科学发现工作流通常依赖于文献中的结构化整理。然而，当前的代理面临挑战，因为关键证据散布在冗长的文本、密集的表格和图形中，最终记录往往需要跨多个证据片段进行推理，而非简单复制单一片段。
为了应对这一问题，我们研究了来自多模态源的科学整理，并介绍了 Beaver，这是一种能够从科学论文中提取结构化信息的代理工具，同时保留支持证据的来源。
Beaver结合了前沿代理与多模态证据工具、任务支架和基于文献的自我研究等组件，将整理过程转变为一个分阶段、可审计的工作流，支持迭代的评估-诊断-修订循环。
在这一过程中，持久的运行工件揭示了阶段性失败，并指导代理更新。
实验表明，Beaver在金标准属性得分（Gold-Referenced Attribute Score, GRAS）上达到了81.0，作为与金标准整理记录一致性的属性级衡量，超越了其他前沿代理23个绝对点。
消融实验显示，任务支架、多模态证据工具和来源追踪各自对性能有显著贡献，而属性级分析表明，对于需要跨模态推理和规范化的高价值属性，性能提升最大。
这些结果表明，在处理具有多模态证据的科学整理时，代理的设计是影响性能的关键因素。
博主点评： Beaver代理的设计通过多模态证据整合与来源追踪，显著提升了科学文献整理的效率与准确性，为科研工作流带来了新的可能性。其迭代反馈机制也为未来的智能文献处理工具提供了宝贵的参考。