이종 과학 기반 모델 협력

초록

에이전트형 대규모 언어 모델 시스템은 강력한 능력을 입증해왔습니다. 그러나 언어를 보편적 인터페이스로 의존한다는 점은 많은 실제 문제, 특히 자연어를 넘어선 전문적인 과제를 해결하기 위해 도메인 특화 파운데이션 모델이 개발된 과학 분야에서 그 적용 가능성을 근본적으로 제한합니다. 본 연구에서는 언어 중심 시스템을 보다 광범위한 과학 분야 파운데이션 모델 클래스로 확장하기 위해 설계된 이기종 에이전트 프레임워크인 Eywa를 소개합니다. Eywa의 핵심 아이디어는 도메인 특화 파운데이션 모델을 언어 모델 기반 추론 인터페이스로 증강하여, 언어 모델이 비언어적 데이터 양식에 대한 추론을 안내할 수 있도록 하는 것입니다. 이 설계는 일반적으로 특화된 데이터와 과제에 최적화된 예측 파운데이션 모델이 에이전트 시스템 내에서 더 높은 수준의 추론 및 의사 결정 과정에 참여할 수 있게 합니다. Eywa는 단일 에이전트 파이프라인(EywaAgent)을 위한 즉시 대체 솔루션으로 사용되거나, 기존의 다중 에이전트 시스템에 통합되어 기존 에이전트를 특화 에이전트(EywaMAS)로 대체할 수 있습니다. 또한 플래너가 이기종 데이터 양식에 걸친 복잡한 과제를 해결하기 위해 기존 에이전트와 Eywa 에이전트를 동적으로 조율하는 계획 기반 오케스트레이션 프레임워크(EywaOrchestra)를 추가로 탐구합니다. 우리는 물리과학, 생명과학, 사회과학에 이르는 다양한 과학 도메인에서 Eywa를 평가합니다. 실험 결과, Eywa는 구조화되고 도메인 특화된 데이터를 포함하는 과제에서 성능을 향상시키는 동시에 특화된 파운데이션 모델과의 효과적인 협력을 통해 언어 기반 추론에 대한 의존도를 줄이는 것으로 나타났습니다.

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.

이종 과학 기반 모델 협력

Heterogeneous Scientific Foundation Model Collaboration

초록

Support