arXiv cs.AI· Xuehang Guo, Zhiyong Lu, Tom Hope, Qingyun Wang·· 13 小时前AI 评分31
Anagent：多智能体框架提升科学表格与图表分析能力
Anagent For Enhancing Scientific Table & Figure Analysis
AI 导读
研究团队提出多智能体框架 Anagent，通过 Planner、Expert、Solver、Critic 四个专用智能体协作完成科学表格与图表分析，并配套监督微调与强化学习的模块化训练策略。
正文 · AI 翻译
摘要：在科学研究中，分析需要准确解读复杂的多模态知识，整合来自不同来源的证据，并基于领域特定知识进行推理。然而，当前的人工智能（AI）系统难以持续展现这些能力。科学表格和图表的复杂性与多变性，加上异构结构和长上下文需求，对科学表格\&图表分析构成了根本性障碍。为量化这些挑战，我们推出了 AnaBench，一个大规模基准，包含来自九个科学领域的 $63,178$ 个实例，并沿七个复杂度维度进行系统分类。为应对这些挑战，我们提出了 Anagent，一个多智能体框架，通过四个专门智能体增强科学表格\&图表分析：Planner 将任务分解为可执行的子任务，Expert 通过有针对性的工具执行检索任务特定信息，Solver 综合信息以生成连贯的分析，Critic 通过五维质量评估进行迭代改进。我们进一步开发了模块化训练策略，利用监督微调和专门的强化学习来优化个体能力，同时保持有效协作。跨 170 个子领域的全面评估表明，Anagent 取得了显著提升，在免训练设置下最高提升 $\uparrow 13.43\%$，在微调下最高提升 $\uparrow 42.12\%$，同时揭示了面向任务的推理和上下文感知的问题解决对于高质量的科学表格\&图表分析至关重要。我们的项目页面：this https URL。
| 学科： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2602.10081 [cs.CL] |
| （或 arXiv:2602.10081v3 [cs.CL] 为此版本） | |
| https://doi.org/10.48550/arXiv.2602.10081 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Xuehang Guo [查看邮箱]
[v1]
2026年2月10日星期二 18:46:28 UTC（33,100 KB）
[v2]
2026年2月12日星期四 02:51:40 UTC（33,100 KB）
[v3]
2026年10月27日星期二 18:27:57 UTC（41,098 KB）
来源：arXiv cs.AI · arxiv.org