Новость

EO-Agents: три LLM-агента для генерации гипотез в науках о Земле

1 источник

Все новости

Представлен EO-Agents — конвейер из трех специализированных LLM-агентов для автоматической генерации научно обоснованных гипотез в науках о Земле. Система использует граф знаний NASA Earth Observation и GNN для ранжирования наборов данных, а затем фильтрует, генерирует и оценивает гипотезы.

Исследователи из opendatalab представили EO-Agents — систему, которая автоматизирует трудоемкий ручной процесс генерации научных гипотез в области наук о Земле. Она работает с 1475 наборами данных NASA Earth, использует NASA Earth Observation Knowledge Graph и гетерогенную GNN для ранжирования пар наборов данных. Затем три специализированных LLM-агента выполняют фильтрацию, генерацию и оценку гипотез в таких областях, как экогидрология, гляциология и взаимодействие аэрозолей с облаками. По словам авторов, это заметно ускоряет процесс, который ранее требовал участия экспертов.

Источники 1
  • EO-Agents: три LLM-агента для генерации гипотез в науках о Земле KDnuggets 
    🔬 AI Research Digest
📅 Week of Jul 28–Aug 4, 2026
━━━━━━━━━━━━━━━━━━━━━━━━

1. 🧠 Explorative Modeling: Unlocking a Third Pretraining Axis
Authors/Org: Alexi Gladstone, Heng Ji, Yilun Du | arXiv: 2607.27372
Bottleneck solved: Mode collapse and blurry predictions in generative models — by exploring K candidate generations and training on the best match, models commit to sharp modes instead of averaging them.
FLOP efficiency improves 4.1×, sample efficiency 6.2×, and parameter efficiency by 47%, achieving near-SOTA 1.43 FID on ImageNet without classifier guidance — a strong signal this could reshape how generative pretraining is structured.
🔗 Explorative Modeling (arXiv 2607.27372)

━━━━━━━━━━━━━━━━━━━━━━━━

2. 🌍 EO-Agents: Three-Agent LLM Pipeline for Earth Observation Hypothesis Generation
Authors/Org: (opendatalab / arXiv submission) | arXiv: 2607.01584
Bottleneck solved: Generating scientifically coherent research hypotheses across 1,475 NASA Earth datasets — previously a slow, expert-intensive manual process.
The system grounds hypothesis generation in the NASA Earth Observation Knowledge Graph using a heterogeneous GNN to rank dataset pairings, then deploys three specialized LLM agents to filter, generate, and evaluate hypotheses across ecohydrology, glaciology, aerosol-cloud interactions, and more.
🔗 EO-Agents (arXiv 2607.01584)

━━━━━━━━━━━━━━━━━━━━━━━━

3. 🗂️ codebase-memory-mcp: Persistent Knowledge Graph for AI Coding Agents
Authors/Org: DeusData | GitHub: DeusData/codebase-memory-mcp
Bottleneck solved: AI coding agents wasting tokens re-scanning codebases file-by-file for structural queries — replaced by a persistent, sub-millisecond knowledge graph.
A single static C binary with zero dependencies supports 158 languages, indexes the Linux kernel (28M lines) in ~3 minutes, and cuts structural query token usage by ~99%, with 83% answer quality validated across 31 real-world repositories.
🔗 codebase-memory-mcp on GitHub

━━━━━━━━━━━━━━━━━━━━━━━━
💡 Stay curious. Read the papers.

For More: @kdnuggets @datasciencechats