OpenAI 的 GPT-4 是一个基于生物医学知识的大型语言模型，能够从嵌入式知识中提出关于普遍基因功能的假设，为基因集分析提供可靠的功能概述和支持。

Sep, 2023

通过引入 GenoTEX 作为一个基准数据集，我们展示了 LLM（大型语言模型）方法在基因组数据分析中的潜力，并提出了 GenoAgents 团队作为解决基因数据集任务的基线算法，同时也指出了改进的挑战和方向。

Jun, 2024

本研究旨在通过知识图谱改进大型语言模型 (LLM) 的推理能力，以回答复杂问题。我们提出了一种自主的基于 LLM 的智能体框架 KG-Agent，它允许一个小型 LLM 主动作出决策，直到完成对知识图谱的推理过程。在 KG-Agent 中，我们整合了 LLM、多功能工具箱、基于知识图谱的执行器和知识存储器，并开发了一个迭代机制，自主选择工具，然后更新用于对知识图谱进行推理的记忆。为了保证有效性，我们利用程序语言对知识图谱上的多跳推理过程进行了规范，并合成了基于代码的指令数据集，以对基础 LLM 进行微调。大量实验证明，仅使用 10K 个样本对 LLaMA-7B 进行微调就能在领域内外的数据集上超过使用更大的 LLM 或更多数据的现有方法。我们的代码和数据将公开发布。

Feb, 2024

通过使用较小型的语言模型以及多功能工具箱，设计了一个细粒度的三阶段检测框架，结合记忆机制，实现了 HalullAgent，使其能够主动选择适合的工具来检测多种幻觉类型，包括文本、代码和数学表达式，并利用中英文数据集进行合成检测轨迹以实现双语幻觉检测。大量实验证明，仅使用 2K 样本进行调优，HaluAgent 可以在各种任务和数据集上执行幻觉检测，在领域内和领域外数据集上实现与甚至超过 GPT-4 的性能而无需工具增强。

Jun, 2024

本研究提出了一种基于 GPT 模型的新的基因集功能摘要方法，该方法使用结构化文本、自由叙述基因概要或直接模型检索等来源来生成 GO 术语列表，但并不能依靠本方法来代替标准术语富集分析，手动筛选方法仍然必要。

May, 2023

BioDiscoveryAgent 是一个基于大型语言模型的代理，通过利用其丰富的背景知识和推理能力，加速科学探索。它在设计基因干预实验中表现出色，能够在不需要训练机器学习模型或显式设计获取函数的情况下，利用其生物学知识独特地设计新的实验。与现有特定训练任务的贝叶斯优化基准相比，BioDiscoveryAgent 在检测所需表型方面平均提高了 18％。它还能准确预测基因组合来干扰实验设计，并具有搜索生物医学文献、执行代码以分析生物数据集，并请另一代理对其预测进行评估的功能。总之，BioDiscoveryAgent 代表了计算生物实验设计中可解释性的全新范例，具备增强科学家能力的潜力。

May, 2024

使用大型语言模型（LLMs）进行语义解析已经取得了显著的成功。本论文提出了一种名为 QueryAgent 的框架，通过逐步解决问题和进行自我纠正来解决可靠性和效率不足的问题。通过利用丰富的环境反馈，ERASER 方法在中间步骤中仅在必要时进行选择性和差异化的自我纠正。实验结果表明，QueryAgent 相比 GrailQA 和 GraphQ 上的所有先前的少样本方法，在仅使用一个示例的情况下，F1 值提高了 7.0 和 15.0。此外，我们的方法在运行时间、查询开销和 API 调用成本等方面表现出了优越性。通过利用 ERASER，我们进一步提高了另一个基准（即 AgentBench）约 10 个点，揭示了我们方法的强大可迁移性。

Mar, 2024

介绍了 CRISPR-GPT，一个加强了领域知识和外部工具的 LLM 代理，用于自动化和增强 CRISPR 基因编辑实验设计过程，并展示了其对非专业研究人员进行基因编辑实验的潜力和有效性，同时探讨了自动化基因编辑设计的伦理和法规问题。

Apr, 2024

本研究介绍了 CogAgent，这是一个在 GUI 理解和导航方面专门使用的 180 亿参数的视觉语言模型，通过低分辨率和高分辨率图像编码器，支持 1120*1120 分辨率的输入，能够识别微小的页面元素和文本。CogAgent 在五个文本丰富和四个通用的 VQA 基准测试中达到了最新的技术水平，在 PC 和 Android 的 GUI 导航任务中超过了 LLM 方法，从而推动了技术的发展。

Dec, 2023

本研究提出了 GameGPT，一个多智能体协作框架，以自动化游戏开发。通过双重协作和分层方法，并应用多种内部词汇表，在规划、任务识别和实施阶段缓解幻觉和冗余问题。此外，还引入了一种解耦方法，以实现更精确的代码生成。

Oct, 2023