Resumen: El rápido crecimiento de los datos biomédicos, las herramientas y la literatura ha creado un panorama de investigación fragmentado que supera la experiencia humana. Si bien los agentes de IA ofrecen una solución, generalmente dependen de los conjuntos de herramientas estáticos y curados manualmente, lo que limita su capacidad para adaptarse y escalar. Aquí, presentamos a Stella, un agente de IA autoevolución diseñado para superar estas limitaciones. Stella emplea una arquitectura de múltiples agentes que mejora de manera autónoma sus propias capacidades a través de dos mecanismos básicos: una biblioteca de plantillas en evolución para estrategias de razonamiento y una herramienta dinámica océano que se expande a medida que un agente de creación de herramientas descubre e integra automáticamente nuevas herramientas bioinformáticas. Esto le permite a Stella aprender de la experiencia. Demostramos que Stella logra una precisión de última generación en un conjunto de puntos de referencia biomédicos, obteniendo aproximadamente 26 % en el último examen de la humanidad: biomedicina, 54 % en el banquillo de laboratorio: DBQA y 63 % en Lab-Bench: LITQA, superan los modelos liderados por hasta 6 puntos porcentuales. Más importante aún, mostramos que su rendimiento mejora sistemáticamente con la experiencia; Por ejemplo, su precisión en el último punto de referencia de examen de la humanidad casi se duplica con mayores ensayos. Stella representa un avance significativo hacia los sistemas de agentes de IA que pueden aprender y crecer, escalando dinámicamente su experiencia para acelerar el ritmo del descubrimiento biomédico.
Publicado Originalme en export.arxiv.org El 3 de julio de 2025.
Ver Fuente Original
