В исследовании представлена концептуальная платформа Symptio на базе многоагентных LLM, предназначенная для автоматизированного сбора структурированного анамнеза пациента до консультации с врачом. Система продемонстрировала высокую точность (F1 98.79%) при генерации анамнеза по медицинским фреймворкам (SOCRATES, SAMPLE и др.) в 100 симулированных сценариях, подтвердив техническую возможность переноса рутинного сбора информации на досмотровый этап с обязательной валидацией врачом.
В статье исследуется влияние архитектуры системы и качества моделей на генерацию научных гипотез в биологии с использованием многоагентной системы на базе больших языковых моделей (LLM). Авторы протестировали гипотезу о том, что более мощная модель автоматически обеспечивает лучшее качество результатов, сравнивая модели Claude Sonnet 4.6 и Opus 4.8 в связке с пятью серверами Model Context Protocol, предоставляющими доступ к 66 внешним инструментам. Эксперименты показали, что при использовании идентичной «упряжки» (harness) — одинаковых промптов, схем и параметров — различия между моделями исчезли или даже оказались в пользу более дешевой Sonnet 4.6 (18.4 против 17.4 баллов в задаче инженерии клеточных линий CHO, p < 0.05). Ключевым выводом стало то, что доминирующим фактором качества является не уровень модели, а инженерия промптов и архитектура взаимодействия. Для решения этой проблемы авторы предлагают ABCD-Stack — методологию, включающую контрактно-ограниченные промпты, генерацию с приоритетом разнообразия, состязательное уточнение и кросс-семейную оценку. Данная архитектура смещает фокус на создание явно фальсифицируемых гипотез с причинно-следственным обоснованием, которые выходят за рамки компетенций одного исследователя. Хотя сгенерированные гипотезы конструктивно являются фальсифицируемыми, они пока не прошли экспериментальную валидацию, что указывает на перспективность метода для ускорения научных открытий в биотехнологиях.
В исследовании, опубликованном в Nature Machine Intelligence, рассматривается влияние многоагентного взаимодействия на эффективность больших языковых моделей (LLM). Авторы провели контролируемое исследование, протестировав 260 различных конфигураций агентов, чтобы определить границы полезности совместной работы ИИ. Результаты показывают, что по мере роста способностей отдельных моделей, традиционная стратегия коллаборации может начать снижать общую производительность вместо её повышения. В рамках работы была представлена новая прогностическая модель, которая способна с точностью 87% предсказывать оптимальную архитектуру взаимодействия для новых конфигураций в рамках того же домена. Данное исследование имеет важное значение для разработки сложных систем ИИ, позволяя оптимизировать архитектуру агентов и избегать избыточных вычислительных затрат при использовании мультиагентных систем.
Исследование посвящено анализу многоагентных систем на базе больших языковых моделей (LLM) в контексте цифрового здравоохранения. Авторы предлагают фреймворк HAMAgent, который использует обратную связь от человека (human-in-the-loop) для улучшения распознавания эмоций и понимания поведения человека.
Исследование представляет EcoXAI — инновационную модульную многоагентную систему, разработанную для преодоления сложностей при анализе гетерогенных биомедицинских данных и графов знаний. В отличие от традиционных монолитных LLM-интерфейсов, EcoXAI использует контейнеризированную архитектуру специализированных биоинформатических агентов, что минимизирует риск галлюцинаций и обеспечивает проверяемость каждого этапа анализа. Методология системы базируется на интеграции современных методов управления агентами (agentic management) и явном использовании графов знаний для обоснования выводов. В ходе практического применения системы для поиска новых мишеней при болезни Альцгеймера, EcoXAI проанализировала 103 потенциальных лекарственных препарата. В результате было выявлено 79 новых кандидатов, чьи прогнозные модели превзошли случайный базовый уровень. Одним из ключевых успехов стало обнаружение антагониста CCR5 — препарата Маравирок, гипотеза о применении которого была впоследствии подтверждена научной литературой. Данная разработка значительно ускоряет процесс формирования гипотез в трансляционных исследованиях, снижая вычислительный порог для клиницистов.
