[Paper] 全球猎取：Deep Research AI Agents 用于药物资产侦察的投资、业务发展与搜索与评估

看起来您只提供了来源链接，但没有提供需要翻译的正文内容。请您把要翻译的文本粘贴在这里，我会按照要求将其翻译成简体中文并保留原有的格式。

概述

该论文介绍了 Bioptic，一种树形结构的自学习 AI 代理，旨在在庞大、多语言且常常非英文的科学和专利文献中寻找隐藏的药物研发资产。通过与领先的基于 LLM 的研究工具进行基准测试，作者展示了 Bioptic 能显著提升召回率，同时避免幻觉——这对于需要在竞争对手之前发现“雷达下”生物技术机会的投资者、业务发展团队和风险投资家而言，是一项关键能力。

关键贡献

• 一种用于药物资产筛选的新基准框架，能够模拟真实投资者查询、混合语言，并使用经过专家意见校准的 LLM‑as‑judge 评分。
• Bioptic Agent 架构：一种基于树结构的自学习“bioptic”（双视图）系统，将粗粒度检索与细粒度验证相结合，实现高召回率且避免幻觉。
• 全面的实证评估，对比了五种最先进的研究代理（Claude Opus 4.6、GPT‑5.2 Pro、Gemini 3 Pro + Deep Research、Perplexity Deep Research、Exa Websets）。
• 证明计算规模的提升（更多检索轮次、更大的模型推理）在该任务上带来显著的性能提升。
• 面向开源的流水线，用于从真实投资者筛选提示生成基准查询，支持可重复性和未来扩展。

方法论

1. 查询收集 – 团队收集了来自生物技术投资者、业务发展（BD）专业人士和风险投资家的真实筛选提示。这些提示作为“先验”，反映了资产侦察的复杂、多标准特性。
2. 合成基准生成 – 使用这些先验，条件语言模型生成大量真实的多语言搜索查询。每个查询都配有一个真实标签列表，列出那些超出典型美国中心雷达的药物资产（例如，中国专利、非英文会议论文）。
3. Bioptic 代理设计 –
   • 粗略检索层：在异构数据源（专利数据库、地区期刊、预印本服务器）上进行树状结构搜索，使用多语言嵌入。
   • 细致验证层：第二阶段的 LLM 对每个候选进行来源文档验证，过滤掉幻觉或不相关的结果。
   • 自学习循环：验证层的反馈更新检索权重，使系统能够在无需人工重新标注的情况下随时间改进。
4. 评估 – 使用经专家注释校准的 LLM‑as‑judge 模型，对基准上的每个系统的精确率、召回率和 F1 分数进行评分。

结果与发现

• 召回提升：Bioptic 能找回近 80 % 的隐藏资产，较最强基线提升超过 20 % 的绝对值。
• 幻觉控制：验证层显著降低误报，即使召回率上升，精确度仍保持在高水平。
• 计算扩展：增加检索轮次（即更深的树探索）可几乎线性提升 F1，验证了计算预算可以用于提升覆盖率。

Practical Implications

• Accelerated deal sourcing – 投资团队可以自动化对全球专利和文献源的首次扫描，比手动搜寻提前数周发现有前景的候选对象。
• Risk mitigation – 通过可靠地检索非英文资产，公司降低错过可能影响估值或竞争定位的突破性成果的风险。
• Integration‑friendly – 基于树的架构可以封装为微服务，接入现有的CRM、deal‑flow平台或内部知识图谱。
• Cost‑effective scaling – 由于性能随计算资源线性扩展，组织可以从少量GPU等适度资源起步，随着流水线证明ROI再逐步扩大。
• Cross‑domain reuse – bioptic模式（粗检索 + 精细验证）可用于其他高召回、低幻觉的领域，如监管合规、威胁情报或科学文献评审。

限制与未来工作

• 数据新鲜度 – 基准测试依赖于专利和出版物数据库的静态快照；实时更新（例如新提交的中国专利）可能会影响性能。
• 语言覆盖 – 虽然支持多语言，但系统目前偏向于拥有丰富预训练嵌入的语言；低资源语言仍可能代表性不足。
• 计算成本 – 随着计算资源的增加，收益显著提升，但也伴随更高的运营费用，这对小型企业可能构成阻碍。
• 人机交互验证 – 本研究使用了校准至专家水平的 LLM 判官，但进行一次包含领域专家的完整用户研究将更好地量化实际可用性。
• 扩展至治疗效力 – 未来工作可以整合下游数据（例如临床试验结果），不仅定位资产，还可按转化潜力进行排序。

作者

• Alisa Vinogradova
• Vlad Vinogradov
• Luba Greenwood
• Ilya Yasny
• Dmitry Kobyzev
• Shoman Kasbekar
• Kong Nguyen
• Dmitrii Radkevich
• Roman Doronin
• Andrey Doronichev

论文信息

• arXiv ID: 2602.15019v1
• 分类: cs.AI, cs.IR
• 发布时间: 2026年2月16日
• PDF: 下载 PDF