用于提升科学表格与图形分析的 Anagent

在科学研究中，分析需要准确解释复杂的多模态知识，整合来自不同来源的证据，并以特定领域知识为依据进行推理。然而，当前的人工智能系统难以持续展现此类能力。科学表格和图形的复杂性和变异性，以及异构的结构和长时序要求，构成了科学表格与图形分析的根本性障碍。为量化这些挑战，我们引入AnaBench，一个包含 $63,178$ 个来自九个科学领域的实例，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Anagent，一个通过四个专门化智能体实现科学表格与图形分析的多主体框架：Planner 将任务分解为可操作子任务，Expert 通过针对性工具执行检索任务特定信息，Solver综合信息生成连贯分析，Critic通过五维质量评估进行迭代精炼。我们进一步开发模块化训练策略，利用监督微调和专门化强化学习优化各个能力，同时保持有效的协作。全面评估覆盖9 个广泛领域的170 个子领域，表明Anagent 在训练无需微调的情境下实现了最高达 $\uparrow 13.43\%$ 的显著提升，微调后提升达 $\uparrow 42.12\%$，并揭示任务导向推理和情境感知问题解决是实现高质量科学表格与图形分析的关键。我们的项目页面：https://xhguo7.github.io/Anagent/。