Künstliche Intelligenz, aktuell.
Direkt aus den Originalmeldungen.

Paper2Agent verwandelt Forschungspapiere in interaktive KI-Agenten

19. November 2026, 16:23Von der KI Nachrichten RedaktionQuelle: Snorkel AI
Paper2Agent verwandelt Forschungspapiere in interaktive KI-Agenten
Bild: Snorkel AI

Paper2Agent verwandelt ein Forschungspapier und seine Codebasis in einen interaktiven KI-Agenten, der die Methoden des Papers ausführen kann. Das Framework verpackt jeden Agenten als MCP-Server, testet ihn anhand der Ergebnisse des Papers und ermöglicht Abfragen in natürlicher Sprache.

Das Wichtigste in Kürze
  • Paper2Agent verwandelt Papers und Codebasen in interaktive MCP-Server.
  • Jeder Server umfasst Tools, Ressourcen und Prompts zur Nutzung der Methoden eines Papers.
  • 74 von 100 Papers aus der Computerbiologie wurden zu funktionsfähigen Agenten.
  • Die Agenten erreichten bei 300 Benchmark-Fragen eine Genauigkeit von 91,2 Prozent.
  • Claude Code erreichte mit dem GitHub-Repository des Papers 80,3 Prozent und nutzte Sonnet 4.

Von passiven PDFs zu nutzbaren Forschungswerkzeugen

Jiacheng Miao vom Stanford Institute for Human-Centered AI stellte Paper2Agent bei der jüngsten Reading Group von Snorkel AI vor. Das Projekt setzt an einer Einschränkung des traditionellen Forschungspapiers an, das seit etwa 350 Jahren zur Weitergabe wissenschaftlicher Erkenntnisse genutzt wird.

Forschende benötigen häufig mehr als eine Erklärung der Ergebnisse einer Studie. Sie möchten möglicherweise deren Trainingsmethode auf neue Daten anwenden, sie mit eigenen Proben testen, die Ergebnisse reproduzieren oder die Methode mit einem separaten Datensatz kombinieren. Miao beschrieb die heutige Interaktion mit Papern als „wirklich passiv und fragmentiert“.

Sein Beispiel war DeepMinds AlphaGenome-Paper. Das Verständnis und die Nutzung der Arbeit können das Lesen eines etwa 200 Seiten langen PDFs, die Konsultation ergänzender Hinweise, die Identifizierung der Trainingsdaten sowie die Klärung erfordern, wie Code und APIs aus dem GitHub-Repository des Projekts verwendet werden. Paper2Agent schlägt vor, dass Forschende zusätzlich zum PDF einen interaktiven Paper-Agenten veröffentlichen.

So funktioniert Paper2Agent

Der Workflow beginnt mit einem Paper und endet mit einem MCP-Server. Seine MCP-Tools kapseln die rechnergestützten Methoden des Papers und ermöglichen es Nutzern, sie auf ihre eigenen Daten anzuwenden. MCP-Ressourcen stellen das Manuskript, Links zum Code-Repository und die im Paper beschriebenen Trainingsdaten bereit. MCP-Prompts liefern Schritt-für-Schritt-Anleitungen für Analysen, die den Methoden des Papers folgen.

Da sich Programmierassistenten wie Claude Code nativ mit MCP-Servern verbinden, können Forschende die Methoden eines Papers über bereits verwendete Werkzeuge zugänglich machen. Ein Nutzer kann eine Frage in natürlicher Sprache stellen. Anschließend kann der Agent Code schreiben, eine Analyse ausführen und die Ergebnisse interpretieren. Miao bezeichnete ihn als „virtuellen korrespondierenden Autor“.

Das Team setzt ein Multi-Agenten-System ein, um die Zuverlässigkeit zu verbessern. Agenten identifizieren die Codebasis, installieren Abhängigkeiten und bestimmen, welche Aufgaben die Methode unterstützen kann. Andere Agenten extrahieren Benchmark-Fragen aus dem Paper und seinem GitHub-Repository und testen anschließend wiederholt den entstehenden MCP-Server. Der Prozess wird fortgesetzt, bis der Server gegen Fehler abgesichert ist und die im Paper berichteten Ergebnisse, einschließlich der Notebooks in seinem Repository, reproduzieren kann.

Erste Ergebnisse und wissenschaftliche Anwendungen

In einem Test mit 100 Papers aus der Computerbiologie wurden 74 zu funktionsfähigen Agenten. Bei 300 Benchmark-Fragen erreichten die Agenten eine Genauigkeit von 91,2 Prozent, verglichen mit 80,3 Prozent für Claude Code, dem das GitHub-Repository des Papers zur Verfügung gestellt wurde. Beide Systeme nutzten laut Quelle Sonnet 4.

Ein gezeigter Anwendungsfall betraf AlphaGenome und die Aufgabe, kausale Gene anhand von DNA-Mutationen vorherzusagen. Der Paper-Agent plante, welche AlphaGenome-Tools verwendet werden sollten, erstellte Tabellen und Abbildungen und wandte biologische Schlussfolgerungen auf die Ergebnisse an. Er schlug ein anderes Gen vor als die beiden Gene, die durch die Vorhersagen von AlphaGenome im Paper identifiziert worden waren. Miao sagte, Experimente hätten die Wahl des Agenten nach seinem Kenntnisstand bestätigt.

Das Projekt deutet außerdem auf eine mögliche Rolle von Paper-Agenten bei der Überprüfung wissenschaftlicher Aussagen hin. Ein Agent könnte eine veröffentlichte Schlussfolgerung mit unabhängigen, modellbasierten Belegen vergleichen und dabei helfen zu beurteilen, ob ein Ergebnis auch bei der Anwendung auf eine komplexe Aufgabe Bestand hat. Für Nutzer würde der Vorschlag den Zugriff auf und die Anwendung von Forschungsmethoden erleichtern. Für die wissenschaftliche Kommunikation bedeutet er, dass Papers sowohl für menschliche Leser als auch für Agenten entwickelt werden könnten, die ihre Methoden nutzen.

Snorkel AIPaper2AgentStanford Institute for Human-Centered AIClaude CodeAlphaGenomeDeepMindKI-AgentenWissenschaftForschungsergebnisse

Ähnliche Meldungen

Snorkel AI: Gesteuertes Training verbessert Qwen3.8-27B bei professionellen Aufgaben
Forschung19. November 2026, 15:32

Snorkel AI: Gesteuertes Training verbessert Qwen3.8-27B bei professionellen Aufgaben

Snorkel AI zufolge steigerte das Unternehmen die pass@1-Leistung von Qwen3.8-27B auf OpenAIs GDPval-Goldset von 31,9 auf 40,7 Prozent. Möglich wurde dies durch die…

Snorkel AI verbessert Qwen3.8-27B bei anspruchsvollen Profi-Aufgaben
Forschung19. November 2026, 15:32

Snorkel AI verbessert Qwen3.8-27B bei anspruchsvollen Profi-Aufgaben

Snorkel AI zufolge hat das Unternehmen den pass@1-Wert von Qwen3.8-27B im GDPval-Benchmark von OpenAI von 31,9 auf 40,7 Prozent gesteigert. Möglich wurde dies durch die…

Fable 5.2 steigert Coding-Benchmark auf 71 Prozent
Forschung12. November 2026, 18:16

Fable 5.2 steigert Coding-Benchmark auf 71 Prozent

Fable 5.2 erreichte in Snorkel AIs Vergleich mit Fable 5.1 bei Coding-Aufgaben im ersten Versuch 71,4 Prozent, gegenüber 53,1 Prozent beim Vorgänger. Die Analyse zeigt…