16 октября 2026 года исследователи Университета штата Пенсильвания сообщили, что система AgentXtract собрала более 4 000 экспериментальных записей о пищевых продуктах за полчаса. Анализ этой базы показал связь между двумя свойствами более чем 100 продуктов. Результаты опубликовали онлайн в журнале Journal of Food Engineering.

Как проверяли извлечение данных и что осталось неизвестным

AgentXtract объединяет несколько ИИ-агентов. Они извлекают числа из научных статей, таблиц, рисунков и формул, а затем проверяют и приводят данные к общему формату. Для оценки системы исследователи испытали 10 больших языковых моделей от OpenAI, Google и Anthropic. Они сравнивали точность, скорость и стоимость обработки с данными, которые предварительно проверили эксперты.

В сообщении университета нет числовой оценки точности моделей или AgentXtract в целом. Не сказано и о том, сколько записей эксперты проверили вручную и как они разрешали расхождения. Поэтому по этому описанию нельзя определить, как часто система ошибалась, перенося данные из публикаций разных типов.

Выявленная связь касается диэлектрической постоянной и фактора потерь. Эти показатели описывают, как продукт взаимодействует с электромагнитной энергией, например с микроволнами. Представим картофель в микроволновой печи: оба показателя помогают описать реакцию продукта на такое воздействие. Но найденная связь не означает, что все продукты нагреваются одинаково или что один показатель позволяет точно предсказать нагрев.

Авторы называют соотношение новым и устойчивым, однако в доступном описании нет его уравнения, статистических показателей, диапазона частот или условий измерений. Не приведены и результаты независимой экспериментальной проверки. Пока это закономерность, обнаруженная в собранной базе, а не количественно подтверждённая универсальная зависимость.

Собранную базу исследователи также подключили к системе ответов на вопросы. Например, она может найти сведения о диэлектрических свойствах картофеля на заданной частоте и сопроводить ответ ссылками. Это показывает возможное применение базы, но не снимает ограничений, связанных с точностью исходных записей и проверкой найденной закономерности. Для работы с подготовкой научных статей нужны те же ясные указания на источники и границы данных.

Схема показывает этапы сбора и проверки данных AgentXtract и последующий анализ свойств продуктов; она не отображает количественную точность системы или статистическую силу найденной связи.

Фото: Alexander Zvir / Pexels