論文の概要: EMBL AI Librarian: Life-Sciences Knowledge Layer for AI Agents

• arxiv url: http://arxiv.org/abs/2607.28229v1
• Date: Thu, 30 Jul 2026 14:00:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.583423
• Title: EMBL AI Librarian: Life-Sciences Knowledge Layer for AI Agents
• Title（参考訳）: EMBL AIライブラリアン:AIエージェントのためのライフサイエンス知識レイヤ
• Abstract要約: EMBL AI Librarianは、欧州のPMCインターフェースをAIエージェントにアップグレードする知識層である。 単一のLLMは知識検索プロセス全体をオーケストレーションする。 文献合成,クレーム検証,オープンドメイン質問応答,下流生物学タスクの4つのベンチマークで評価した。
• 参考スコア（独自算出の注目度）: 7.463202270869206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The web is increasingly accessed by AI agents rather than humans. Every agent needs knowledge, especially in the life-sciences, where agentic pipelines are growing fast. Access to the literature is a crucial part of that need, and resources such as Europe PMC, with over 40M indexed records, are widely used to meet it. Yet these resources were not built for AI agents: they take keywords and complex syntax and return whole papers, so every agent must learn the syntax, issue several searches, and read full papers to find the evidence it needs. We introduce EMBL AI Librarian, a knowledge layer that upgrades the Europe PMC interface for AI agents: an agent asks in natural language and receives evidence that answers it. A single LLM orchestrates the whole knowledge retrieval process: it plans complementary subqueries executed by the live Europe PMC search engine, then reads the selected papers and locates the relevant evidence. We evaluate Librarian across four benchmarks: literature synthesis, claim verification, open-domain question answering, and downstream biology tasks such as protocol questions and sequence manipulation. On ScholarQABench, Librarian improves Citation F1 by more than $16$ points over strong recently published baselines. Used as the retrieval layer of an existing claim-verification pipeline, it increases agreement with expert consensus; and on the open-form LitQA2 benchmark, a GPT-5.4 agent scores about $8$ points higher when grounded in Librarian than with web search. Overall, our results show that equipping life-science agents with the Librarian knowledge layer improves performance across a range of tasks. We release our code publicly at https://github.com/petroni-lab/librarian
• Abstract（参考訳）: ウェブは人間ではなくAIエージェントによってアクセスされることが増えている。 すべてのエージェントは、特にエージェントパイプラインが急速に成長している生命科学において、知識を必要とする。 文献へのアクセスは、そのニーズの重要な部分であり、欧州のPMCのような、4000万以上の索引付けされた記録を持つリソースは、それを満たすために広く利用されている。 しかし、これらのリソースはAIエージェントのために作られたものではなく、キーワードと複雑な構文を取り、全文書を返すため、すべてのエージェントは構文を学び、いくつかの検索を発行し、必要な証拠を見つけるために完全な論文を読む必要がある。 我々は,欧州のPMCインターフェースをAIエージェントにアップグレードする知識層であるEMBL AI Librarianを紹介した。 1つのLLMが知識検索プロセス全体をオーケストレーションし、欧州のライブMC検索エンジンによって実行される補完的なサブクエリを計画し、選択した論文を読み取って、関連する証拠を見つける。 文献合成,クレーム検証,オープンドメイン質問応答,プロトコル質問やシーケンス操作などの下流生物学タスクの4つのベンチマークでライブラリアンを評価する。 ScholarQABenchでは、最近公開された強力なベースラインよりもCitation F1を16ドル以上改善している。 既存のクレーム検証パイプラインの検索層として使用され、専門家のコンセンサスとの合意を増大させ、オープンフォームのLitQA2ベンチマークでは、GPT-5.4エージェントがWeb検索よりもライブラリでグラウンドされた場合、約8$ポイント高いスコアを得る。 以上の結果から, ライフサイエンスエージェントを図書館の知識層に組み込むことによって, 様々なタスクにおけるパフォーマンスが向上することが示唆された。 コードをhttps://github.com/petroni-lab/librarianで公開しています。

関連論文リスト

• Agents-K1: Towards Agent-native Knowledge Orchestration [59.22667222947257]
  textbfAgents-K1はエンドツーエンドの知識オーケストレーションパイプラインである。 生文書をエージェントネイティブな科学知識グラフに変換する。 我々は6つの被験者にわたる246万件の科学論文を処理し、TextbfScholar-KGを作成し、そのうち100万件の論文のサブセットを公開します。
  論文  参考訳（メタデータ） (2026-06-11T17:58:35Z)
• PARNESS: A Paper Harness for End-to-End Automated Scientific Research with Dynamic Workflows, Full-Text Indexing, and Cross-Run Knowledge Accumulation [20.481096196724398]
  最近の自律型研究システムでは、LSMエージェントは実験を思いつき、実行し、論文を書くことができる。 この剛性には5つの根源がある、と我々は主張する。 提案するPARNESSは,4つの設計手順に基づいて構築されたオープンソースフレームワークである。
  論文  参考訳（メタデータ） (2026-05-06T04:37:02Z)
• Paper Circle: An Open-source Multi-agent Research Discovery and Analysis Framework [82.66443886385125]
  ペーパーサークル(Paper Circle)は、学術文献の発見、評価、整理、理解に必要な労力を減らすために設計された発見・分析システムである。 1)複数のソースからのオフラインおよびオンライン検索を統合するディスカバリパイプライン,多エージェントスコアリング,多様性対応ランキング,構造化アウトプット,2)個々の論文を概念,メソッド,数値などの型付きノードで構造化された知識グラフに変換する分析パイプライン,の2つの補完パイプラインで構成されている。
  論文  参考訳（メタデータ） (2026-04-07T17:59:58Z)
• AgentIR: Reasoning-Aware Retrieval for Deep Research Agents [76.29382561831105]
  ディープリサーチエージェントは、各検索の前に明示的な自然言語推論を生成する。 Reasoning-Aware Retrievalは、クエリと一緒にエージェントの推論トレースを埋め込む。 DR-Synthは、標準的なQAデータセットからDeep Researchレトリバーのトレーニングデータを生成する。 AgentIR-4Bは、オープンウェイトエージェントであるTongyi-DeepResearchで68%の精度を達成する。
  論文  参考訳（メタデータ） (2026-03-04T18:47:26Z)
• PaperSearchQA: Learning to Search and Reason over Scientific Papers with RLVR [64.22412492998754]
  我々は,1600万件のバイオメディカルペーパーを要約した検索コーパスを公開し,PaperSearchQAと呼ばれるファクトイックなQAデータセットを構築した。 我々は,この環境における検索エージェントを訓練し,非RL検索ベースラインを上回ります。 我々のデータ生成方法はスケーラブルで、他の科学領域にも容易に拡張できます。
  論文  参考訳（メタデータ） (2026-01-26T06:46:16Z)
• PaperArena: An Evaluation Benchmark for Tool-Augmented Agentic Reasoning on Scientific Literature [11.804526152911386]
  本研究では,大規模言語モデル(LLM)に基づくエージェントの評価ベンチマークであるPaperArenaを提案する。 研究上の疑問から、エージェントは推論や適切なツールとのインタラクションを通じて、複数の論文にまたがる多様なフォーマットを統合する必要がある。 実験の結果、高度に確立されたエージェントを駆動する最も先進的なLCMでさえ、平均精度は38.78%に過ぎなかった。
  論文  参考訳（メタデータ） (2025-10-13T02:10:39Z)
• ManuSearch: Democratizing Deep Search in Large Language Models with a Transparent and Open Multi-Agent Framework [73.91207117772291]
  ManuSearchは,大規模言語モデル(LLM)の深層検索を民主化するために設計された,透明でモジュール化されたマルチエージェントフレームワークである。 ManuSearchは検索と推論のプロセスを,(1)サブクエリを反復的に定式化するソリューション計画エージェント,(2)リアルタイムWeb検索を通じて関連文書を検索するインターネット検索エージェント,(3)生のWebコンテンツから重要な証拠を抽出する構造化Webページ読取エージェントの3つに分解する。
  論文  参考訳（メタデータ） (2025-05-23T17:02:02Z)
• BioKGBench: A Knowledge Graph Checking Benchmark of AI Agent for Biomedical Science [43.624608816218505]
  BioKGBenchはAI駆動型バイオメディカルエージェントの評価ベンチマークである。 私たちはまず『Understanding Literature』を2つの原子能力に分解した。 次に、KGQAとドメインベースのRetrieval-Augmented Generationを用いて、KGCheckと呼ばれる新しいエージェントタスクを定式化する。 2つのアトミックなタスクに対して2万以上のデータを集め、225の高品質なアノテートされたデータをエージェントタスクに対して収集する。
  論文  参考訳（メタデータ） (2024-06-29T15:23:28Z)
• PaperQA: Retrieval-Augmented Generative Agent for Scientific Research [41.9628176602676]
  本稿では,科学文献に関する質問に回答するためのRAGエージェントPaperQAを紹介する。 PaperQAは、全文の科学論文を通じて情報検索を行い、ソースやパスの関連性を評価し、RAGを使用して回答を提供するエージェントである。 また、文献全体にわたる全文科学論文からの情報の検索と合成を必要とする、より複雑なベンチマークであるLitQAを紹介する。
  論文  参考訳（メタデータ） (2023-12-08T18:50:20Z)
• Asking for Knowledge: Training RL Agents to Query External Knowledge Using Language [121.56329458876655]
  グリッドワールドベースのQ-BabyAIとテキストベースのQ-TextWorldの2つの新しい環境を紹介した。 本稿では,意味のある知識を問うための言語コマンドを生成する「知識の探索(AFK)」エージェントを提案する。
  論文  参考訳（メタデータ） (2022-05-12T14:20:31Z)

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。