Duplázza a hatékonyságot az NVIDIA BioNeMo Agent Toolkit a tudományos kutatásban

Az NVIDIA új BioNeMo Agent Toolkitje forradalmasítja az élettudományi kutatásokat azáltal, hogy lehetővé teszi az AI-ügynökök számára, hogy önállóan hajtsanak végre biomolekuláris feladatokat. A platform a BioNeMo Skills csomagot használja, amely a legfontosabb biológiai képességeket, mint például szerkezetjóslás, molekulagenerálás, dokkolás, szekvenanciaelemzés és genomika, hívható szolgáltatásokká alakítja. Ezek a képességek NVIDIA gyorsítókönyvtárakkal, mint a cuEquivariance és a Parabricks, futnak, nem csak NVIDIA hardveren. (Nvidia Developer)

A Model Context Protocol (MCP) szerverek a nyílt modelleket is ugyanazon az ügynök-hívható mintán keresztül teszik elérhetővé. Ez a megközelítés lehetővé teszi az AI-ügynökök számára, hogy megbízhatóan és hatékonyan fedezzenek fel, válasszanak ki, hívjanak meg és értelmezzenek biomolekuláris modelleket, függetlenül a háttérrendszertől. A belső tesztek kimutatták, hogy a BioNeMo Skills integrálása megduplázta az ügynökök tokenhatékonyságát és 100%-ra növelte a feladatok elvégzésének arányát a korábbi 57,1%-ról — közölte az NVIDIA.

Kapcsolódó: AI-ügynökök telepítése Jetsonokon

A BioNeMo Agent Toolkit lehetővé teszi az AI-tudósok számára, hogy tudományos cikkeket olvassanak, kódot írjanak, hipotéziseket generáljanak, API-kat hívjanak, fájlokat vizsgáljanak meg és iteráljanak az eredményeken. A platform a tudományos felfedezés iteratív és bizonytalan jellegét figyelembe véve alakítja át az ügynökök munkafolyamatait az elszigetelt modellhívásokból termelésre kész kutatási ciklusokká. A rendszer az NVIDIA NIM (NVIDIA Inference Microservices) keretrendszeren keresztül fut, amely lehetővé teszi a modellek rugalmas üzembe helyezését, akár hosztolt végpontokon, akár helyi GPU-csomópontokon.

Kapcsolódó: Android appfejlesztés gyorsítása

A fejlesztőknek hozzáférést kell biztosítaniuk a BioNeMo Agent Toolkit Skills repozitóriumhoz, egy ügynök futtatókörnyezethez (például Claude vagy Codex) és egy NVIDIA API-kulcshoz a hosztolt NIM végpontokhoz. A helyi üzembe helyezéshez pedig egy GPU-csomópont szükséges. A platform lehetővé teszi a tudományos munkafolyamatok megtervezését, beleértve a megfelelő modell kiválasztását, a bemeneti adatok előkészítését, a futtatást, a kimenetek ellenőrzését és az eredmények tudományos megjegyzésekkel történő magyarázatát.

Kapcsolódó: Biológiai modellek finomhangolása

A tesztek során a Codex CLI és a GPT-5.5 fast használatával végzett belső teljesítménytesztek azt mutatták, hogy a BioNeMo Skills integrálása megduplázta az ügynökök tokenhatékonyságát, és 57,1%-ról 100%-ra növelte a feladatok elvégzésének arányát. Ezek az eredmények, bár belső teszteken alapulnak, jelentős előrelépést jelentenek az AI-alapú tudományos felfedezésben.

Kapcsolódó: AI-ügynökök teljesítménye tudományos teszten