Heterogene Samenwerking tussen Wetenschappelijke Fundamentmodellen

Heterogeneous Scientific Foundation Model Collaboration

April 30, 2026

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

cs.AI

Samenvatting

Agentische grote-taalmodel-systemen hebben sterke capaciteiten getoond. Hun afhankelijkheid van taal als universele interface beperkt echter fundamenteel hun toepasbaarheid op veel real-world problemen, vooral in wetenschappelijke domeinen waar domeinspecifieke foundation-modellen zijn ontwikkeld voor gespecialiseerde taken die verder gaan dan natuurlijke taal. In dit werk introduceren we Eywa, een heterogeen agentisch framework ontworpen om taalgecentreerde systemen uit te breiden naar een bredere klasse van wetenschappelijke foundation-modellen. De kernidee van Eywa is het versterken van domeinspecifieke foundation-modellen met een op taalmodellen gebaseerde redeneerinterface, waardoor taalmodellen inferentie over niet-linguïstische datamodaliteiten kunnen sturen. Dit ontwerp stelt voorspellende foundation-modellen, die typisch zijn geoptimaliseerd voor gespecialiseerde data en taken, in staat om deel te nemen aan hogere-niveau redeneer- en besluitvormingsprocessen binnen agentische systemen. Eywa kan dienen als directe vervanging voor een single-agent pipeline (EywaAgent) of worden geïntegreerd in bestaande multi-agent systemen door traditionele agents te vervangen met gespecialiseerde agents (EywaMAS). Wij onderzoeken verder een op planning gebaseerd orchestratieframework waarin een planner dynamisch traditionele agents en Eywa-agents coördineert om complexe taken over heterogene datamodaliteiten op te lossen (EywaOrchestra). We evalueren Eywa in een diverse reeks wetenschappelijke domeinen, waaronder natuur-, levens- en sociale wetenschappen. Experimentele resultaten tonen aan dat Eywa de prestaties verbetert bij taken met gestructureerde en domeinspecifieke data, terwijl de afhankelijkheid van taalgebaseerd redeneren wordt verminderd door effectieve samenwerking met gespecialiseerde foundation-modellen.

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.