM-basierte Multi-Agenten-Systeme durch skalierte Inferenzzeit eigenständig fundierte, experimentell überprüfbare Hypothesen aufstellen können, anstatt nur reine Literaturzusammenfassungen zu liefern.
Die Arbeit illustriert einen deutlichen Trend in der KI-Forschung: Weg vom reinen Single-Prompt-Modell hin zu komplexen Verbundsystemen (Compound AI Systems), die Reasoning durch Self-Play, Debatten und iterative Filterung nachbilden. Bemerkenswert ist die Kopplung des Tournament-Verfahrens mit experimenteller Laborvalidierung: Die von Co-Scientist vorgeschlagenen Wirkstoffkandidaten für AML und Fibrose-Targets erwiesen sich in echten In-vitro-Tests als wirksam. Das unterstreicht das Potenzial von Agenten-Architekturen zur Beschleunigung teurer F&E-Zyklen in Medizin und Naturwissenschaften.
Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.
Inhaltlich ähnlich, ermittelt über die KI-Suche.
Artikel:Kai Zheng
Ein Forschungsteam an der Stanford University um James Zou hat das 'Virtual Lab' entwickelt, ein Multi-Agenten-System, das wissenschaftliche Forschungsprozesse weitgehend autonom durchführt. Spezialisierte KI-Agenten übernehmen dabei Rollen wie Projektleitung, Fachforschung und Kritik, um biomedizinische Entdeckungen und Krebsforschungen massiv zu beschleunigen.
Repository:zou-group/virtual-lab
Das Open-Source-Projekt Virtual Lab ermöglicht die Zusammenarbeit zwischen menschlichen Forschern und spezialisierten LLM-Agenten. Die Interaktion erfolgt strukturiert über Team- und Einzelsitzungen, um komplexe wissenschaftliche Fragestellungen zu bearbeiten.
729SterneJupyter Notebook
Artikel:Jiaqi Liu et al.
Ein Forschungsteam um Jiaqi Liu stellt AutoResearchClaw vor, eine autonome Forschungspipeline auf Basis kooperierender Agenten. Das System bricht mit linearen Ausführungsmodellen und setzt auf iterative Fehlerkorrektur, überprüfbare Resultate sowie anpassbare menschliche Eingriffe. Im Benchmark ARC-Bench schlägt es vergleichbare Ansätze wie AI Scientist v2 deutlich.
Link:Discovery Loop
Jeff Dean, Sanjay Ghemawat, Quoc Le und Oriol Vinyals haben Discovery Loop vorgestellt. Das Unternehmen will wissenschaftliche Experimentierzyklen mithilfe von Frontier-KI und verteilten Systemen automatisieren, beginnend bei der ML-Forschung selbst.
Link:deep-reinforce.com
Mit Ornith-1.0 erscheint eine Open-Source-Modellreihe für agentenbasierte Programmieraufgaben in Größen von 9B bis 397B Parametern. Durch ein neuartiges RL-Verfahren generieren die Modelle während des Trainings sowohl die Lösung als auch das unterstützende Task-Harness selbst.
Repository:sapientinc/PRAXIST
Praxist ist ein Python-basiertes System für automatisierte Forschung und Entwicklung in computergestützten Projekten. Statt isolierter Prompts steuert das Werkzeug parallele Recherche-Instanzen, kontinuierliche Evaluation und generationenübergreifende Synthese zur Lösungsfindung.
6846SternePython
Dieser Inhalt wurde teilweise mithilfe von KI erstellt.
