論文の概要: BloClaw: An Omniscient, Multi-Modal Agentic Workspace for Next-Generation Scientific Discovery

• arxiv url: http://arxiv.org/abs/2604.00550v1
• Date: Wed, 01 Apr 2026 06:47:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.879867
• Title: BloClaw: An Omniscient, Multi-Modal Agentic Workspace for Next-Generation Scientific Discovery
• Title（参考訳）: BloClaw:次世代科学発見のためのマルチモーダルなエージェントワークスペース
• Authors: Yao Qin, Yangyang Yan, Jinhua Pang, Xiaoming Zhang,
• Abstract要約: BloClawはAI4S(Artificial Intelligence for Science)用に設計された統合オペレーティングシステムである。 我々はBloClaw across cheminformatics (RDKit), de novo 3D protein folding via ESM, molecular docking, and autonomous Retrieval-Plotmented Generation (RAG)をベンチマークした。 オープンソースリポジトリはhttps://github.com/qinheming/BloClawで公開されている。
• 参考スコア（独自算出の注目度）: 7.409685482433176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of Large Language Models (LLMs) into life sciences has catalyzed the development of "AI Scientists." However, translating these theoretical capabilities into deployment-ready research environments exposes profound infrastructural vulnerabilities. Current frameworks are bottlenecked by fragile JSON-based tool-calling protocols, easily disrupted execution sandboxes that lose graphical outputs, and rigid conversational interfaces inherently ill-suited for high-dimensional scientific data.We introduce BloClaw, a unified, multi-modal operating system designed for Artificial Intelligence for Science (AI4S). BloClaw reconstructs the Agent-Computer Interaction (ACI) paradigm through three architectural innovations: (1) An XML-Regex Dual-Track Routing Protocol that statistically eliminates serialization failures (0.2% error rate vs. 17.6% in JSON); (2) A Runtime State Interception Sandbox that utilizes Python monkey-patching to autonomously capture and compile dynamic data visualizations (Plotly/Matplotlib), circumventing browser CORS policies; and (3) A State-Driven Dynamic Viewport UI that morphs seamlessly between a minimalist command deck and an interactive spatial rendering engine. We comprehensively benchmark BloClaw across cheminformatics (RDKit), de novo 3D protein folding via ESMFold, molecular docking, and autonomous Retrieval-Augmented Generation (RAG), establishing a highly robust, self-evolving paradigm for computational research assistants. The open-source repository is available at https://github.com/qinheming/BloClaw.
• Abstract（参考訳）: 大型言語モデル(LLM)の生命科学への統合は「AI科学者」の発展を触媒している。 しかし、これらの理論能力をデプロイ可能な研究環境に翻訳すると、重大なインフラ上の脆弱性が明らかになる。 現在のフレームワークは、脆弱なJSONベースのツールコールプロトコル、グラフィカルな出力を失う実行サンドボックスの破壊、高次元の科学的データに本質的に不適な堅固な会話インターフェースによってボトルネックを受けている。我々は、AI4S(Artificial Intelligence for Science)用に設計された統合されたマルチモーダルオペレーティングシステムであるBloClawを紹介した。 BloClawはACI(Agent-Computer Interaction)パラダイムを、3つのアーキテクチャ革新を通じて再構築している。(1) シリアライズ障害を統計的に排除するXML-Regex Dual-Track Routing Protocol(JSONで0.2%エラー率対17.6%)、(2) Pythonのサルパッチを利用して動的データ視覚化(Plotly/Matplotlib)を自律的にキャプチャしてコンパイルするRuntime State Interception Sandbox、3) ブラウザCORSポリシーの回避、(3) 最小限のコマンドデッキとインタラクティブなレンダリングエンジンの間でシームレスに変形するステート駆動動的ビューポートUI。 ケミノフォマティクス(RDKit)、ESMFoldによるde novo 3Dタンパク質の折り畳み、分子ドッキング、自律型レトリーバル拡張生成(RAG)を総合的にベンチマークし、計算研究アシスタントのための高度に堅牢で自己進化的なパラダイムを確立した。 オープンソースリポジトリはhttps://github.com/qinheming/BloClawで公開されている。

関連論文リスト

• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• From Agent-Only Social Networks to Autonomous Scientific Research: Lessons from OpenClaw and Moltbook, and the Architecture of ClawdLab and Beach.Science [0.0]
  OpenClawとMoltbookは2026年1月に、自律型AI-AIインタラクションの大規模なデータセットを作成した。 本研究は,その生態系の多言語文献レビューを行い,自律科学研究のための2つの補完的プラットフォームを提示する。
  論文  参考訳（メタデータ） (2026-02-23T13:10:01Z)
• Beyond Quantity: Trajectory Diversity Scaling for Code Agents [51.71414642763219]
  Trajectory Diversity Scalingは、コードエージェントのためのデータ合成フレームワークである。 TDScalingは、(1)実際のサービスの論理的依存関係をキャプチャするBusiness Clusterメカニズム、(2)軌道コヒーレンスを強制するブループリント駆動のマルチエージェントパラダイム、(3)ロングテールシナリオを指向する適応的な進化メカニズムの4つの革新を統合しています。
  論文  参考訳（メタデータ） (2026-02-03T07:43:03Z)
• AJAR: Adaptive Jailbreak Architecture for Red-teaming [1.356919241968803]
  AJARは概念実証フレームワークであり、"赤チーム"と"アクションセキュリティ"のギャップを埋めるように設計されている。 AJARは実行ループから逆ロジックを分離し、X-Teamingのような最先端のアルゴリズムを標準化されたプラグイン・アンド・プレイサービスとしてカプセル化する。 AJARは、この出現する攻撃面の標準化された環境対応評価を容易にするために、オープンソース化されている。
  論文  参考訳（メタデータ） (2026-01-16T03:30:40Z)
• Generalizable Geometric Prior and Recurrent Spiking Feature Learning for Humanoid Robot Manipulation [90.90219129619344]
  本稿では,スパイキング機能を備えたR-prior-S, Recurrent Geometric-priormodal Policyを提案する。 物理的現実の高レベル推論を基礎として、軽量な2次元幾何学的帰納バイアスを利用する。 ロボット行動生成におけるデータ効率問題に対して,再帰的適応スパイクネットワークを導入する。
  論文  参考訳（メタデータ） (2026-01-13T23:36:30Z)
• Seismology modeling agent: A smart assistant for geophysical researchers [14.28965530601497]
  本稿では,Large Language Models (LLM) を利用したインテリジェントな対話型ワークフローを提案する。 SPECFEMのための最初のモデルコンテキストプロトコル(MCP)サーバスイートを紹介する。 このフレームワークは、完全な自動実行とHuman-in-the-loopコラボレーションの両方をサポートする。
  論文  参考訳（メタデータ） (2025-12-16T14:18:26Z)
• OTOv3: Automatic Architecture-Agnostic Neural Network Training and Compression from Structured Pruning to Erasing Operators [57.145175475579315]
  このトピックは、構造化プルーニングからニューラルアーキテクチャサーチまで、さまざまなテクニックにまたがっている。 第3世代のOTOv3(Noth-Train-Once)を導入する。 我々は,構造化プルーニングとニューラルアーキテクチャ探索におけるOTOv3の有効性を実証した。
  論文  参考訳（メタデータ） (2023-12-15T00:22:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。