異種科学基盤モデル連携

Heterogeneous Scientific Foundation Model Collaboration

April 30, 2026

著者: Zihao Li, Jiaru Zou, Feihao Fang, Xuying Ning, Mengting Ai, Tianxin Wei, Sirui Chen, Xiyuan Yang, Jingrui He

cs.AI

要旨

エージェント型大規模言語モデルシステムは強力な能力を発揮している。しかし、言語を普遍的なインターフェースとして依存する性質上、現実世界の多くの問題、特に自然言語を超えた専門的タスクに対応するために開発されたドメイン特化型基盤モデルが存在する科学分野への適用が根本的に制限されている。本研究では、言語中心のシステムをより広範な科学分野の基盤モデルに拡張することを目的とした、異種混合エージェントフレームワーク「Eywa」を提案する。Eywaの核心的なアイデアは、ドメイン特化型基盤モデルに言語モデルベースの推論インターフェースを付加し、言語モデルが非言語データモダリティに対する推論を誘導できるようにすることである。この設計により、特定のデータとタスクに最適化された予測型基盤モデルが、エージェントシステム内での高次元の推論および意思決定プロセスに参加できるようになる。Eywaは単一エージェントパイプラインの代替（EywaAgent）として、または従来のエージェントを専門エージェントに置き換えて既存のマルチエージェントシステムに統合（EywaMAS）することが可能である。さらに、プランナーが従来のエージェントとEywaエージェントを動的に調整し、異種混合データモダリティにわたる複雑なタスクを解決する計画ベースのオーケストレーション枠組み（EywaOrchestra）についても検討する。物理科学、生命科学、社会科学にわたる多様な科学分野でEywaを評価した結果、構造化データおよびドメイン特化データを含むタスクにおいて性能向上が確認され、専門基盤モデルとの効果的な連携を通じて言語ベース推論への依存軽減が実証された。

English

Agentic large language model systems have demonstrated strong capabilities. However, their reliance on language as the universal interface fundamentally limits their applicability to many real-world problems, especially in scientific domains where domain-specific foundation models have been developed to address specialized tasks beyond natural language. In this work, we introduce Eywa, a heterogeneous agentic framework designed to extend language-centric systems to a broader class of scientific foundation models. The key idea of Eywa is to augment domain-specific foundation models with a language-model-based reasoning interface, enabling language models to guide inference over non-linguistic data modalities. This design allows predictive foundation models, which are typically optimized for specialized data and tasks, to participate in higher-level reasoning and decision-making processes within agentic systems. Eywa can serve as a drop-in replacement for a single-agent pipeline (EywaAgent) or be integrated into existing multi-agent systems by replacing traditional agents with specialized agents (EywaMAS). We further investigate a planning-based orchestration framework in which a planner dynamically coordinates traditional agents and Eywa agents to solve complex tasks across heterogeneous data modalities (EywaOrchestra). We evaluate Eywa across a diverse set of scientific domains spanning physical, life, and social sciences. Experimental results demonstrate that Eywa improves performance on tasks involving structured and domain-specific data, while reducing reliance on language-based reasoning through effective collaboration with specialized foundation models.