异构科学 Foundation Model 协作

Agentic large language model 系统已经展现出很强的能力。然而，这类系统依赖语言作为通用接口，这从根本上限制了它们在许多现实问题中的适用性，尤其是在科学领域；在这些领域中，已有面向特定任务的 domain-specific foundation model 被开发出来，用于处理自然语言之外的专业任务。

在这项工作中，我们提出 Eywa，一个 heterogeneous agentic framework，旨在将以语言为中心的系统扩展到更广泛的科学 foundation model。Eywa 的核心思想是为 domain-specific foundation model 增加一个基于 language model 的 reasoning interface，使 language model 能够引导对非语言数据模态的 inference。该设计使 predictive foundation model 能够参与 agentic system 中更高层次的 reasoning 与 decision-making 过程；这些模型通常针对特定数据和任务进行优化。

Eywa 既可以作为单 agent pipeline 的直接替代方案（EywaAgent），也可以通过用 specialized agent 替换传统 agent，集成到现有 multi-agent system 中（EywaMAS）。我们进一步研究了一种基于 planning 的 orchestration framework，其中 planner 动态协调传统 agent 与 Eywa agent，以解决跨异构数据模态的复杂任务（EywaOrchestra）。我们在涵盖物理、生命和社会科学的多个科学领域对 Eywa 进行了评估。实验结果表明，Eywa 能够提升涉及结构化数据和领域特定数据的任务表现，同时通过与 specialized foundation model 的有效协作，降低对基于语言的 reasoning 的依赖。