模型与 Benchmark板块首页
怎么读
怎么给 benchmark 分类一个分数能信到哪一步:真值噪声、简单基线、泄漏与饱和协议索引:113 条协议按谁判对错分组方法与数据:分类口径、收录与停更标准、已知局限
模型与数据
模型索引:112 个模型按领域分组模型 × benchmark 配对矩阵训练数据从哪来:公开库、私有授权、自产 wet lab 与…benchmark 的规模、更新与 wet lab 数据
Benchmark:理解状态(表征与排序)
02 ProteinGym09 scIB11 ClinVar hold-out protocol13 CAGI16 GUE + Nucleotide Transform…17 CAFA21 DREAM5 / BEELINE / CausalB…26 FLIP / FLIP234 AbBiBench37 TraitGym38 BEND39 RNAGym45 DART-Eval49 NTv3 Benchmark67 VenusX
Benchmark:预测给定对象的结果
01 CASP03 MoleculeNet04 TDC05 PoseBusters06 CASF-201615 CAMEO22 CAPRI24 虚拟细胞挑战赛与扰动预测评测25 RNA-Puzzles27 Polaris / ASAP / OpenADMET30 PLINDER / PINDER / Runs N'…31 FoldBench33 PoseX35 FLAb / FLAb243 Ginkgo GDPa146 FEP 相对结合自由能基准47 PoseBench / DockGen51 OpenADMET 盲测系列52 Biogen ADME53 UNICORNE-BENCH54 OMol25 + FAIR Chemistry 榜单55 PDBbind-CleanSplit / LP-PD…57 CatPred-DB66 MassSpecGym
Benchmark:提出候选(生成与设计)
19 PMO20 CACHE28 Adaptyv competitions / Ben…36 AIntibody40 MotifBench50 蛋白 motif scaffolding 基准56 Protein Engineering Tourna…
Benchmark:多步分析与问答(agent)
14 PubMedQA18 LAB-Bench / LABBench223 BioASQ29 BixBench42 BioMysteryBench58 ChemBench59 LifeSciBench60 Terminal-Bench-Science61 BiomniBench / Biomni-Eval162 HeurekaBench63 scBench64 ScienceAgentBench65 SciReasoner / Biology-Inst…68 BioDesignBench
Benchmark:已停更
07 USPTO family08 Basenji/Enformer test set10 GuacaMol12 DUD-E / LIT-PCBA32 CrossDocked202041 BioML-bench44 FS-Mol
相邻领域
相邻领域:不在主分类内的评测
模型:结构/共折叠
AF2-Multimer:Google DeepMindAlphaFold 3BioEmu-2Boltz-1 / Boltz-1xBoltz-2:MIT、Recursion、Boltz P…Chai-1:Chai DiscoveryChai-2:Chai DiscoveryDiffDock:MIT CSAILESMFold2HelixFold-S1:BaiduIntelliFold-2:IntelliGen AIIsoDDE:Isomorphic LabsMassiveFoldNeuralPLexer3OpenComplex2OpenDDE:Aureka AI Research、Au…OpenFold3Pearl:Genesis Molecular AIProtenixRF3:University of Washington …RhoFold+ / DRfold2 / trRosett…RNAPro:NVIDIA、Stanford Univer…SeedFold:ByteDance SeedVina:Scripps Research
模型:小分子
ADMET-AIAQAffinity:SandboxAQBeacon:Inductive BioChemformer:AstraZenecaChemprop v2:MITEnchant v1 / v2ether0:FutureHouseKERMT:Merck & Co.、NVIDIAMiniMol:Valence LabsMolE:RecursionMoLFormer-XL:IBM ResearchNesso-1:Valence Labs、Recursio…ReaSyn v2:NVIDIA、KAISTREINVENT 4RetroDFM-RSaturn:EPFLTamGen:Microsoft Research AI …TerraBind:Terray TherapeuticsTxGemma:Google DeepMind、Googl…Uni-Mol2Uni-Mol3
模型:蛋白
AlphaProteoAMPLIFY:Mila、Polytechnique Mo…BindCraftBoltzGenChai-3:Chai DiscoveryClaude 蛋白设计研究DPLM-2:ByteDance Research、Nan…Dyno Psi-1 / Psi-PhiESM C:Evolutionary Scale、Chan…ESM3:Evolutionary Scale、Chan …EVOLVEproLa-Proteina:NVIDIALatent-X / X2:Latent LabsLucaOne:Alibaba Cloud、Sun Yat…Mosaic:Escalante BioPinal:Westlake UniversityPoET-2:OpenProtein.AIProfluent-E1:ProfluentProGen3:ProfluentProSST:Shanghai Jiao Tong Uni…Proteina-Complexa:NVIDIARFdiffusion2 / 3SaProt:Westlake University、We…SeedProteo:ByteDance SeedVenusREMxTrimoPGLM
模型:抗体
GerminalHCAbLM:Nona Biosciences、HBM H…IgGM / IgGM-FMJAM / JAM-2:Nabla BioOrigin-1:AbsciRFantibodytFold:Tencent AI for Life Sci…
模型:基因组/RNA
AlphaGenome:Google DeepMindAlphaMissense:Google DeepMindBioReasonBorzoi:Calico Life SciencesBulkFormerEvo 2:Arc Institute、NVIDIA、St…NTv3:InstaDeeppopEVE:Harvard Medical School…RIBOSPAN
模型:单细胞
AIDO Cell:GenBio AIC2S-ScaleCellFM:Sun Yat-sen University…Lingshu-CellscGPT / GeneformerscPRINT-2Stack:Arc InstituteSTATE:Arc InstituteTahoe-x1:Tahoe TherapeuticsTranscriptFormerX-Cell:Xaira TherapeuticsxTrimoSCPerturb / scFoundation
模型:分子生成
GenMol:NVIDIA
模型:文本与 agent
Biomni:Stanford University、Ph…Co-ScientistGPT-Rosalind:OpenAIIntern-SKosmos / Edison AnalysisMedGemma / Med-GeminiQuine:Microsoft ResearchRobin:FutureHouseSciReasonerTxAgent:Harvard Medical SchoolVERID:Google Research前沿通用大模型:Anthropic、OpenAI、Goog…

59 LifeSciBench

整理 2026-11-18 · 来源与可靠度标注见正文
本文目录
  1. 概况
  2. 协议拆分与读法
  3. 测什么、怎么测
  4. 当前排名
  5. 报告过的模型
  6. 局限与注意
  7. 新模型怎么用
  8. 来源
  9. 更正记录

生命科学研究级开放任务:750 题、专家 rubric 评分,出题方与榜首同属 OpenAI。出题方 OpenAI 同时是被测方,榜首 GPT-Rosalind 也是其模型;论文自行披露了这层机构关系。

bench-59 · 模型在做什么:多步分析与问答(agent) · 谁判对错:已有参考答案 · 文本与 agent · 2026-11 新收录 · 截至 2026-11-18

概况

字段 内容
名称 / 别名 LifeSciBench;别名:Life Sci Bench
家族 否(单一题集,没有多个版本或成员。)
模型在做什么 多步分析与问答(agent)
谁判对错 已有参考答案(1 条协议,逐条见下)
领域 文本与 agent
发布方 OpenAI、Tacit Labs(大厂实验室)
首次发布 †(未核实)(依据:OpenAI 发布公告(经媒体报道核实日期)) 官方页面拒绝抓取,日期取自媒体报道
其他里程碑 预印本 v1 (bioRxiv 预印本 v1);官方公告 †(未核实)(OpenAI 发布公告(经媒体报道核实日期))
最近更新 ,论文 v1:预印本上 bioRxiv,给出 5 个模型的成绩;之后未见更新或公开榜单。此为最近一次有出处的事件,不代表此后没有更新
下一次预期 无公告(维护方未公告新版本或新一轮评测的日期。)
规模 750 道专家任务,173 名出题人,19,020 条 rubric 准则;7 类工作流、7 个领域。 明细:任务数(preprint v1) 750;出题专家人数(preprint v1) 173;rubric 准则条数(preprint v1) 19,020;工作流类别(preprint v1) 7
状态 ◐ 低频:只有发布时一次成绩快照,无公开榜单
wet lab 更新 静态:不做实验;任务改编自真实研究工作,由专家写参考 rubric。
需自补 wet lab 不需要
报告模型数 2 个计入(自报 2)
当前排名 ○ 自报(见当前排名)
全站实体页 无(全站 /entities/ 体系中没有该 benchmark 的页面。)
截至 2026-11-18

协议拆分与读法

同一个 benchmark 名下常有多场规则不同的考试。下表把它拆成 1 条协议,逐条写明谁判对错、在用的模型和这个分数能回答什么。分类口径见怎么给 benchmark 分类。

协议 谁判对错 隔离 在用模型(已核实) 五维要点 能回答 不能回答
59a LifeSciBench(OpenAI) 已有参考答案 — GPT-Rosalind(自)、前沿 LLM(自/三) 由出题方自行评测,榜首模型与出题方同属一家;评分模型未披露,且评测允许无限制联网。 能回答:在 750 道生命科学开放任务上,按专家细则自动评分时,5 个前沿模型的相对排序与强弱分布。 不能回答:第三方复跑时排序是否不变,也不对应真实研究中的可用程度——没有人类基线。

在用模型括号内:榜 = 主办方榜单,自 = 开发方自报,三 = 第三方评测;只列已核实的配对。五维 = 真值可靠性、基线状况、指标效度、饱和度、泄漏风险;"未评估"表示该协议尚未完成五维评审。

测什么、怎么测

  • 任务:单轮作答真实生命科学研究任务(实验设计、数据解读等),可带附件,允许联网。
  • 真值:出题专家写的逐条 rubric,入库需专家一致。
  • 主指标:归一化 rubric 分
  • 次指标:任务通过率(≥70% 为通过)
  • 版本陷阱:部分分与通过率可能分歧;引用须写明是哪一个指标,以及是否带附件、是否联网。

当前排名

状态:○ 自报

  • 指标:问题加权归一化 rubric 分;括号内为任务通过率(rubric 分≥70%)
  • 评测集 / 口径:LifeSciBench, 750 tasks, single-turn, unrestricted web browsing
  • 快照日期:

当前第一:GPT-Rosalind,0.576 (36.1%)(问题加权归一化 rubric 分;括号内为任务通过率(rubric 分≥70%);LifeSciBench, 750 tasks, single-turn, unrestricted web browsing;自报;)。未经独立复现

说明:全部数字出自出题方 OpenAI 的预印本,榜首也是其自家模型;评分器未披露,无独立复跑。

模型 名次 数值 指标 评测集 / 口径 来源类型 日期 出处 说明
GPT-Rosalind 1 0.576 (36.1%) 问题加权归一化 rubric 分;括号内为任务通过率(rubric 分≥70%) LifeSciBench, 750 tasks, single-turn, unrestricted web browsing 自报 出处 出题方 OpenAI 自家模型;评分器模型未披露
GPT-5.5 2 0.519 (25.7%) 问题加权归一化 rubric 分;括号内为任务通过率(rubric 分≥70%) LifeSciBench, 750 tasks, single-turn, unrestricted web browsing 自报 出处 出题方自家通用模型
Gemini 3.1 Pro 3 0.515 (23.6%) 问题加权归一化 rubric 分;括号内为任务通过率(rubric 分≥70%) LifeSciBench, 750 tasks, single-turn, unrestricted web browsing 第三方 出处 由出题方 OpenAI 运行
GPT-5.4 4 0.479 (20.7%) 问题加权归一化 rubric 分;括号内为任务通过率(rubric 分≥70%) LifeSciBench, 750 tasks, single-turn, unrestricted web browsing 自报 出处 —
Grok 4.3(非本站模型) 5 0.399 (13.0%) 问题加权归一化 rubric 分;括号内为任务通过率(rubric 分≥70%) LifeSciBench, 750 tasks, single-turn, unrestricted web browsing 第三方 出处 由出题方 OpenAI 运行;非本站模型

排名数据读取于 2026-11-18。分数原样照录,不换算、不跨 benchmark 比较。

报告过的模型

按关系类型分组;计数口径见配对矩阵。2 个计入(自报 2)。

开发方按官方口径自报(2)

  • GPT-Rosalind:出题方自报,750 题全集;出题方与模型同属 OpenAI(自报,置信度高;出处)
  • 前沿通用大模型:GPT-5.5、GPT-5.4 为自报;Gemini 3.1 Pro 由出题方运行(自报,置信度高;出处)

局限与注意

  1. 出题方 OpenAI 同时是被测方,榜首 GPT-Rosalind 也是其模型;论文自行披露了这层机构关系。
  2. 自动评分器用的是哪个模型没有披露,与专家抽检的一致性数字也未在正文给出。
  3. 任务、rubric 与附件未公开,外部无法复跑或核查评分。
  4. 允许无限制联网,检索与推理能力混在同一分数里;部分答案可能可直接检索到。
  5. 没有人类专家或无附件基线,分数难以换算成真实研究中的可用程度。

新模型怎么用

任务、rubric 与附件未公开,外部目前无法复跑,只能引用预印本中的数字。引用时须写明指标(归一化分或通过率)、单轮作答、允许联网,并注明出题方与被测模型同属一家、评分器未披露。可对照 LAB-Bench 与 BioMysteryBench。

搭配:LAB-Bench / LABBench2 · BioMysteryBench · BixBench

来源

  1. 预印本 PDF(开发方托管)(预印本)
  2. bioRxiv 预印本(预印本)
  3. 开发方发布公告(公司博客)
  4. 发布当日的媒体报道(新闻)

更正记录

无。

本文为个人研究笔记,结论基于成文时可获得的公开信息;带〔估算〕〔推断〕或⚠️的数字未经独立核实。