深度分析
UrbanAgent：多代理協同與工具增強驅動的城市區域分析框架
隨著城市資料多樣化，傳統多模態模型因假設跨模態一致而易失準。研究提出UrbanAgent，將每種資料視為獨立代理人，透過協同推理與工具增強取得外部證據，於碳排、GDP與人口預測上提升約8.1%R²，顯示在未見城市也具備良好通用性，為智慧城市規劃提供新方向。
深度分析
隨著城市資料多樣化，傳統多模態模型因假設跨模態一致而易失準。研究提出UrbanAgent，將每種資料視為獨立代理人，透過協同推理與工具增強取得外部證據，於碳排、GDP與人口預測上提升約8.1%R²，顯示在未見城市也具備良好通用性，為智慧城市規劃提供新方向。
深度分析
隨著大型語言模型逐漸接入科學軟體，如何判斷工具使用是否提升計算可靠性成為關鍵。研究推出PHREEQC-MCQ-200基準，要求模型自行產生PHREEQC輸入、執行模擬並從結構化輸出中取得答案。結果顯示，工具增強能顯著提升整體正確率，但亦會導致部分已正確的題目失分，顯示效能並非單調提升。